Data-Science-For-Beginners/translations/hu/3-Data-Visualization/R/09-visualization-quantities

Mennyiségek vizualizálása

Mennyiségek vizualizálása - Sketchnote by @nitya

Ebben a leckében felfedezheted, hogyan használhatod az R nyelvben elérhető számos csomagot és könyvtárat, hogy érdekes vizualizációkat készíts a mennyiségek fogalma köré. Egy tisztított adatállomány segítségével, amely Minnesota madarairól szól, sok érdekes tényt tanulhatsz a helyi vadvilágról.

Előadás előtti kvíz

Szárnyfesztáv megfigyelése ggplot2-vel

Egy kiváló könyvtár, amely egyszerű és összetett diagramok és grafikonok készítésére alkalmas, a ggplot2. Általánosságban a folyamat, amely során adatokat ábrázolunk ezekkel a könyvtárakkal, magában foglalja az adatkeret azon részeinek azonosítását, amelyeket meg szeretnénk célozni, az adatok szükséges átalakítását, az x és y tengely értékeinek hozzárendelését, a megjelenítendő diagram típusának kiválasztását, majd a diagram megjelenítését.

A ggplot2 egy rendszer, amely deklaratív módon hoz létre grafikákat, a grafikai nyelvtan (Grammar of Graphics) alapján. A grafikai nyelvtan egy általános séma az adatvizualizációhoz, amely a grafikonokat szemantikai összetevőkre bontja, mint például skálák és rétegek. Más szavakkal, az egyszerű kódolással történő univariáns vagy multivariáns adatok grafikonjainak létrehozásának könnyedsége teszi a ggplot2-t az R nyelvben a legnépszerűbb vizualizációs csomaggá. A felhasználó megadja a ggplot2-nek, hogyan térképezze fel a változókat az esztétikára, milyen grafikai primitíveket használjon, és a ggplot2 elvégzi a többit.

✅ Diagram = Adatok + Esztétika + Geometria

• Az adatok az adatállományt jelentik
• Az esztétika a vizsgálandó változókat jelöli (x és y változók)
• A geometria a diagram típusát jelenti (vonaldiagram, oszlopdiagram stb.)

Válaszd ki a legjobb geometriát (diagramtípust) az adataid és a történet alapján, amit el szeretnél mesélni a diagramon keresztül.

• Trendek elemzéséhez: vonal, oszlop
• Értékek összehasonlításához: oszlop, kördiagram, szórásdiagram
• Az egészhez való viszony bemutatásához: kördiagram
• Az adatok eloszlásának bemutatásához: szórásdiagram, oszlopdiagram
• Értékek közötti kapcsolatok bemutatásához: vonal, szórásdiagram, buborékdiagram

✅ Nézd meg ezt a leíró cheatsheetet a ggplot2-hez.

Készíts vonaldiagramot a madarak szárnyfesztáv értékeiről

Nyisd meg az R konzolt, és importáld az adatállományt.

Megjegyzés: Az adatállomány a repo gyökérkönyvtárában található, a /data mappában.

Importáljuk az adatállományt, és nézzük meg az adatok elejét (első 5 sor).

birds <- read.csv("../../data/birds.csv",fileEncoding="UTF-8-BOM")
head(birds)

Az adatok eleje szöveg és számok keverékét tartalmazza:

	Név	TudományosNév	Kategória	Rend	Család	Nemzetség	TermészetvédelmiStátusz	MinHossz	MaxHossz	MinTestTömeg	MaxTestTömeg	MinSzárnyfesztáv	MaxSzárnyfesztáv
0	Feketehasú sípoló kacsa	Dendrocygna autumnalis	Kacsák/Ludak/Vízimadarak	Anseriformes	Anatidae	Dendrocygna	LC	47	56	652	1020	76	94
1	Fulvous sípoló kacsa	Dendrocygna bicolor	Kacsák/Ludak/Vízimadarak	Anseriformes	Anatidae	Dendrocygna	LC	45	53	712	1050	85	93
2	Hóliba	Anser caerulescens	Kacsák/Ludak/Vízimadarak	Anseriformes	Anatidae	Anser	LC	64	79	2050	4050	135	165
3	Ross-liba	Anser rossii	Kacsák/Ludak/Vízimadarak	Anseriformes	Anatidae	Anser	LC	57.3	64	1066	1567	113	116
4	Nagy fehérhomlokú lúd	Anser albifrons	Kacsák/Ludak/Vízimadarak	Anseriformes	Anatidae	Anser	LC	64	81	1930	3310	130	165

Kezdjük el néhány numerikus adat ábrázolását egy alapvető vonaldiagram segítségével. Tegyük fel, hogy szeretnénk látni ezeknek az érdekes madaraknak a maximális szárnyfesztávját.

install.packages("ggplot2")
library("ggplot2")
ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
  geom_line() 

Itt telepítjük a ggplot2 csomagot, majd importáljuk a munkaterületre a library("ggplot2") paranccsal. Bármilyen diagramot a ggplotban a ggplot() függvénnyel készítünk, és megadjuk az adatállományt, az x és y változókat attribútumként. Ebben az esetben a geom_line() függvényt használjuk, mivel vonaldiagramot szeretnénk ábrázolni.

