整理第 4 章主要 Visualization Types，建立「資料型態／分析問題 → 圖形選擇」的教學框架。
辨識 Bar Chart、Histogram、Line Chart、Scatter Plot、Bubble Chart、Pie Chart、Box Plot、Tree Map、Heat Map、Geo Map 與 Correlation Matrix 的主要用途與限制。
原書指出 Visualization 不只用來溝通結果，也用於 Big Data Exploration。不同圖形以 Position、Size、Colour、Grouping、Lattice 等方式承載不同維度，因此選圖必須依資料型態與問題而定。
| Visualization | 原書主要用途 | 重要限制／條件 |
|---|---|---|
| Bar Chart | 比較 Category／分組後連續資料的 Quantity | 適合較低 Cardinality；Aggregation 要正確 |
| Histogram | Measure 的 Frequency、Central Tendency、Distribution | Numerical values 需先 Binning |
| Line Chart | 高 Cardinality ordinal category、Trend | x-axis 通常具自然順序 |
| Scatter Plot | 兩個 Variables 的 Cartesian relationship | Association 不等於 Causation |
| Bubble Chart | Scatter + 第三個 Size factor；Colour 可加入第四因素 | 高維度增加解讀負擔 |
| Pie Chart | 低 Slice 數的 Part-to-whole／Ratio | 原書建議約 2–6 slices，且少數 slices 主導；容易被濫用 |
| Box Plot | Quartiles、Range、Outliers | 需理解 Median、Whiskers 與極端值 |
| Tree Map | Hierarchical、Part-to-whole、大量 leaves | Size 與 Colour 同時承載資訊 |
| Heat Map | Matrix／geospatial categories、Large Dataset、Outliers | Box size 由 matrix coordinates／location 固定 |
| Geo Map | Geographical Data + Bubble Size／Colour | Region 太少（原書：less than 5–6）時較不有效 |
| Correlation Matrix | 多個 Measures 的 Linear Relationship overview | Correlation 不代表 Causation |
先判斷 Category／Measure／Geographical、Cardinality、是否有自然順序與要回答的問題，再選擇 Visualization；之後檢查 Aggregation、Grouping、Colour、Size 與 Lattice 是否增加有意義的分析維度。
本案例為方法比較，沒有單一計算結果。原書明列 Pie Chart 在 slices 少（2–6）且少數 slices（1–3）主導時較有效；Geo Map 在 regions 少於約 5–6 時較不有效。
「能畫」不等於「適合畫」。圖形的價值取決於是否能讓 Pattern、Trend、Outlier 與 Relationships 更容易辨識；Automatic Visualization 也不能取代分析者的判斷。
「根據以下資料型態、Cardinality 與 Business Question，從原書介紹的 Visualization 中提出適合的候選圖形並說明限制；不要虛構資料結果。」
題目： 若 Category 有很多項且數值彼此接近，Pie Chart 是否仍是好的比較工具？
參考解答： 通常不是。原書指出 slices 比例接近時難以比較，且 Pie Chart 在少量 slices 時較有效；Bar Chart 往往更容易比較 Quantity。