Visualizzazione dei dati più sottoutilizzata [chiuso]

Istogrammi e grafici a dispersione sono ottimi metodi per visualizzare i dati e la relazione tra le variabili, ma recentemente mi sono chiesto quali tecniche di visualizzazione mi mancano. Quale pensi sia il tipo di trama più sottoutilizzato?

Le risposte dovrebbero:

1. Non essere molto comunemente usato in pratica.
2. Sii comprensibile senza molte discussioni di background.
3. Essere applicabile in molte situazioni comuni.
4. Includi codice riproducibile per creare un esempio (preferibilmente in R). Un'immagine collegata sarebbe bella.

Sono davvero d'accordo con gli altri poster: i libri di Tufte sono fantastici e vale la pena leggerli.

In primo luogo, vorrei indicarti un bellissimo tutorial su ggplot2 e ggobi da "Looking at Data" all'inizio di quest'anno. Oltre a ciò vorrei solo evidenziare una visualizzazione da R e due pacchetti grafici (che non sono così ampiamente utilizzati come grafica di base, reticolo o ggplot):

Mappe di calore

Mi piacciono molto le visualizzazioni in grado di gestire dati multivariati, in particolare i dati di serie temporali. Le mappe di calore possono essere utili per questo. Uno davvero pulito è stato descritto da David Smith sul blog Revolutions . Ecco il codice ggplot per gentile concessione di Hadley:

stock <- "MSFT"
start.date <- "2006-01-12"
end.date <- Sys.Date()
quote <- paste("http://ichart.finance.yahoo.com/table.csv?s=",
                stock, "&a=", substr(start.date,6,7),
                "&b=", substr(start.date, 9, 10),
                "&c=", substr(start.date, 1,4), 
                "&d=", substr(end.date,6,7),
                "&e=", substr(end.date, 9, 10),
                "&f=", substr(end.date, 1,4),
                "&g=d&ignore=.csv", sep="")    
stock.data <- read.csv(quote, as.is=TRUE)
stock.data <- transform(stock.data,
  week = as.POSIXlt(Date)$yday %/% 7 + 1,
  wday = as.POSIXlt(Date)$wday,
  year = as.POSIXlt(Date)$year + 1900)

library(ggplot2)
ggplot(stock.data, aes(week, wday, fill = Adj.Close)) + 
  geom_tile(colour = "white") + 
  scale_fill_gradientn(colours = c("#D61818","#FFAE63","#FFFFBD","#B5E384")) + 
  facet_wrap(~ year, ncol = 1)

Che finisce per apparire un po 'così:

RGL: grafica 3D interattiva

Un altro pacchetto che vale la pena imparare è RGL , che offre facilmente la possibilità di creare grafica 3D interattiva. Ci sono molti esempi online per questo (incluso nella documentazione di rgl).

R-Wiki ha un bell'esempio di come tracciare grafici a dispersione 3D usando rgl.

GGobi

Un altro pacchetto che vale la pena conoscere è rggobi . C'è un libro Springer sull'argomento e molta documentazione / esempi online, incluso il corso "Looking at Data" .

Mi piacciono molto i dotplot e, quando li consiglio ad altri per problemi di dati appropriati, sono sempre sorpresi e felici. Non sembrano essere molto utili e non riesco a capire perché.

Ecco un esempio di Quick-R:

Credo che Cleveland sia il principale responsabile dello sviluppo e della divulgazione di questi, e l'esempio nel suo libro (in cui i dati errati sono stati facilmente rilevati con un dotplot) è un argomento forte per il loro uso. Nota che l'esempio sopra mette solo un punto per linea, mentre il loro vero potere viene fornito con più punti su ogni linea, con una legenda che spiega quale è quale. Ad esempio, è possibile utilizzare simboli o colori diversi per tre diversi punti temporali e quindi ottenere facilmente un senso dei modelli temporali in diverse categorie.

Nel seguente esempio (fatto in Excel di tutte le cose!), Puoi vedere chiaramente quale categoria potrebbe aver subito uno scambio di etichette.

I grafici che utilizzano coordinate polari sono sicuramente sottoutilizzati - alcuni potrebbero dire con una buona ragione. Penso che le situazioni che giustificano il loro uso non siano comuni; Penso anche che quando si presentano tali situazioni, i grafici polari possono rivelare modelli nei dati che i grafici lineari non possono.

Penso che sia perché a volte i tuoi dati sono intrinsecamente polari piuttosto che lineari - ad esempio, sono ciclici (coordinate x che rappresentano i tempi durante il giorno di 24 ore su più giorni), oppure i dati erano precedentemente mappati su uno spazio polare.

Ecco un esempio Questo diagramma mostra il volume medio di traffico di un sito Web per ora. Notare i due picchi alle 22:00 e all'01: 00. Per gli ingegneri di rete del sito, quelli sono significativi; è anche significativo che si verifichino l'uno vicino all'altro (a sole due ore di distanza). Ma se si tracciano gli stessi dati su un sistema di coordinate tradizionale, questo modello sarebbe completamente nascosto - tracciato linearmente, questi due picchi sarebbero distanti 20 ore l'una dall'altra, ma sono anche solo due ore l'una dall'altra in giorni consecutivi. La tabella polare sopra mostra questo in modo parsimonioso e intuitivo (non è necessaria una legenda).

