Interpretace vlastních kognostik

Na kterém kontinentu se nejvyššímu počtu zemí podařilo zvýšit střední délku života o více než 30 let?

Toto cvičení je součástí kurzu

Vizualizace velkých dat s Trelliscope v R

Zobrazit kurz

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Vizualizace velkých dat s Trelliscope v R

SkillTag.level.beginnerSkillTag.label

4.8+

43 reviews

Začněte kurz zdarma

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

Aktuální cvičení

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