# Vizualizace proporcí | ](../../../sketchnotes/11-Visualizing-Proportions.png)| |:---:| |Vizualizace proporcí - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | V této lekci použijete jinou datovou sadu zaměřenou na přírodu k vizualizaci proporcí, například kolik různých druhů hub se nachází v dané datové sadě o houbách. Pojďme prozkoumat tyto fascinující houby pomocí datové sady pocházející od Audubona, která obsahuje podrobnosti o 23 druzích lupenatých hub z čeledí Agaricus a Lepiota. Vyzkoušíte si chutné vizualizace, jako jsou: - Koláčové grafy 🥧 - Prstencové grafy 🍩 - Waflové grafy 🧇 > 💡 Velmi zajímavý projekt s názvem [Charticulator](https://charticulator.com) od Microsoft Research nabízí bezplatné rozhraní pro vizualizaci dat pomocí přetahování. V jednom ze svých tutoriálů také používají tuto datovou sadu o houbách! Můžete tak prozkoumat data a zároveň se naučit používat tuto knihovnu: [Tutoriál Charticulator](https://charticulator.com/tutorials/tutorial4.html). ## [Kvíz před lekcí](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) ## Seznamte se s houbami 🍄 Houby jsou velmi zajímavé. Naimportujme si datovou sadu, abychom je mohli studovat: ```r mushrooms = read.csv('../../data/mushrooms.csv') head(mushrooms) ``` Tabulka se zobrazí s několika skvělými daty pro analýzu: | třída | tvar klobouku | povrch klobouku | barva klobouku | modřiny | vůně | připojení lupenů | rozestup lupenů | velikost lupenů | barva lupenů | tvar třeně | kořen třeně | povrch třeně nad prstencem | povrch třeně pod prstencem | barva třeně nad prstencem | barva třeně pod prstencem | typ závoje | barva závoje | počet prstenců | typ prstence | barva výtrusů | populace | prostředí | | --------- | ------------- | --------------- | ------------- | ------- | ------- | ---------------- | --------------- | --------------- | ------------ | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ------------- | --------- | ------------- | ---------- | -------- | | Jedovatá | Konvexní | Hladký | Hnědá | Modřiny | Štiplavá | Volné | Těsné | Úzké | Černá | Zvětšující se | Rovný | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Visící | Černá | Rozptýlená | Městské | | Jedlá | Konvexní | Hladký | Žlutá | Modřiny | Mandlová | Volné | Těsné | Široké | Černá | Zvětšující se | Kyjovitý | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Visící | Hnědá | Početná | Trávy | | Jedlá | Zvoncovitý | Hladký | Bílá | Modřiny | Anýzová | Volné | Těsné | Široké | Hnědá | Zvětšující se | Kyjovitý | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Visící | Hnědá | Početná | Louky | | Jedovatá | Konvexní | Šupinatý | Bílá | Modřiny | Štiplavá | Volné | Těsné | Úzké | Hnědá | Zvětšující se | Rovný | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Visící | Černá | Rozptýlená | Městské | | Jedlá | Konvexní | Hladký | Zelená | Bez modřin | Žádná | Volné | Husté | Široké | Černá | Zúžený | Rovný | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Pomíjivý | Hnědá | Hojná | Trávy | | Jedlá | Konvexní | Šupinatý | Žlutá | Modřiny | Mandlová | Volné | Těsné | Široké | Hnědá | Zvětšující se | Kyjovitý | Hladký | Hladký | Bílá | Bílá | Částečný | Bílá | Jeden | Visící | Černá | Početná | Trávy | Hned si všimnete, že všechna data jsou textová. Budete je muset převést, abyste je mohli použít v grafu. Většina dat je ve skutečnosti reprezentována jako objekt: ```r names(mushrooms) ``` Výstup je: ```output [1] "class" "cap.shape" [3] "cap.surface" "cap.color" [5] "bruises" "odor" [7] "gill.attachment" "gill.spacing" [9] "gill.size" "gill.color" [11] "stalk.shape" "stalk.root" [13] "stalk.surface.above.ring" "stalk.surface.below.ring" [15] "stalk.color.above.ring" "stalk.color.below.ring" [17] "veil.type" "veil.color" [19] "ring.number" "ring.type" [21] "spore.print.color" "population" [23] "habitat" ``` Vezměte tato data a převeďte sloupec 'třída' na kategorii: ```r library(dplyr) grouped=mushrooms %>% group_by(class) %>% summarise(count=n()) ``` Nyní, pokud si vytisknete data o houbách, uvidíte, že byla rozdělena do kategorií podle třídy jedovaté/jedlé: ```r View(grouped) ``` | třída | počet | | --------- | --------- | | Jedlá | 4208 | | Jedovatá | 3916 | Pokud budete postupovat podle pořadí uvedeného v této tabulce při vytváření štítků kategorií, můžete vytvořit koláčový graf. ## Koláč! ```r pie(grouped$count,grouped$class, main="Edible?") ``` Voila, koláčový graf zobrazující proporce těchto dat podle těchto dvou tříd hub. Je velmi důležité správně nastavit pořadí štítků, zejména zde, takže si ověřte pořadí, ve kterém je pole štítků vytvořeno!  ## Prstence! O něco vizuálně zajímavější koláčový graf je prstencový graf, což je koláčový graf s otvorem uprostřed. Podívejme se na naše data touto metodou. Podívejte se na různá prostředí, kde houby rostou: ```r library(dplyr) habitat=mushrooms %>% group_by(habitat) %>% summarise(count=n()) View(habitat) ``` Výstup je: | prostředí | počet | | --------- | --------- | | Trávy | 2148 | | Listí | 832 | | Louky | 292 | | Cesty | 1144 | | Městské | 368 | | Odpad | 192 | | Lesy | 3148 | Zde seskupujete svá data podle prostředí. Je jich uvedeno 7, takže je použijte jako štítky pro svůj prstencový graf: ```r library(ggplot2) library(webr) PieDonut(habitat, aes(habitat, count=count)) ```  Tento kód používá dvě knihovny - ggplot2 a webr. Pomocí funkce PieDonut z knihovny webr můžeme snadno vytvořit prstencový graf! Prstencové grafy v R lze vytvořit i pouze pomocí knihovny ggplot2. Více se o tom můžete dozvědět [zde](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) a sami si to vyzkoušet. Nyní, když víte, jak seskupit svá data a poté je zobrazit jako koláč nebo prstenec, můžete prozkoumat další typy grafů. Vyzkoušejte waflový graf, což je jen jiný způsob zobrazení množství. ## Wafle! Waflový graf je jiný způsob vizualizace množství jako 2D pole čtverců. Zkuste vizualizovat různé množství barev klobouků hub v této datové sadě. K tomu budete potřebovat nainstalovat pomocnou knihovnu s názvem [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) a použít ji k vytvoření své vizualizace: ```r install.packages("waffle", repos = "https://cinc.rud.is") ``` Vyberte segment svých dat pro seskupení: ```r library(dplyr) cap_color=mushrooms %>% group_by(cap.color) %>% summarise(count=n()) View(cap_color) ``` Vytvořte waflový graf vytvořením štítků a poté seskupením svých dat: ```r library(waffle) names(cap_color$count) = paste0(cap_color$cap.color) waffle((cap_color$count/10), rows = 7, title = "Waffle Chart")+scale_fill_manual(values=c("brown", "#F0DC82", "#D2691E", "green", "pink", "purple", "red", "grey", "yellow","white")) ``` Pomocí waflového grafu můžete jasně vidět proporce barev klobouků v této datové sadě hub. Zajímavé je, že existuje mnoho hub se zelenými klobouky!  V této lekci jste se naučili tři způsoby vizualizace proporcí. Nejprve musíte svá data seskupit do kategorií a poté se rozhodnout, který způsob zobrazení dat je nejlepší - koláč, prstenec nebo wafle. Všechny jsou chutné a uživateli okamžitě poskytují přehled o datové sadě. ## 🚀 Výzva Zkuste znovu vytvořit tyto chutné grafy v [Charticulator](https://charticulator.com). ## [Kvíz po lekci](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) ## Přehled a samostudium Někdy není zřejmé, kdy použít koláčový, prstencový nebo waflový graf. Zde je několik článků, které si můžete přečíst na toto téma: https://www.beautiful.ai/blog/battle-of-the-charts-pie-chart-vs-donut-chart https://medium.com/@hypsypops/pie-chart-vs-donut-chart-showdown-in-the-ring-5d24fd86a9ce https://www.mit.edu/~mbarker/formula1/f1help/11-ch-c6.htm https://medium.datadriveninvestor.com/data-visualization-done-the-right-way-with-tableau-waffle-chart-fdf2a19be402 Proveďte vlastní výzkum a najděte více informací o tomto nelehkém rozhodování. ## Zadání [Vyzkoušejte to v Excelu](assignment.md) --- **Prohlášení**: Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace doporučujeme profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.