數據視覺化基礎知識

為什麼要使用數據視覺化

當您需要使用具有大量資料的新資料來源時，使用資料視覺化來更好地理解資料非常重要。
資料分析過程大多時候分為 5 個步驟：

1. 擷取 - 從電子表格、SQL、網路等取得資料。
2. 乾淨 - 在這裡我們可以使用探索性視覺效果。
3. 探索 - 在這裡我們使用探索性視覺效果。
4. 分析 - 在這裡我們可以使用探索性或解釋性的視覺效果。
5. 分享 - 這裡是解釋性視覺效果的所在地。

資料類型

為了能夠為給定的度量選擇合適的繪圖，了解您正在處理的資料非常重要。

定性又稱為分類類型

名目定性數據

與項目本身沒有關聯的順序或等級的標籤。
範例：性別、婚姻狀況、菜單項目

序數定性數據

具有順序或排名的標籤。
範例：字母等級、評級

定量又稱數字類型

離散定量值

數字不能分割成更小的單位
範例：書中的頁數、公園中的樹木數量

連續定量值

數字可以分割成更小的單位
範例：身高、年齡、收入、工作時間

統計摘要

數值數據

平均值：平均值。
中位數：資料排序時的中間值。
眾數：最常出現的數值。
變異數/標準差：傳播或分散的測量。
範圍：最大值和最小值之間的差異。

分類資料

頻率：每個類別出現的次數。
模式：最常見的類別。

視覺化

您可以非常快速地洞察新資料來源，也可以更輕鬆地查看不同資料類型之間的聯繫。
因為當你只使用標準統計來總結你的數據時，你會得到最小值、最大值、平均值、中位數和眾數，但這在其他方面可能會產生誤導。就像安斯科姆四重奏所示：平均值和偏差始終相同，但數據分佈始終不同。

在資料視覺化中，我們有兩種類型：

1. 探索性資料視覺化 我們用它來深入了解數據。它不需要具有視覺吸引力。
2. 解釋性資料視覺化 當呈現給使用者時，這種視覺化效果必須準確、富有洞察力且具有視覺吸引力。

圖表垃圾、數據墨水比率和設計完整性

圖表垃圾

為了能夠心無旁騖地閱讀透過繪圖提供的信息，避免圖表垃圾非常重要。喜歡：

• 粗網格線
• 視覺效果中的圖片
• 色調
• 3d 組件
• 裝飾品
• 多餘的文字

數據墨水比

視覺效果中的圖表垃圾越少，數據墨水比率就越高。這只是意味著視覺中用於傳輸數據訊息的「墨水」越多，效果就越好。

設計完整性

謊言因子計算如下：

$$
text{謊言因子} = frac{text{圖形中顯示的效果大小}}{text{資料中的效果大小}}
$$

Delta 代表差異。因此，它是圖形中顯示的相對變化除以數據中實際的相對變化。理想情況下應該是 1。如果不是，則表示資料呈現方式與實際變化存在一些不符。

上面的例子取自wiki，在比較每個醫生的像素時，謊言因子為3，代表加州醫生的數量。

數據整齊

確保您的資料已正確清理並可供使用：

• 每個變數都是一列
• 每個觀察結果都是一行
• 每種類型的觀察單元都是一個表格

資料的單變量探索

這是指對資料集中單一變數（或特徵）的分析。

長條圖

• 總是從 0 開始繪製，以真實可比的方式呈現值。
• 將標稱資料排序
• 不要對序數資料進行排序 - 在這裡，了解最重要類別出現的頻率比最頻繁出現的頻率更重要
• 如果您有很多類別，請使用水平條形圖：將類別放在 y 軸上，以提高可讀性。

直方圖

• 長條圖的定量版本。這用於繪製數值。
• 值被分組到連續的箱中，每個箱繪製一個條形

KDE - 核密度估計

• 通常是高斯分佈或常態分佈，用來估計每個點的密度。
• KDE 圖可以更清楚地揭示趨勢和分佈形狀，特別是對於分佈不均勻的數據。

圓餅圖和圓環圖

• 資料需採用相對頻率
• 圓餅圖在最多 3 個切片時效果最佳。如果有更多的楔子要顯示，它就會變得難以閱讀，並且不同的數量也很難比較。那麼您會更喜歡長條圖。

資料的雙變量探索

分析資料集中兩個變數之間的關係。

簇狀長條圖

• 顯示兩個分類值之間的關係。這些條形根據第一個變數的層級組織成簇。

散點圖

• 每個資料點都單獨繪製為一個點，其 x 位置對應於一個特徵值，y 位置對應於第二個特徵值。
• 如果繪圖出現過度繪製（太多數據點重疊）：您可以使用透明度和抖動（每個點都稍微偏離其真實值）

