Datenvisualisierung | Leitfaden zur Datenvisualisierung für Anfänger

Was ist Datenvisualisierung?

„Ein Bild sagt mehr als tausend Worte.“ Ähnlich, eine Infografik / visual kann uns dabei helfen, versteckte Daten und Muster viel einfacher zu analysieren. Dies ist ein umfassender Leitfaden für die Grundlagen der Visualisierung. Ich habe versucht, anhand von Habermans Krebsüberlebensdaten ein Beispiel zu integrieren, um zu zeigen, wie die Bilder uns helfen können, Muster in den Daten zu finden, die die Zahlen nicht zeigen.. Lasst uns beginnen!

Warum Daten visualisieren?

Datenvisualisierung ist eine Möglichkeit, eine Geschichte aus Ihren Daten zu erstellen. Wenn Daten komplex sind und das Verständnis von Mikrodetails unerlässlich ist, der beste Weg ist, die Daten durch Bilder zu analysieren.

Bilder können für zwei Zwecke verwendet werden:

1. Explorative Datenanalyse: von Datenanalysten verwendet, Statistiker und Datenwissenschaftler, um die Daten besser zu verstehen. Wie es mit Grund heißt, verwendet, um versteckte Trends zu erkunden, die Muster in den Daten.

2. Erklärende Datenanalyse: Sobald Analysten die Daten verstanden und ihre Ergebnisse gefunden haben, Ihre Ideen und Erkenntnisse lassen sich am besten durch Bilder vermitteln. Dies wird verwendet, um eine Geschichte zu erstellen, die den Betrachter einbezieht und tiefere Einblicke bietet..

Explorative Analyse von Habermans Überlebensdaten

Der Datensatz enthält Fälle aus einer Studie, die zwischen 1958 Ja 1970 am Billings Hospital der University of Chicago über das Überleben von Patientinnen, die wegen Brustkrebs operiert wurden.

Zu den Attributen gehören:

1. Alter des Patienten zum Zeitpunkt der Operation (numerisch)
2. Betriebsjahr des Patienten (Jahr – 1900, numerisch)
3. Anzahl der erkannten positiven Achselknoten (numerisch)
4. Überlebensstatus (Klassenattribut)
   1 = der Patient hat überlebt 5 Jahre oder mehr
   2 = der Patient starb innerhalb 5 Jahre

Beginnen wir mit der Verwendung von Statistiken, um die Daten zuerst zu verstehen.:

Wir sehen, dass es da ist 306 Reihen und 4 Säulen. Was ist mehr, beim Anzeigen der Attribute, wir verstehen, wie Daten verteilt werden. Um mehr zu erfahren, wie viele Beispiele für jede Klasse wir haben, Wir können eine BalkengrafikDas Balkendiagramm ist eine visuelle Darstellung von Daten, die rechteckige Balken verwendet, um Vergleiche zwischen verschiedenen Kategorien anzuzeigen. Jeder Balken stellt einen Wert dar, und seine Länge ist proportional zu ihm. Diese Art von Diagramm ist nützlich, um Trends zu visualisieren und zu analysieren, Erleichterung der Interpretation quantitativer Informationen. Es ist in verschiedenen Disziplinen weit verbreitet, wie z.B. Statistiken, Marketing und Forschung, Aufgrund seiner Einfachheit und Effektivität.....

Wir sehen, dass die Daten mit mehr Überlebenden unausgewogen sind als denen, die nicht überleben konnten. Um die Daten weiter zu scannen, Lass uns verschiedene Grafiken sehen.

Wahrscheinlichkeitsdichtefunktion

1. Ein tolles Teil, nämlich, von 30 ein 80 Jahre, Überschneidungen zwischen den beiden Klassen.

2. Menschen in der Altersgruppe 20 ein 40 überleben eher, 40 ein 60 überleben eher nicht, Gruppen von 60 ein 80 haben die gleiche Chance auf Überleben und Tod, Ja> 80 haben eine größere Chance, nicht zu überleben.

