Datová sada 100 nejfrekventovanějších tras

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Toto cvičení je součástí kurzu

Vizualizace velkých dat s Trelliscope v R

SkillTag.level.beginnerSkillTag.label

4.8+

Naučíš se různé strategie pro vykreslování velkých dat v ggplot2 – od výpočtu a zobrazení souhrnných statistik přes různé techniky pro řešení překrývání bodů až po principy malých násobků pomocí fazetování, které tě přirozeně provede ke Trelliscope.

Exercise 1: Vizualizace souhrnů Exercise 2: Denní počty jízd Exercise 3: Rozdělení výše jízdného Exercise 4: Rozdělení typů plateb Exercise 5: Přidání dalších detailů do souhrnů Exercise 6: Vztah mezi délkou jízdy a celkovým jízdným Exercise 7: Faceting denních jízd Exercise 8: Rozdělení spropitného podle typu platby Exercise 9: Vizualizace podmnožin Exercise 10: Porovnání rozdělení jízdného podle způsobu platby Exercise 11: Vizualizace všech podmnožin

V předchozí kapitole jsi viděl/a, jak lze fazetování využít jako výkonnou techniku pro vizualizaci velkého množství dat, která lze smysluplně rozdělit do skupin. Teď se s balíčkem trelliscopejs a ggplot2 naučíš vytvářet fazetované vizualizace i tehdy, kdy je počet oddílů v datech příliš velký na to, aby se dal přehledně zobrazit na jediné obrazovce.

Exercise 1: Facetování s TrelliscopeJS Exercise 2: Trelliscope faceting gapminder podle zemí Exercise 3: Interakce s vizualizacemi TrelliscopeJS Exercise 4: Práce s vizualizací Exercise 5: Další funkce TrelliscopeJS Exercise 6: Úprava zobrazení gapminder dat Exercise 7: Prozkoumání nových kognostik Exercise 8: Přidání vlastních kognostik Exercise 9: Přidání vlastních kognostik Exercise 10: Interpretace vlastních kognostik

Rozhraní ggplot2 + trelliscopejs se snadno používá, ale trelliscopejs nabízí také mechanismus fazetovaného vykreslování, který ti dává mnohem větší flexibilitu – ať jde o volbu vykreslovacího systému, nebo o způsob definování kognostik. To vše se dozvíš v této kapitole!

Exercise 1: Trelliscope v tidyverse Exercise 2: Seskupování a vnoření Exercise 3: Zobrazení cen akcií Exercise 4: Prozkoumání zobrazení Exercise 5: Kognostiky Exercise 6: Přidávání kognostik Exercise 7: Kognostiky z vnořených datových rámců Exercise 8: Procházení grafů akcií s novými kognostiky Exercise 9: Možnosti Trelliscopu Exercise 10: Přizpůsobení zobrazení akcií Exercise 11: Vizualizace databází obrázků Exercise 12: Vizualizace Pokémonů Exercise 13: Nejsilnější Pokémon

<a href="https://www.bixi.com" target="_blank">Montréalská síť BIXI Bike</a> poskytuje otevřená data o každé jízdě na kole, včetně data, času, délky trvání a výchozí a cílové stanice. V této kapitole budeš analyzovat data z více než 4 milionů jízd v roce 2017 mezi 546 stanicemi. Tato data skrývají spoustu zajímavých průzkumných otázek – vytvoříš vizualizace od souhrnných statistik až po podrobné zobrazení v Trelliscope, které ti přinesou zajímavé poznatky.

Exercise 1: Montrealská data BIXI kol Exercise 2: Počet jízd za den Exercise 3: Analýza denní doby Exercise 4: Vliv členství a dne v týdnu Exercise 5: Shrnutí vizualizací Exercise 6: Denní grafy Exercise 7: Pohled na všechny dny Exercise 8: Datová sada 100 nejfrekventovanějších tras

Aktuální cvičení

Exercise 9: Obohacení dat: souhrnné statistiky tras Exercise 10: Vizualizace dat: Počty jízd podle hodiny dne Exercise 11: Hodnocení vizualizace Exercise 12: Au revoir