Esistono due modi (di cui sono a conoscenza) per creare grafici come questo usando R (ho creato il diagramma sopra w / R). Uno è codificare la propria funzione nei sistemi grafici di base o della griglia. L'altro modo, che è più semplice, è usare il pacchetto circolare . La funzione che useresti è ' rose.diag ':

data = c(35, 78, 34, 25, 21, 17, 22, 19, 25, 18, 25, 21, 16, 20, 26, 
                 19, 24, 18, 23, 25, 24, 25, 71, 27)
three_palettes = c(brewer.pal(12, "Set3"), brewer.pal(8, "Accent"), 
                   brewer.pal(9, "Set1"))
rose.diag(data, bins=24, main="Daily Site Traffic by Hour", col=three_palettes)

Se il tuo diagramma a dispersione ha così tanti punti da diventare un disastro completo, prova un diagramma a dispersione levigato. Ecco un esempio:

library(mlbench) ## this package has a smiley function
n <- 1e5 ## number of points
p <- mlbench.smiley(n,sd1 = 0.4, sd2 = 0.4) ## make a smiley :-)
x <- p$x[,1]; y <- p$x[,2]
par(mfrow = c(1,2)) ## plot side by side
plot(x,y) ## left plot, regular scatter plot
smoothScatter(x,y) ## right plot, smoothed scatter plot

Il hexbinpacchetto (suggerito da @Dirk Eddelbuettel) viene utilizzato per lo stesso scopo, ma smoothScatter()ha il vantaggio di appartenere al graphicspacchetto e fa quindi parte dell'installazione R standard.

Per quanto riguarda sparkline e altre idee di Tufte, il pacchetto YaleToolkit su CRAN fornisce funzioni sparklinee sparklines.

Un altro pacchetto utile per set di dati più grandi è hexbin in quanto " divide" in modo intelligente i dati in bucket per gestire set di dati che potrebbero essere troppo grandi per i grafici a dispersione ingenui.

Le trame di violino (che combinano trame di scatole con densità del kernel) sono relativamente esotiche e piuttosto interessanti. Il pacchetto vioplot in R ti permette di renderli abbastanza facilmente.

Ecco un esempio (il link di Wikipedia mostra anche un esempio):

Un'altra visualizzazione di serie temporali che stavo solo rivedendo è il "bump chart" (come descritto in questo post sul blog "Learning R" ). Questo è molto utile per visualizzare i cambiamenti di posizione nel tempo.

Puoi leggere come crearlo su http://learnr.wordpress.com/ , ma è così che si presenta:

Mi piacciono anche le modifiche dei grafici a scatole di Tufte che ti permettono di fare paragoni con piccoli multipli molto più facilmente perché sono molto "sottili" in orizzontale e non ingombrano la trama con inchiostro ridondante. Tuttavia, funziona meglio con un numero abbastanza elevato di categorie; se ne hai solo alcuni su una trama, i normali grafici a scatole (Tukey) sembrano migliori poiché hanno un po 'più di peso.

library(lattice)
library(taRifx)
compareplot(~weight | Diet * Time * Chick, 
  data.frame=cw , 
  main = "Chick Weights",
  box.show.mean=FALSE,
  box.show.whiskers=FALSE,
  box.show.box=FALSE
  )

In questa domanda vengono discussi altri modi per realizzarli (incluso l'altro tipo di diagramma a scatole Tufte) .

Non dovremmo dimenticare la trama di gambo e foglia carina e (storicamente) importante (che anche Tufte ama!). Ottieni una panoramica direttamente numerica della tua densità e forma dei tuoi dati (ovviamente se il tuo set di dati non è più grande di circa 200 punti). In R, la funzione stemproduce il tuo display stem-and-leaf (nell'area di lavoro). Preferisco usare la gstemfunzione dal pacchetto fmsb per disegnarlo direttamente in un dispositivo grafico. Di seguito è riportato uno scostamento della temperatura corporea del castoro (i dati devono essere nel set di dati predefinito) in un display stelo per foglia:

  require(fmsb)
  gstem(beaver1$temp)

Grafici Horizon (pdf), per visualizzare contemporaneamente più serie temporali.

Grafici di coordinate parallele (pdf), per analisi multivariate.

Grafici di associazione e mosaico , per la visualizzazione di tabelle di contingenza (vedere il pacchetto vcd )

Oltre all'eccellente lavoro di Tufte, raccomando i libri di William S. Cleveland: Visualizzazione dei dati e The Elements of Graphing Data . Non solo sono eccellenti, ma sono stati tutti eseguiti in R, e credo che il codice sia pubblicamente disponibile.

Grafici a scatole! Esempio dalla guida R:

boxplot(count ~ spray, data = InsectSprays, col = "lightgray")

Secondo me è il modo più utile per dare una rapida occhiata ai dati o per confrontare le distribuzioni. Per distribuzioni più complesse c'è un'estensione chiamata vioplot.

Le trame di mosaico mi sembrano soddisfare tutti e quattro i criteri citati. Ci sono esempi in r, in mosaicplot.

Dai un'occhiata al lavoro di Edward Tufte e soprattutto a questo libro

Puoi anche provare a catturare la sua presentazione itinerante . È abbastanza buono e include un gruppo di quattro dei suoi libri. (giuro che non possiedo le azioni del suo editore!)

A proposito, mi piace la sua tecnica di visualizzazione dei dati sparkline. Sorpresa! Google l'ha già scritto e pubblicato su Google Code

Grafici di riepilogo? Come menzionato in questa pagina:

Visualizzazione delle statistiche riassuntive e dell'incertezza