History

localizeflow[bot] 7803b10dca chore(i18n): sync translations with latest source changes (chunk 1/1, 90 changes)		5 months ago
..
README.md	chore(i18n): sync translations with latest source changes (chunk 1/1, 90 changes)	5 months ago

README.md

Visualizing Proportions


Visualizing Proportions - Sketchnote by @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 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.

Pre-lecture quiz

మీ మష్రూమ్స్ ను తెలుసుకోండి 🍄

మష్రూమ్స్ చాలా ఆసక్తికరమైనవి. వాటిని అధ్యయనం చేయడానికి ఒక dataset ను దిగుమతి చేద్దాం:

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:

names(mushrooms)

ఫలితం:

[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:

library(dplyr)
grouped=mushrooms %>%
  group_by(class) %>%
  summarise(count=n())

ఇప్పుడు, మీరు మష్రూమ్స్ డేటాను ప్రింట్ చేస్తే, అది poisonous/edible క్లాస్ ప్రకారం వర్గీకరించబడిందని చూడవచ్చు:

View(grouped)

class	count
Edible	4208
Poisonous	3916

ఈ పట్టికలో చూపించిన క్రమాన్ని అనుసరించి మీ class category లేబుల్స్ సృష్టిస్తే, మీరు పై చార్ట్ తయారు చేయవచ్చు.

పై!

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!

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:

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:

library(ggplot2)
library(webr)
PieDonut(habitat, aes(habitat, count=count))

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 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 అనే సహాయక లైబ్రరీని ఇన్‌స్టాల్ చేసి, దానిని ఉపయోగించి విజువలైజేషన్ సృష్టించాలి:

install.packages("waffle", repos = "https://cinc.rud.is")

మీ డేటా నుండి ఒక భాగాన్ని ఎంచుకోండి:

library(dplyr)
cap_color=mushrooms %>%
  group_by(cap.color) %>%
  summarise(count=n())
View(cap_color)

లేబుల్స్ సృష్టించి, డేటాను వర్గీకరించి వాఫిల్ చార్ట్ సృష్టించండి:

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!

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 లో మళ్లీ సృష్టించడానికి ప్రయత్నించండి.

Post-lecture quiz

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

అస్పష్టత:
ఈ పత్రాన్ని AI అనువాద సేవ 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.