11 KiB

Raw Permalink Blame History

Vizualizácia proporcií


Vizualizácia proporcií - Sketchnote od @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 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.

Kvíz pred lekciou

Spoznajte svoje huby 🍄

Huby sú veľmi zaujímavé. Importujme dataset, aby sme ich mohli študovať:

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:

names(mushrooms)

Výstup je:

[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:

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:

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!

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:

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:

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 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 a použiť ju na vytvorenie svojej vizualizácie:

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

Vyberte segment svojich údajov na zoskupenie:

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

Vytvorte waflový graf vytvorením štítkov a následným zoskupením údajov:

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.

Kvíz po lekcii

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

Upozornenie:
Tento dokument bol preložený pomocou služby AI prekladu 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.

11 KiB Raw Permalink Blame History