您希望比较“有效性”并评估报告每种治疗的患者数量。有效性记录在五个离散的、有序的类别中，但（不知何故）也被总结为“平均”。（平均值）值，表明它被认为是一个定量变量。

因此，我们应该选择其元素非常适合传达此类信息的图形。在众多优秀的解决方案中，有一个使用这种模式：

• 将总或平均有效性表示为沿线性比例的位置。这样的位置最容易在视觉上掌握并准确地定量阅读。使所有 34 种治疗方法通用的量表。

• 用一些容易看出与这些数字成正比的图形符号来表示患者的数量。矩形非常适合：它们可以定位以满足上述要求，并在正交方向上调整大小，以便它们的高度和面积都传达患者编号信息。

• 通过颜色和/或阴影值区分五个有效性类别。保持这些类别的顺序。

问题中的图形所犯的一个巨大错误是，最突出的视觉值——条的长度——描述了患者数量信息，而不是总的有效性信息。我们可以通过围绕自然中间值重新定位每个条形来轻松解决此问题。

不做任何其他更改（例如改进配色方案，这对任何色盲的人来说都特别差），这里是重新设计。

我添加了水平虚线以帮助眼睛将标签与绘图连接起来，并删除了一条细垂直线以显示共同的中心位置。

响应的模式和数量更加明显。特别是，我们基本上以一张的价格获得了两张图形：在左侧，我们可以读出不利影响的衡量标准，而在右侧，我们可以看到积极影响的强度。一方面，能够平衡风险与收益，另一方面，在此应用程序中很重要。

这种重新设计的一个意外效果是，具有许多反应的治疗名称与其他治疗方法的名称垂直分开，便于向下扫描并查看哪些治疗方法最受欢迎。

另一个有趣的方面是，该图对用于按“平均有效性”排序治疗的算法提出了质疑：例如，为什么“头痛跟踪”在所有最受欢迎的治疗中，它是唯一的没有不良影响？

R附加了生成此图的快速而肮脏的代码。

x <- c(0,0,3,5,5,
       0,0,0,0,2,
       0,0,3,2,4,
       0,1,7,9,7,
       0,0,3,2,3,
       0,0,0,0,1,
       0,1,1,1,2,
       0,0,2,2,1,
       0,0,1,0,1,
       0,0,3,2,1,
       0,0,2,0,1,
       1,0,5,5,2,
       1,3,15,15,4,
       1,2,5,7,3,
       0,0,4,4,0,
       0,0,2,2,0,
       0,0,3,0,1,
       0,0,2,2,0,
       0,4,18,19,2,
       0,0,2,1,0,
       3,1,27,25,3,
       1,0,2,2,1,
       0,0,4,2,0,
       0,1,6,5,0,
       0,0,3,1,0,
       3,0,3,7,2,
       0,1,0,1,0,
       0,0,21,4,2,
       0,0,6,1,0,
       1,0,2,0,1,
       2,4,15,8,1,
       1,1,3,1,0,
       0,0,1,0,0,
       0,0,1,0,0)
levels <- c("Made it much worse", "Made it slightly worse", "No effect or uncertain",
            "Moderate improvement", "Major improvement")
treatments <-  c("Oxygen", "Gluten-free diet", "Zomig", "Sumatriptan", "Rizatriptan (Maxalt)",
                 "Dilaudid suppository", "Dilaudid-Morphine", "Verapamil",
                 "Magic mushrooms", "Magnesium", "Psilocybine", "Excedrin Migraine",
                 "Ice packs on neck and head", "Passage of time", "Red Bull", "Lidocaine",
                 "Vitamin B-2 (Roboflavin)", "Caffergot", "Caffeine", "Tobasco in nose / on tongue")
treatments <- c(treatments, 
                 "Ibuprofen", "Topamax", "Excedrin Tension Headache", "Acetaminophen (Tylenol)",
                 "Extra Strength Excedrin", "Hot water bottle", "Eletriptan", 
                 "Headache tracking", "Women to Women vitamins", "Effexor", "Aspirin",
                 "Propanolol", "L-Arginine", "Fioricet")
x <- t(matrix(x, 5, dimnames=list(levels, treatments)))
#
# Precomputation for plotting.
#
n <- dim(x)[1]
m <- dim(x)[2]
d <- as.data.frame(x)
d$Total <- rowSums(d)
d$Effectiveness <- (x %*% c(-2,-1,0,1,2)) / d$Total
d$Root <- (d$Total)
#
# Set up the plot area.
#
colors <- c("#704030", "#d07030", "#d0d0d0", "#60c060", "#387038")
x.left <- 0; x.right <- 6; dx <- x.right - x.left; x.0 <- x.left-4
y.bottom <- 0; y.top <- 10; dy <- y.top - y.bottom
gap <- 0.4
par(mfrow=c(1,1))
plot(c(x.left-1, x.right), c(y.bottom, y.top), type="n", 
     bty="n", xaxt="n", yaxt="n", xlab="", ylab="", asp=(y.top-y.bottom)/(dx+1))
#
# Make the plots.
#
u <- t(apply(x, 1, function(z) c(0, cumsum(z)) / sum(z)))
y <- y.top - dy * c(0, cumsum(d$Root/sum(d$Root) + gap/n)) / (1+gap)

invisible(sapply(1:n, function(i) {
  lines(x=c(x.0+1/4, x.right), y=rep(dy*gap/(2*n)+(y[i]+y[i+1])/2, 2),
        lty=3, col="#e0e0e0")
  sapply(1:m, function(j) {
  mid <- (x.left - (u[i,3] + u[i,4])/2)*dx
  rect(mid + u[i,j]*dx, y[i+1] + (gap/n)*(y.top-y.bottom), 
       mid + u[i,j+1]*dx, y[i], 
       col=colors[j], border=NA)
})}))
abline(v = x.left, col="White")
labels <- mapply(function(s,n) paste0(s, " (", n, ")"), rownames(x), d$Total)
text(x.0, (y[-(n+1)]+y[-1])/2, labels=labels, adj=c(1, 0), cex=0.8,
     col="#505050")

您当然可以将每一行转换为百分比，并将所有条形图绘制为相同的长度，条形图的一部分为绿色，然后提供一个良好的有效性视觉指标。您可以将数字保留在旁边的括号中，以表明结果所基于的样本量。

如果您想保留样本数量和有效性的视觉指标，您可以按原样考虑图表，但基于灰色部分的中心将条形居中。然后，条形的整体大小将直观地指示样本大小，并且位于中心线右侧（或左侧）的条形比例将指示有效性（或其他方面）。结合起来，您可以从最右侧的那些条中获得流行和额定有效治疗的视觉指示。您可以使用您链接的页面上可用的三种方式中的任何一种进行排序。