Le Pokémon le plus puissant

Maintenant que l'affichage est prêt, pouvez-vous déterminer quel est le Pokémon de 1re génération (generation_id) de type (type_1) « fire » le plus puissant (en termes d'attaque) ?

Cette activité fait partie du cours

Visualiser de grandes données avec Trelliscope en R

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Visualiser de grandes données avec Trelliscope en R

SkillTag.level.beginnerSkillTag.label

4.8+

Commencer le cours gratuitement

Apprenez différentes stratégies pour tracer de grandes données avec ggplot2, notamment le calcul et la représentation de statistiques sommaires, diverses techniques pour gérer la surimpression des points, ainsi que les principes des petits multiples avec le cloisonnement, qui mènent à Trelliscope.

Exercise 1: Visualiser des résumés Exercise 2: Comptes quotidiens des courses Exercise 3: Distribution du montant de la course en taxi Exercise 4: Distribution du type de paiement Exercise 5: Ajouter plus de détails aux résumés Exercise 6: Relation entre la durée du trajet et le tarif total Exercise 7: Facetter les trajets quotidiens Exercise 8: Répartition du pourboire selon le mode de paiement Exercise 9: Visualiser des sous-ensembles Exercise 10: Comparer la distribution des tarifs selon le mode de paiement Exercise 11: Visualiser tous les sous-ensembles

Dans le chapitre précédent, vous avez vu comment le cloisonnement peut servir de technique puissante pour visualiser beaucoup de données pouvant être naturellement partitionnées de façon pertinente. Maintenant, en utilisant le paquet trelliscopejs avec ggplot2, vous apprendrez à créer des visualisations cloisonnées lorsque le nombre de partitions dans les données devient trop élevé pour être vu efficacement sur un seul écran.

Exercise 1: Découpage en facettes avec TrelliscopeJS Exercise 2: Créer un facettage Trelliscope de gapminder par pays Exercise 3: Interagir avec les affichages TrelliscopeJS Exercise 4: Interagir avec l'affichage Exercise 5: Fonctionnalités supplémentaires de TrelliscopeJS Exercise 6: Personnaliser l'affichage de gapminder Exercise 7: Examiner les nouveaux cognostics Exercise 8: Ajouter vos propres cognostics Exercise 9: Ajouter des cognostics personnalisés Exercise 10: Interpréter des « cognostics » personnalisés

L'interface ggplot2 + trelliscopejs est simple à utiliser, mais trelliscopejs offre aussi un mécanisme de traçage cloisonné qui vous donne beaucoup plus de souplesse quant au système de graphiques utilisé et à la façon de définir les « cognostics ». Vous allez tout apprendre à ce sujet dans ce chapitre !

Exercise 1: Trelliscope dans le tidyverse Exercise 2: Regroupement et imbrication Exercise 3: Affichage du prix des actions Exercise 4: Explorer l'affichage Exercise 5: Cognostics Exercise 6: Ajout de cognitifs Exercise 7: Cognostics à partir de data frames imbriqués Exercise 8: Explorer des graphiques boursiers avec de nouveaux cognitifs Exercise 9: Options de Trelliscope Exercise 10: Personnaliser l'affichage des actions Exercise 11: Visualiser des bases de données d'images Exercise 12: Visualiser les Pokémon Exercise 13: Le Pokémon le plus puissant

Exercice en cours

<a href="https://www.bixi.com" target="_blank">Le réseau de vélos BIXI Montréal</a> fournit des données ouvertes pour chaque trajet, incluant la date, l'heure, la durée, ainsi que les stations de départ et d'arrivée. Dans ce chapitre, vous analyserez des données portant sur plus de 4 millions de trajets effectués en 2017, entre 546 stations. On peut poser de nombreuses questions exploratoires intéressantes à partir de ces données, et vous créerez des visualisations exploratoires allant de statistiques sommaires à des visualisations Trelliscope détaillées qui vous donneront un éclairage intéressant sur les données.

Exercise 1: Données des vélos BIXI de Montréal Exercise 2: Nombre de trajets quotidiens Exercise 3: Examiner l'heure de la journée Exercise 4: Effet de l'abonnement et du jour de la semaine Exercise 5: Récapitulatif des visualisations de synthèse Exercise 6: Graphiques quotidiens Exercise 7: Observer tous les jours Exercise 8: Jeu de données des 100 trajets les plus fréquentés Exercise 9: Augmenter les données : statistiques sommaires des trajets Exercise 10: Visualiser les données : dénombrements par heure de la journée Exercise 11: Évaluer la visualisation Exercise 12: Au revoir