3. Das Alter allein kann nicht sagen, ob eine Person überleben wird oder nicht.

Box-Plot

Das BoxplotsBox-Diagramme, Auch bekannt als Box- und Whisker-Diagramme, sind statistische Werkzeuge, die die Verteilung eines Datensatzes darstellen. Diese Diagramme zeigen den Median, Quartile und Ausreißer, Ermöglicht die Visualisierung von Datenvariabilität und -symmetrie. Sie sind nützlich für den Vergleich zwischen verschiedenen Gruppen und in der explorativen Analyse, So lassen sich Trends und Muster in den Daten leichter erkennen.... Sie informieren uns über die Verteilung von Daten und scannen Ausreißer. Beachten Sie, dass die Überlebenden weniger Knoten haben als die, die nicht überleben könnten. Interessant! Es ist nicht so? Beachten Sie auch, dass die Anzahl der Knoten zwar eine nützlichere Funktion ist, es gibt einige Überschneidungen mit beiden Klassen.

Streudiagramm

Wir sehen an den verstreuten Punkten, dass, unabhängig vom Jahr, die Anzahl der Patienten, die 0 Ganglien waren Überlebende. Heißt das? 0 Knoten sichern das Überleben? Schau dir die Handlung der Geige an!

Violinrahmen

In der Grafik oben, Wir sehen, dass es keine Überlebenden gibt mit 0 Knoten. Fiddle-Plots ermöglichen es uns, Verteilungs- und Boxplots in einem einzigen Bild zu sehen. Sinnvoll! Es ist nicht so? Aus den Bildern können wir viel lernen. Visualisieren, um zu verstehen. Visualisieren, um Ihr Verständnis zu erklären. Ich habe einige Tipps und Tools zusammengestellt, um Ihnen den Einstieg zu erleichtern.

Tools zur Datenvisualisierung

1. Bild: Einfach zu verwenden, effektiv und sicher. Es ist sehr beliebt und wird verwendet, um Daten effektiv vorzuverarbeiten und zu visualisieren. Es ist auch möglich, Daten zu teilen.

2. Microsoft Power BI: Datenvisualisierungsplattform mit Schwerpunkt auf der Erstellung datengesteuerter Lösungen für Geschäftsprobleme. Wird für die Vorverarbeitung verwendet, Analysieren und teilen Sie aussagekräftige Erkenntnisse mit Leichtigkeit. Andere Tools umfassen FusionCharts, Bindestrich, Handlung, QlikView.

3. MS Excel: Dies ist das von Analysten am häufigsten verwendete Tool zum Umgang mit Daten, bestellen, Daten schnell visualisieren und aufbereiten.

Best Practices und Tipps

Verwenden Sie ein einheitliches Farbschema für Ihre Bilder: Während Farbe einer Grafik Bedeutung und Schönheit verleiht, Es ist oft besser, Farben zu verwenden, um wichtige Details hervorzuheben und nicht nur für die Attraktivität. Zu viele Farben zerstören den Farbzweck, während die Verwendung einer einzelnen Farbe oder zu viele Schattierungen einer Farbe den Betrachter verwirren können. Was ist mehr, Berücksichtigen Sie Sehbehinderte bei der Gestaltung von Bildern. Farben intuitiv verwenden. Zum Beispiel: zur Stimmungsanalyse, Wir können die Farbe Grün für positive Emotionen verwenden, Rot für negative Emotionen und Grün für Neutrale.

Größe verwenden, die Form und das Format, um die Semantik zu vermitteln: Größen verwenden, Formen wie Kreise und Quadrate können eine semantische Bedeutung hinzufügen und, Daher, Helfen Sie den Zuschauern, Daten mit Leichtigkeit aufzunehmen. Was ist mehr, beachten Sie, dass, manchmal, Balkendiagramme in aufsteigender Reihenfolge anzuordnen ist sinnvoller (bei ordinalen Daten) um sie alphabetisch oder zufällig anzuordnen.

Verwenden Sie Leyendas, Wörter, um die Daten korrekt aufzuzeichnen: Verwenden Sie bei Bedarf Etiketten, aber überladen Sie das Diagramm nicht mit Text. Verwenden Sie Textdaten mit Bedacht. Visuelle Daten leicht verständlich positionieren.