Mit veszel észre azonnal? Úgy tűnik, van legalább egy kiugró érték - ez elég nagy szárnyfesztáv! Egy 2000+ centiméteres szárnyfesztáv több mint 20 métert jelent - vajon Pterodactylusok kószálnak Minnesotában? Vizsgáljuk meg.

Bár gyorsan rendezhetnéd az adatokat Excelben, hogy megtaláld ezeket a kiugró értékeket, amelyek valószínűleg elírások, folytasd a vizualizációs folyamatot a diagramon belülről.

Adj címkéket az x-tengelyhez, hogy megmutasd, milyen madarakról van szó:

ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
  geom_line() +
  theme(axis.text.x = element_text(angle = 45, hjust=1))+
  xlab("Birds") +
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters")

A szögek megadását a theme-ben végezzük, az x és y tengely címkéit pedig a xlab() és ylab() segítségével adjuk meg. A ggtitle() nevet ad a diagramnak/grafikonnak.

Még a címkék 45 fokos elforgatásával is túl sok van ahhoz, hogy olvasható legyen. Próbáljunk ki egy másik stratégiát: csak a kiugró értékeket címkézzük meg, és helyezzük el a címkéket a diagramon belül. Használhatunk szórásdiagramot, hogy több helyet biztosítsunk a címkézéshez:

ggplot(data=birds, aes(x=Name, y=MaxWingspan,group=1)) +
  geom_point() +
  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) + 
  theme(axis.title.x=element_blank(), axis.text.x=element_blank(), axis.ticks.x=element_blank())
  ylab("Wingspan (CM)") +
  ggtitle("Max Wingspan in Centimeters") + 

Mi történik itt? A geom_point() függvényt használjuk szóráspontok ábrázolására. Ezzel címkéket adtunk azoknak a madaraknak, amelyeknek MaxWingspan > 500, és elrejtettük az x tengely címkéit, hogy tisztább legyen a diagram.

Mit fedezel fel?

Szűrd az adataidat

Mind a kopasz sas, mind a prérisólyom, bár valószínűleg nagyon nagy madarak, valószínűleg hibásan vannak címkézve, egy extra 0-val a maximális szárnyfesztávjuknál. Nem valószínű, hogy találkozol egy 25 méteres szárnyfesztávú kopasz sassal, de ha igen, kérlek, értesíts minket! Hozzunk létre egy új adatkeretet ezek nélkül a kiugró értékek nélkül:

birds_filtered <- subset(birds, MaxWingspan < 500)

ggplot(data=birds_filtered, aes(x=Name, y=MaxWingspan,group=1)) +
  geom_point() +
  ylab("Wingspan (CM)") +
  xlab("Birds") +
  ggtitle("Max Wingspan in Centimeters") + 
  geom_text(aes(label=ifelse(MaxWingspan>500,as.character(Name),'')),hjust=0,vjust=0) +
  theme(axis.text.x=element_blank(), axis.ticks.x=element_blank())

Létrehoztunk egy új adatkeretet birds_filtered néven, majd szórásdiagramot ábrázoltunk. A kiugró értékek kiszűrésével az adataid most összefüggőbbek és érthetőbbek.

Most, hogy legalább a szárnyfesztáv szempontjából tisztább adatállományunk van, fedezzünk fel többet ezekről a madarakról.

Bár a vonal- és szórásdiagramok információkat tudnak megjeleníteni az adatértékekről és azok eloszlásáról, gondolkodjunk el az adatállományban rejlő értékeken. Készíthetnénk vizualizációkat, hogy megválaszoljuk a következő kérdéseket a mennyiségekről:

Hány madárkategória van, és milyen számban?
Hány madár kihalt, veszélyeztetett, ritka vagy gyakori?
Hány van a különböző nemzetségek és rendek közül Linnaeus terminológiája szerint?

Fedezzük fel az oszlopdiagramokat

Az oszlopdiagramok praktikusak, ha az adatok csoportosítását kell bemutatni. Fedezzük fel, milyen madárkategóriák léteznek ebben az adatállományban, hogy lássuk, melyik a leggyakoribb szám szerint.
Készítsünk oszlopdiagramot a szűrt adatok alapján.

install.packages("dplyr")
install.packages("tidyverse")

library(lubridate)
library(scales)
library(dplyr)
library(ggplot2)
library(tidyverse)

birds_filtered %>% group_by(Category) %>%
  summarise(n=n(),
  MinLength = mean(MinLength),
  MaxLength = mean(MaxLength),
  MinBodyMass = mean(MinBodyMass),
  MaxBodyMass = mean(MaxBodyMass),
  MinWingspan=mean(MinWingspan),
  MaxWingspan=mean(MaxWingspan)) %>% 
  gather("key", "value", - c(Category, n)) %>%
  ggplot(aes(x = Category, y = value, group = key, fill = key)) +
  geom_bar(stat = "identity") +
  scale_fill_manual(values = c("#D62728", "#FF7F0E", "#8C564B","#2CA02C", "#1F77B4", "#9467BD")) +                   
  xlab("Category")+ggtitle("Birds of Minnesota")

A következő kódrészletben telepítjük a dplyr és lubridate csomagokat, hogy segítsenek az adatok manipulálásában és csoportosításában, majd egy halmozott oszlopdiagramot ábrázolunk. Először csoportosítjuk az adatokat a madár Category szerint, majd összesítjük a MinLength, MaxLength, MinBodyMass, MaxBodyMass, MinWingspan, MaxWingspan oszlopokat. Ezután a ggplot2 csomag segítségével ábrázoljuk az oszlopdiagramot, megadva a különböző kategóriák színeit és címkéit.

