Die Anzeige erkunden

Jetzt können wir die Anzeige navigieren und uns die Plots für jede Aktie ansehen. Erkunde die Anzeige und schau, was du allgemein über die Daten lernen kannst. Wenn du deine Neugier gestillt hast, nutze deine Navigationsskills, um die folgende Frage zu beantworten: Welchen höchsten Tageshöchstkurs erreichte Nvidia Corporation (Symbol: NVDA) im Jahr 2016?

Diese Übung ist Teil des Kurses

<Kurs>Big Data mit Trelliscope in R visualisieren</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Big Data mit Trelliscope in R visualisieren</Kurs>

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne verschiedene Strategien, um Big Data mit ggplot2 zu plotten, darunter das Berechnen und Darstellen von zusammenfassenden Statistiken, verschiedene Techniken gegen Overplotting und die Prinzipien von Small Multiples mit Faceting, die zu Trelliscope führen.

Exercise 1: Zusammenfassungen visualisieren Exercise 2: Tägliche Fahrtenanzahl Exercise 3: Verteilung des Taxifahrpreises Exercise 4: Verteilung der Zahlungsart Exercise 5: Zusammenfassungen mit mehr Details versehen Exercise 6: Zusammenhang zwischen Fahrtdauer und Gesamtfahrpreis Exercise 7: Daily Rides facettieren Exercise 8: Verteilung der Trinkgeldbeträge nach Zahlungsart facettiert Exercise 9: Teilbereiche visualisieren Exercise 10: Vergleich der Fahrpreisverteilung nach Zahlungsart Exercise 11: Alle Teilmengen visualisieren

Im vorherigen Kapitel hast du gesehen, wie Faceting als leistungsstarke Technik eingesetzt werden kann, um viele Daten zu visualisieren, die sich auf sinnvolle Weise natürlich partitionieren lassen. Jetzt lernst du mit dem Paket trelliscopejs in Kombination mit ggplot2, wie du facettierte Visualisierungen erstellst, wenn die Anzahl der Partitionen in den Daten zu groß wird, um sie effektiv auf einem einzigen Bildschirm zu betrachten.

Exercise 1: Faceting mit TrelliscopeJS Exercise 2: Trelliscope-Faceting von gapminder nach Land Exercise 3: Mit den TrelliscopeJS-Displays interagieren Exercise 4: Mit der Ansicht interagieren Exercise 5: Weitere Funktionen von TrelliscopeJS Exercise 6: Die gapminder-Ansicht anpassen Exercise 7: Die neuen Cognostics untersuchen Exercise 8: Eigene Cognostics hinzufügen Exercise 9: Eigene Cognostics hinzufügen Exercise 10: Eigene Cognostics interpretieren

Die Schnittstelle ggplot2 + trelliscopejs ist leicht zu verwenden, aber trelliscopejs bietet auch einen facettierten Plot-Mechanismus, der dir viel mehr Flexibilität gibt – sowohl beim gewählten Plot-System als auch bei der Spezifikation von Cognostics. All das lernst du in diesem Kapitel!

Exercise 1: Trelliscope im Tidyverse Exercise 2: Gruppieren und Verschachteln Exercise 3: Aktienkurs-Display Exercise 4: Die Anzeige erkunden

Aktuelle Übung

Exercise 5: Cognostics Exercise 6: Cognostics hinzufügen Exercise 7: Cognostics aus geschachtelten Data Frames Exercise 8: Aktienplots mit neuen Cognostics navigieren Exercise 9: Trelliscope-Optionen Exercise 10: Die Aktienanzeige anpassen Exercise 11: Datenbanken mit Bildern visualisieren Exercise 12: Pokemon visualisieren Exercise 13: Die stärksten Pokémon

<a href="https://www.bixi.com" target="_blank">Das Montreal BIXI Bike-Netzwerk</a> stellt offene Daten zu jeder Fahrt bereit, darunter Datum, Uhrzeit, Dauer sowie Start- und Endstation. In diesem Kapitel analysierst du Daten von über 4 Millionen Fahrten im Jahr 2017 zwischen 546 Stationen. Aus diesen Daten lassen sich viele spannende explorative Fragen ableiten, und du erstellst explorative Visualisierungen von Zusammenfassungsstatistiken bis hin zu detaillierten Trelliscope-Visualisierungen, die dir interessante Einblicke in die Daten geben.

Exercise 1: Montrealer BIXI-Fahrraddaten Exercise 2: Anzahl täglicher Fahrten Exercise 3: Tageszeiten untersuchen Exercise 4: Einfluss von Mitgliedschaft und Wochentag Exercise 5: Rückblick: Zusammenfassende Visualisierung Exercise 6: Tagesplots Exercise 7: Alle Tage betrachten Exercise 8: Datensatz der Top 100 Routen Exercise 9: Daten anreichern: Routen-Zusammenfassungsstatistiken Exercise 10: Daten visualisieren: Anzahl nach Stunde des Tages Exercise 11: Visualisierung bewerten Exercise 12: Auf Wiedersehen