Interaktive Plots verwenden: Renndiagramme und interaktive Diagramme fügen einen Mehrwert hinzu und helfen den Zuschauern, sich tiefer mit den Daten auseinanderzusetzen.

Entfernen Sie Müll aus dem Diagramm: Eliminieren Sie unnötigen Grafikmüll, der die Zuschauer ablenken könnte. Kombinieren Sie nicht mehrere Ansichten zu einem einzigen Bild, das schwer zu verstehen ist. Verwenden Sie die Skalen, um das echte Bild zu zählen.

Datenkennzeichnung: Beschriften Sie Ihre Daten genau. Nicht zu viel beschriften. Stellen Sie sicher, dass die Etiketten sichtbar und richtig ausgerichtet sind. Fügen Sie Bildern keine Dimensionen hinzu, die zu Verzerrungen führen können.

Mach eine komplette Geschichte: Konzentrieren Sie sich auf das größere Bild, das Sie aufnehmen möchten. Bitte keine ungenauen oder irreführenden Bilder bereitstellen. Verwenden Sie visuelle Werkzeuge mit Bedacht, um mehr zu sprechen, als Text es tun würde.

Häufige Fehler, die Sie beim Anzeigen von Daten vermeiden sollten

1. Verwenden eines Visuals, wenn es möglicherweise nicht erforderlich ist: Ob Daten effektiv mit Statistiken kommuniziert werden können, keine Notwendigkeit, Bilder zu erstellen. Bilder machen es leicht zu analysieren, was Zahlen nicht vermitteln können. Deswegen, Wählen Sie mit Bedacht, wann Sie ein visuelles Werkzeug verwenden.

2. Bist du dir wirklich sicher, was du zu vermitteln versuchst? : Korrelation impliziert keine Ursache. Wir müssen sicherstellen, dass unsere Ergebnisse durch angemessene Forschung und Experimente unterstützt werden, bevor wir uns den Ursachen zuwenden.

3. Verwenden von 3D-Bildern: Stellen Sie sicher, dass die 3D-Ansicht keinen Teil der Daten verdeckt oder verzerrt. Verwenden Sie 3D-Grafiken mit äußerster Sorgfalt. Fügen Sie keine Anleitungen hinzu, die den Betrachter irreführen und den Zweck der Anzeige zerstören könnten.

Wo Sie weitere Ressourcen und Kurse finden?

Es gibt viele Kurse, Blogs und Bücher, die uns helfen, die Visualisierung in der Tiefe zu verstehen.

Für wundervolle Blogging-Websites: https://www.tableau.com/learn/articles/best-data-visualization-blogs, Datenvisualisierung, Ja Reddit mein Favorit sein.

Für kostenlose Kurse: Bild bietet kostenlose Kurse zur Datenvisualisierung an, die erforderlich sind. Kaggle hat auch kostenlose Basiskurse zur Datenvisualisierung mit praktischen Übungen. Es gibt mehrere Kurse in DataPeaker, Kursra, Udemy, Udacity, die beim Lernen helfen.

Für Bücher: Schauen Sie sich diese kuratierte Liste von Büchern an https://www.tableau.com/learn/articles/books-about-data-visualization meine Lieblinge sein Die visuelle Darstellung quantitativer Informationen von Edward Tufte Ja Storytelling mit Daten von Cole.

Letzte Worte

Als Datenproduzenten, wir müssen sicherstellen, dass wir jederzeit die richtigen Informationen anzeigen. Die Manipulation der Verbraucher, damit sie sehen, was wir wollen, muss um jeden Preis vermieden werden.

Als Verbraucher von Daten, Wir müssen jedes visuelle Element kritisch sehen, um sicherzustellen, dass wir über das hinausgehen, was uns das visuelle Element zu sehen verleitet.

Ich hoffe der Inhalt hat dir gefallen. Für jede Anfrage, du kannst mich unter ... erreichen [E-Mail geschützt] oder schreib unten einen Kommentar.

Verweise

1. https://www.tableau.com/learn/articles/data-visualization

2. https://www.tableau.com/learn/articles/best-data-visualization-blogs

3. https://www.toptal.com/designers/ux/data-visualization-mistakes

4. https://blog.hubspot.com/marketing/great-data-visualization-examples

Verwandt