# Visualizing Proportions |![ Sketchnote by [(@sketchthedocs)](https://sketchthedocs.dev) ](../../../sketchnotes/11-Visualizing-Proportions.png)| |:---:| |Visualizing Proportions - _Sketchnote by [@nitya](https://twitter.com/nitya)_ | ఈ పాఠంలో, మీరు మష్రూమ్స్ గురించి ఒక dataset లోని వివిధ రకాల ఫంగి ఎంతమేరలో ఉన్నాయో చూడటానికి ప్రకృతి-కేంద్రీకృత dataset ను ఉపయోగిస్తారు. Audubon నుండి తీసుకున్న 23 రకాల గిల్లెడ్ మష్రూమ్స్ గురించి వివరాలు ఉన్న dataset ను ఉపయోగించి ఈ ఆసక్తికరమైన ఫంగీలను పరిశీలిద్దాం. మీరు ఈ రుచికరమైన విజువలైజేషన్లతో ప్రయోగం చేయబోతున్నారు: - పై చార్ట్లు 🥧 - డోనట్ చార్ట్లు 🍩 - వాఫిల్ చార్ట్లు 🧇 > 💡 Microsoft Research నుండి వచ్చిన [Charticulator](https://charticulator.com) అనే చాలా ఆసక్తికరమైన ప్రాజెక్ట్ డేటా విజువలైజేషన్ల కోసం ఉచిత డ్రాగ్ అండ్ డ్రాప్ ఇంటర్‌ఫేస్ అందిస్తుంది. వారి ట్యుటోరియల్స్ లో ఒకటిలో కూడా ఈ మష్రూమ్ dataset ఉపయోగించారు! కాబట్టి మీరు డేటాను అన్వేషించి లైబ్రరీని ఒకేసారి నేర్చుకోవచ్చు: [Charticulator tutorial](https://charticulator.com/tutorials/tutorial4.html). ## [Pre-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/20) ## మీ మష్రూమ్స్ ను తెలుసుకోండి 🍄 మష్రూమ్స్ చాలా ఆసక్తికరమైనవి. వాటిని అధ్యయనం చేయడానికి ఒక dataset ను దిగుమతి చేద్దాం: ```r mushrooms = read.csv('../../data/mushrooms.csv') head(mushrooms) ``` ఒక పట్టిక విశ్లేషణకు మంచి డేటాతో ప్రింట్ అవుతుంది: | class | cap-shape | cap-surface | cap-color | bruises | odor | gill-attachment | gill-spacing | gill-size | gill-color | stalk-shape | stalk-root | stalk-surface-above-ring | stalk-surface-below-ring | stalk-color-above-ring | stalk-color-below-ring | veil-type | veil-color | ring-number | ring-type | spore-print-color | population | habitat | | --------- | --------- | ----------- | --------- | ------- | ------- | --------------- | ------------ | --------- | ---------- | ----------- | ---------- | ------------------------ | ------------------------ | ---------------------- | ---------------------- | --------- | ---------- | ----------- | --------- | ----------------- | ---------- | ------- | | Poisonous | Convex | Smooth | Brown | Bruises | Pungent | Free | Close | Narrow | Black | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | | Edible | Convex | Smooth | Yellow | Bruises | Almond | Free | Close | Broad | Black | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Grasses | | Edible | Bell | Smooth | White | Bruises | Anise | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Brown | Numerous | Meadows | | Poisonous | Convex | Scaly | White | Bruises | Pungent | Free | Close | Narrow | Brown | Enlarging | Equal | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Scattered | Urban | Edible | Convex |Smooth | Green | No Bruises| None |Free | Crowded | Broad | Black | Tapering | Equal | Smooth | Smooth | White | White | Partial | White | One | Evanescent | Brown | Abundant | Grasses |Edible | Convex | Scaly | Yellow | Bruises | Almond | Free | Close | Broad | Brown | Enlarging | Club | Smooth | Smooth | White | White | Partial | White | One | Pendant | Black | Numerous | Grasses తక్షణమే, మీరు గమనిస్తారు అన్ని డేటా వచన రూపంలో ఉంది. మీరు ఈ డేటాను చార్ట్ లో ఉపయోగించడానికి మార్చుకోవాలి. చాలా డేటా వాస్తవానికి ఒక ఆబ్జెక్ట్ రూపంలో ఉంటుంది: ```r names(mushrooms) ``` ఫలితం: ```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" ``` ఈ డేటాను తీసుకుని 'class' కాలమ్ ను category గా మార్చండి: ```r library(dplyr) grouped=mushrooms %>% group_by(class) %>% summarise(count=n()) ``` ఇప్పుడు, మీరు మష్రూమ్స్ డేటాను ప్రింట్ చేస్తే, అది poisonous/edible క్లాస్ ప్రకారం వర్గీకరించబడిందని చూడవచ్చు: ```r View(grouped) ``` | class | count | | --------- | --------- | | Edible | 4208 | | Poisonous| 