# Vizualizácia proporcií | ](../../../sketchnotes/11-Visualizing-Proportions.png)| |:---:| |Vizualizácia proporcií - _Sketchnote od [@nitya](https://twitter.com/nitya)_ | V tejto lekcii použijete dataset zameraný na prírodu na vizualizáciu proporcií, napríklad koľko rôznych druhov húb sa nachádza v danom datasete o hubách. Poďme preskúmať tieto fascinujúce huby pomocou datasetu pochádzajúceho z Audubon, ktorý obsahuje podrobnosti o 23 druhoch húb s lupeňmi z rodov Agaricus a Lepiota. Budete experimentovať s chutnými vizualizáciami, ako sú: - Koláčové grafy 🥧 - Donutové grafy 🍩 - Waflové grafy 🧇 > 💡 Veľmi zaujímavý projekt s názvom [Charticulator](https://charticulator.com) od Microsoft Research ponúka bezplatné rozhranie na tvorbu vizualizácií pomocou drag and drop. V jednom z ich tutoriálov tiež používajú tento dataset o hubách! Takže môžete preskúmať dáta a zároveň sa naučiť používať túto knižnicu: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). ## [Kvíz pred lekciou](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) ## Spoznajte svoje huby 🍄 Huby sú veľmi zaujímavé. Importujme dataset, aby sme ich mohli študovať: ```r mushrooms = read.csv('../../data/mushrooms.csv') head(mushrooms) ``` Tabuľka sa zobrazí s niekoľkými skvelými údajmi na analýzu: | trieda | tvar klobúka | povrch klobúka | farba klobúka | modriny | vôňa | pripojenie lupeňov | rozostup lupeňov | veľkosť lupeňov | farba lupeňov | tvar hlúbika | koreň hlúbika | povrch nad prsteňom | povrch pod prsteňom | farba nad prsteňom | farba pod prsteňom | typ závoja | farba závoja | počet prsteňov | typ prsteňa | farba výtrusov | populácia | biotop | | --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | | Jedovatá | Konvexný | Hladký | Hnedý | Modriny | Štipľavá | Voľné | Tesné | Úzke | Čierna | Rozširujúci | Rovný | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Visutý | Čierna | Roztrúsená | Mestský | | Jedlá | Konvexný | Hladký | Žltý | Modriny | Mandľová | Voľné | Tesné | Široké | Čierna | Rozširujúci | Kyjakovitý | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Visutý | Hnedá | Početná | Trávnaté | | Jedlá | Zvonovitý | Hladký | Biela | Modriny | Anízová | Voľné | Tesné | Široké | Hnedá | Rozširujúci | Kyjakovitý | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Visutý | Hnedá | Početná | Lúky | | Jedovatá | Konvexný | Šupinatý | Biela | Modriny | Štipľavá | Voľné | Tesné | Úzke | Hnedá | Rozširujúci | Rovný | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Visutý | Čierna | Roztrúsená | Mestský | Jedlá | Konvexný |Hladký | Zelený | Bez modrín| Žiadna |Voľné | Preplnené | Široké | Čierna | Zužujúci | Rovný | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Pominuteľný | Hnedá | Hojná | Trávnaté |Jedlá | Konvexný | Šupinatý | Žltý | Modriny | Mandľová | Voľné | Tesné | Široké | Hnedá | Rozširujúci | Kyjakovitý | Hladký | Hladký | Biela | Biela | Čiastočný | Biela | Jeden | Visutý | Čierna | Početná | Trávnaté Hneď si všimnete, že všetky údaje sú textové. Budete ich musieť konvertovať, aby ste ich mohli použiť v grafe. Väčšina údajov je v skutočnosti reprezentovaná ako 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" ``` Vezmite tieto údaje a konvertujte stĺpec 'trieda' na kategóriu: ```r library(dplyr) grouped=mushrooms %>% group_by(class) %>% summarise(count=n()) ``` Teraz, ak vytlačíte údaje o hubách, uvidíte, že boli rozdelené do kategórií podľa triedy jedovaté/jedlé: ```r View(grouped) ``` | trieda | počet | | --------- | --------- | | Jedlá | 4208 | | Jedovatá| 3916 | Ak budete postupovať podľa poradia uvedeného v tejto tabuľke na vytvorenie kategórií tried, môžete vytvoriť koláčový graf. ## Koláč! ```r pie(grouped$count,grouped$class, main="Edible?") ``` Voila, koláčový graf zobrazujúci proporcie týchto údajov podľa dvoch tried húb. Je veľmi dôležité správne zoradiť poradie štítkov, najmä tu, preto si overte poradie, v akom je pole štítkov vytvorené!  ## Donuty! O niečo vizuálne zaujímavejší koláčový graf je donutový graf, čo je koláčový graf s dierou v strede. Pozrime sa na naše údaje pomocou tejto metódy. Pozrite sa na rôzne biotopy, kde huby rastú: ```r library(dplyr) habitat=mushrooms %>% group_by(habitat) %>% summarise(count=n()) View(habitat) ``` Výstup je: | biotop| počet | | --------- | --------- | | Trávnaté | 2148 | | Listy| 832 | | Lúky | 292 | | Cesty| 1144 | | Mestský | 368 | | Odpad| 192 | | Lesy| 3148 | Tu zoskupujete svoje údaje podľa biotopu. Je ich uvedených 7, takže ich použite ako štítky pre váš donutový graf: ```r library(ggplot2) library(webr) PieDonut(habitat, aes(habitat, count=count)) ```  Tento kód používa dve knižnice - ggplot2 a webr. Pomocou funkcie PieDonut z knižnice webr môžeme ľahko vytvoriť donutový graf! Donutové grafy v R je možné vytvoriť aj pomocou samotnej knižnice ggplot2. Viac sa o tom môžete dozvedieť [tu](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) a vyskúšať si to sami. Teraz, keď viete, ako zoskupiť svoje údaje a potom ich zobraziť ako koláč alebo donut, môžete preskúmať iné typy grafov. Skúste waflový graf, ktorý je len iným spôsobom skúmania kvantity. ## Wafle! Graf typu 'waffle' je iný spôsob vizualizácie kvantít ako 2D pole štvorcov. Skúste vizualizovať rôzne kvantity farieb klobúkov húb v tomto datasete. Na to potrebujete nainštalovať pomocnú knižnicu s názvom [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) a použiť ju na vytvorenie svojej vizualizácie: ```r install.packages("waffle", repos = "https://cinc.rud.is") ``` Vyberte segment svojich údajov na zoskupenie: ```r library(dplyr) cap_color=mushrooms %>% group_by(cap.color) %>% summarise(count=n()) View(cap_color) ``` Vytvorte waflový graf vytvorením štítkov a následným zoskupením údajov: ```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")) ``` Pomocou waflového grafu môžete jasne vidieť proporcie farieb klobúkov v tomto datasete húb. Zaujímavé je, že existuje veľa húb so zelenými klobúkmi!  V tejto lekcii ste sa naučili tri spôsoby vizualizácie proporcií. Najprv musíte zoskupiť svoje údaje do kategórií a potom sa rozhodnúť, ktorý spôsob zobrazenia údajov je najlepší - koláč, donut alebo waffle. Všetky sú chutné a poskytujú používateľovi okamžitý prehľad o datasete. ## 🚀 Výzva Skúste tieto chutné grafy vytvoriť v [Charticulator](https://charticulator.com). ## [Kvíz po lekcii](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) ## Prehľad a samoštúdium Niekedy nie je zrejmé, kedy použiť koláčový, donutový alebo waflový graf. Tu je niekoľko článkov na túto tému: 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 Urobte si výskum, aby ste našli viac informácií o tomto náročnom rozhodovaní. ## Zadanie [Skúste to v Exceli](assignment.md) --- **Upozornenie**: Tento dokument bol preložený pomocou služby AI prekladu [Co-op Translator](https://github.com/Azure/co-op-translator). Hoci sa snažíme o presnosť, prosím, berte na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nie sme zodpovední za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.