Ez az oszlopdiagram azonban olvashatatlan, mert túl sok nem csoportosított adat van. Ki kell választanunk csak azokat az adatokat, amelyeket ábrázolni szeretnénk, így nézzük meg a madarak hosszát kategóriájuk alapján.

Szűrd az adataidat, hogy csak a madár kategóriáját tartalmazza.

Mivel sok kategória van, ezt a diagramot függőlegesen is megjelenítheted, és a magasságát úgy állíthatod be, hogy az összes adat beleférjen:

birds_count<-dplyr::count(birds_filtered, Category, sort = TRUE)
birds_count$Category <- factor(birds_count$Category, levels = birds_count$Category)
ggplot(birds_count,aes(Category,n))+geom_bar(stat="identity")+coord_flip()

Először megszámoljuk az egyedi értékeket a Category oszlopban, majd egy új adatkeretbe birds_count néven rendezzük őket. Ez a rendezett adat ugyanazon szinten van faktorizálva, hogy rendezett módon ábrázoljuk. A ggplot2 segítségével ezután oszlopdiagramot ábrázolunk. A coord_flip() vízszintes oszlopokat ábrázol.

Ez az oszlopdiagram jó képet ad arról, hogy hány madár van az egyes kategóriákban. Egy pillantás alatt látható, hogy ebben a régióban a legtöbb madár a Kacsák/Ludak/Vízimadarak kategóriába tartozik. Minnesota a "10,000 tó földje", így ez nem meglepő!

✅ Próbálj ki néhány más számítást ezen az adatállományon. Meglep valami?

Adatok összehasonlítása

Próbálj ki különböző összehasonlításokat csoportosított adatokkal, új tengelyek létrehozásával. Próbálj ki egy összehasonlítást a madarak MaxLength értéke alapján, kategóriájuk szerint:

birds_grouped <- birds_filtered %>%
  group_by(Category) %>%
  summarise(
  MaxLength = max(MaxLength, na.rm = T),
  MinLength = max(MinLength, na.rm = T)
           ) %>%
  arrange(Category)
  
ggplot(birds_grouped,aes(Category,MaxLength))+geom_bar(stat="identity")+coord_flip()

Csoportosítjuk a birds_filtered adatokat Category szerint, majd oszlopdiagramot ábrázolunk.

Semmi meglepő: a kolibriknek van a legkisebb MaxLength értéke a pelikánokhoz vagy ludakhoz képest. Jó, ha az adatok logikusak!

Érdekesebb oszlopdiagramokat készíthetsz az adatok egymásra helyezésével. Helyezzük egymásra a Minimum és Maximum Hossz értékeket egy adott madárkategóriában:

ggplot(data=birds_grouped, aes(x=Category)) +
  geom_bar(aes(y=MaxLength), stat="identity", position ="identity",  fill='blue') +
  geom_bar(aes(y=MinLength), stat="identity", position="identity", fill='orange')+
  coord_flip()

🚀 Kihívás

Ez a madár adatállomány rengeteg információt kínál különböző madártípusokról egy adott ökoszisztémában. Keress az interneten, és nézz körül, találhatsz-e más madár-orientált adatállományokat. Gyakorold a diagramok és grafikonok készítését ezekről a madarakról, hogy olyan tényeket fedezz fel, amelyeket korábban nem ismertél.

Előadás utáni kvíz

Áttekintés és önálló tanulás

Ez az első lecke némi információt adott arról, hogyan használhatod a ggplot2-t mennyiségek vizualizálására. Végezz kutatást más módszerekről, amelyekkel adatállományokat vizualizálhatsz. Kutass és keress olyan adatállományokat, amelyeket vizualizálhatsz más csomagokkal, mint például Lattice és Plotly.

Feladat

Vonaldigramok, szórásdiagramok és oszlopdiagramok

---

Felelősség kizárása:
Ez a dokumentum az AI fordítási szolgáltatás, a Co-op Translator segítségével lett lefordítva. Bár törekszünk a pontosságra, kérjük, vegye figyelembe, hogy az automatikus fordítások hibákat vagy pontatlanságokat tartalmazhatnak. Az eredeti dokumentum az eredeti nyelvén tekintendő hiteles forrásnak. Kritikus információk esetén javasolt professzionális, emberi fordítást igénybe venni. Nem vállalunk felelősséget semmilyen félreértésért vagy téves értelmezésért, amely a fordítás használatából eredhet.