熱圖

• 直方圖的二維版本
• 資料點的放置方式是其 x 位置對應於一個特徵值，其 y 位置對應於第二個特徵值。
• 繪圖區域被劃分為網格，點數在網格中相加，計數以顏色表示

小提琴情節

• 在較低的抽象層次上顯示定量（數值）和定性（分類）變數之間的關係。
• 分佈像核密度估計一樣繪製，因此我們可以有一個清晰的
• 要同時顯示關鍵統計數據，您可以在小提琴圖中嵌入箱型圖。

箱線圖

• 它還在較低的抽象層次上繪製了定量（數值）和定性（分類）變數之間的關係。
• 與小提琴圖相比，箱線圖更傾向於數據的總和，主要只是報告每個類別層級上數值的一組描述性統計。
• 它視覺化資料的五個數字摘要：最小值、第一四分位數 (Q1)、中位數 (Q2)、第三四分位數 (Q3) 和最大值。

箱型圖的關鍵元素：
方框：圖的中心部分代表四分位數範圍(IQR)，即第一個四分位數（Q1，第25 個百分位數）和第三個四分位數（Q3，第75 個百分位數）之間的範圍。這包含中間 50% 的數據。

中位數線：在方框內，一條線代表資料集的中位數（Q2，第 50 個百分位數）。

晶須：從方框延伸出來的線（稱為「晶須」）顯示 Q1 和 Q3 IQR 1.5 倍以內的資料範圍。它們通常會擴展到此範圍內的最小值和最大值。

離群值：任何超出 IQR 1.5 倍的資料點都被視為離群值，通常由鬍鬚之外的單點或標記表示。

組合小提琴圖與箱型圖

小提琴圖顯示不同類別的密度，箱線圖提供總統計

刻面

• 資料被劃分為不相交的子集，最常見的是依分類變數的不同層級劃分。對於資料的每個子集，在其他變數上呈現相同的繪圖類型，即具有不同分類值的彼此相鄰的更多直方圖。

線圖

• 用來繪製一個數字變數相對於第二個變數的趨勢。

分位數-分位數 (Q-Q) 圖

• 是一種繪圖，用於將資料集的分佈與理論分佈（如常態分佈）進行比較，或比較兩個資料集以檢查它們是否遵循相同的分佈。

群體圖

• 與散佈圖一樣，每個資料點根據其在繪製的兩個變數上的值繪製位置。與普通散佈圖中的隨機抖動點不同，點的放置盡可能接近其實際值，而不允許任何重疊。

蜘蛛情節

• 比較徑向網格上不同類別的多個變數。又稱雷達圖。

有用的連結

我的樣本筆記本

範例程式碼

用於範例圖的庫：

• Matplotlib：一個用於視覺化的多功能函式庫，但可能需要一些程式碼工作才能將常見的視覺化組合在一起。
• Seaborn：建立在 matplotlib 之上，增加了許多函數，使常見的統計視覺化更容易產生。
• pandas：雖然這個函式庫包含一些方便的方法來視覺化連接到 matplotlib 的數據，但我們主要將其用作處理數據的通用工具（https://pandas.pydata.org/Pandas_Cheat_Sheet.pdf ).

延伸閱讀：

• Anscombes Quartett：數據統計相同，但分佈不同：https://en.wikipedia.org/wiki/Anscombe%27s_quartet
• Chartchunk：https://en.wikipedia.org/wiki/Chartjunk
• 資料墨水比：https://infovis-wiki.net/wiki/Data-Ink_Ratio
• 謊言因素：https://infovis-wiki.net/wiki/Lie_Factor
• 整齊的資料：https://cran.r-project.org/web/packages/tidyr/vignettes/tidy-data.html
• 色盲友善的視覺化：https://www.tableau.com/blog/examining-data-viz-rules-dont-use-red-green-together

以上是數據視覺化基礎知識的詳細內容。更多資訊請關注PHP中文網其他相關文章！