3916 | ఈ పట్టికలో చూపించిన క్రమాన్ని అనుసరించి మీ class category లేబుల్స్ సృష్టిస్తే, మీరు పై చార్ట్ తయారు చేయవచ్చు. ## పై! ```r pie(grouped$count,grouped$class, main="Edible?") ``` ఇది, ఈ రెండు మష్రూమ్ తరగతుల ప్రకారం డేటా యొక్క నిష్పత్తులను చూపించే పై చార్ట్. లేబుల్స్ క్రమం సరిగ్గా ఉండటం చాలా ముఖ్యం, కాబట్టి లేబుల్ అర్రే ఎలా తయారవుతుందో నిర్ధారించుకోండి! ![pie chart](../../../../../translated_images/te/pie1-wb.685df063673751f4.webp) ## డోనట్స్! కొంతమేర విజువల్ గా ఆసక్తికరమైన పై చార్ట్ డోనట్ చార్ట్, ఇది మధ్యలో రంధ్రం ఉన్న పై చార్ట్. ఈ పద్ధతిని ఉపయోగించి మన డేటాను చూద్దాం. మష్రూమ్స్ పెరుగుతున్న వివిధ వాతావరణాలను చూడండి: ```r library(dplyr) habitat=mushrooms %>% group_by(habitat) %>% summarise(count=n()) View(habitat) ``` ఫలితం: | habitat| count | | --------- | --------- | | Grasses | 2148 | | Leaves| 832 | | Meadows | 292 | | Paths| 1144 | | Urban | 368 | | Waste| 192 | | Wood| 3148 | ఇక్కడ, మీరు డేటాను habitat ప్రకారం వర్గీకరిస్తున్నారు. 7 వర్గాలు ఉన్నాయి, కాబట్టి వాటిని డోనట్ చార్ట్ లేబుల్స్ గా ఉపయోగించండి: ```r library(ggplot2) library(webr) PieDonut(habitat, aes(habitat, count=count)) ``` ![donut chart](../../../../../translated_images/te/donut-wb.34e6fb275da9d834.webp) ఈ కోడ్ రెండు లైబ్రరీలు - ggplot2 మరియు webr ఉపయోగిస్తుంది. webr లైబ్రరీలో PieDonut ఫంక్షన్ ఉపయోగించి, డోనట్ చార్ట్ సులభంగా సృష్టించవచ్చు! R లో డోనట్ చార్ట్లు ggplot2 లైబ్రరీ మాత్రమే ఉపయోగించి కూడా చేయవచ్చు. మీరు దీని గురించి మరింత తెలుసుకోవచ్చు [ఇక్కడ](https://www.r-graph-gallery.com/128-ring-or-donut-plot.html) మరియు స్వయంగా ప్రయత్నించండి. ఇప్పుడు మీరు డేటాను వర్గీకరించి, దాన్ని పై లేదా డోనట్ గా ప్రదర్శించడం ఎలా చేయాలో తెలుసుకున్నారంటే, ఇతర రకాల చార్ట్లను అన్వేషించవచ్చు. వాఫిల్ చార్ట్ ప్రయత్నించండి, ఇది క్వాంటిటీని అన్వేషించడానికి వేరే విధానం. ## వాఫిల్స్! 'వాఫిల్' రకం చార్ట్ అనేది పరిమాణాలను 2D స్క్వేర్ అర్రే రూపంలో చూపించే వేరే విధానం. ఈ dataset లోని మష్రూమ్ క్యాప్ రంగుల వివిధ పరిమాణాలను విజువలైజ్ చేయండి. దీని కోసం, మీరు [waffle](https://cran.r-project.org/web/packages/waffle/waffle.pdf) అనే సహాయక లైబ్రరీని ఇన్‌స్టాల్ చేసి, దానిని ఉపయోగించి విజువలైజేషన్ సృష్టించాలి: ```r install.packages("waffle", repos = "https://cinc.rud.is") ``` మీ డేటా నుండి ఒక భాగాన్ని ఎంచుకోండి: ```r library(dplyr) cap_color=mushrooms %>% group_by(cap.color) %>% summarise(count=n()) View(cap_color) ``` లేబుల్స్ సృష్టించి, డేటాను వర్గీకరించి వాఫిల్ చార్ట్ సృష్టించండి: ```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")) ``` వాఫిల్ చార్ట్ ఉపయోగించి, ఈ మష్రూమ్ dataset లో క్యాప్ రంగుల నిష్పత్తులను స్పష్టంగా చూడవచ్చు. ఆసక్తికరంగా, చాలా గ్రీన్ క్యాప్ మష్రూమ్స్ ఉన్నాయి! ![waffle chart](../../../../../translated_images/te/waffle.aaa75c5337735a6e.webp) ఈ పాఠంలో, మీరు నిష్పత్తులను విజువలైజ్ చేయడానికి మూడు మార్గాలు నేర్చుకున్నారు. మొదట, డేటాను వర్గాలుగా వర్గీకరించి, ఆ తర్వాత డేటాను ప్రదర్శించడానికి ఉత్తమ మార్గం - పై, డోనట్ లేదా వాఫిల్ ఎంచుకోవాలి. ఇవన్నీ రుచికరమైనవి మరియు dataset యొక్క తక్షణ స్నాప్‌షాట్ తో వినియోగదారుని సంతృప్తి పరుస్తాయి. ## 🚀 సవాలు ఈ రుచికరమైన చార్ట్లను [Charticulator](https://charticulator.com) లో మళ్లీ సృష్టించడానికి ప్రయత్నించండి. ## [Post-lecture quiz](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/21) ## సమీక్ష & స్వీయ అధ్యయనం ఎప్పుడు పై, డోనట్ లేదా వాఫిల్ చార్ట్ ఉపయోగించాలో ఎప్పుడూ స్పష్టంగా ఉండదు. ఈ విషయంపై చదవడానికి కొన్ని వ్యాసాలు: 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 ఈ క్లిష్ట నిర్ణయం గురించి మరింత సమాచారం కోసం పరిశోధన చేయండి. ## అసైన్‌మెంట్ [Excel లో ప్రయత్నించండి](assignment.md) --- **అస్పష్టత**: ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. మూల పత్రం దాని స్వదేశీ భాషలో అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారితీసే అర్థాలు కోసం మేము బాధ్యత వహించము.