How do you show all of your data while making sure that viewers don't miss an important point or points? Here we discuss how to guide your viewer through the data with color-based highlights and text. We also introduce a dataset on common pollutant values across the United States.

Highlighting data

Hardcoding a highlight

Programmatically creating a highlight

Comparing groups

Comparing with two KDEs

Improving your KDEs

Beeswarms

Annotations

A basic text annotation

Arrow annotations

Combining annotations and color

Highlighting Your Data

Color is a powerful tool for encoded values in data visualization. However, with this power comes danger. In this chapter, we talk about how to choose an appropriate color palette for your visualization based upon the type of data it is showing.

Color in visualizations

Getting rid of unnecessary color

Fixing Seaborn's bar charts

Continuous color palettes

Making a custom continuous palette

Customizing a diverging palette heatmap

Adjusting your palette according to context

Categorical palettes

Using a custom categorical palette

Dealing with too many categories

Coloring ordinal categories

Choosing the right variable to encode with color

Using Color in Your Visualizations

Uncertainty occurs everywhere in data science, but it's frequently left out of visualizations where it should be included. Here, we review what a confidence interval is and how to visualize them for both single estimates and continuous functions. Additionally, we discuss the bootstrap resampling technique for assessing uncertainty and how to visualize it properly. 

Intervalli di stima puntuale

Intervalli di confidenza di base

Annotare gli intervalli di confidenza

Bande di confidenza

Creare una banda di confidenza

Separare molte bande

Pulire le bande in caso di sovrapposizioni

Oltre il 95%

Intervalli al 90, 95 e 99%

Bande al 90 e 95%

Usare lo spessore delle bande invece del colore

Visualizzare il bootstrap

L'istogramma del bootstrap

Regressioni bootstrap

Tanti bootstrap con beeswarm

Showing Uncertainty

Often visualization is taught in isolation, with best practices only discussed in a general way. In reality, you will need to bend the rules for different scenarios.  From messy exploratory visualizations to polishing the font sizes of your final product; in this chapter, we dive into how to optimize your visualizations at each step of a data science workflow.

First explorations

Looking at the farmers market data

Scatter matrix of numeric columns

Digging in with basic transforms

Exploring the patterns

Is latitude related to months open?

What state is the most market-friendly?

Popularity of goods sold by state

Making your visualizations efficient

Stacking to find trends

Using a plot as a legend

Tweaking your plots

Cleaning up the background

Remixing a plot

Enhancing legibility

Congrats!

Visualization in the Data Science Workflow

State populations dataset

U.S. farmer's markets dataset

Pollution dataset

Una grande visualizzazione dei dati è la base della data science di impatto. La visualizzazione ti aiuta sia a scoprire insight nei tuoi dati sia a condividerli con il tuo pubblico. Tutti imparano a creare uno scatter plot o un grafico a barre di base nel percorso per diventare data scientist, ma il vero potenziale della visualizzazione emerge quando ti fermi a riflettere su cosa, perché e come stai visualizzando i tuoi dati. In questo corso imparerai a costruire visualizzazioni coinvolgenti e accattivanti che ti aiutano a comunicare i risultati delle tue analisi in modo efficiente ed efficace. Tratteremo il confronto tra dati, i pro e i contro del colore, la rappresentazione dell’incertezza e come creare la visualizzazione giusta per il tuo pubblico attraverso l’analisi di insiemi di dati sull’inquinamento atmosferico negli Stati Uniti e sui mercati contadini. Concluderemo il corso esaminando dati open-access sui farmers’ market per costruire un report visivo rifinito e di grande impatto.

Python Toolbox

Introduction to Data Visualization with Matplotlib

Introduction to Data Visualization with Seaborn

Impara a creare visualizzazioni efficaci per comunicare risultati, confrontare dati e mostrare incertezze.

Migliorare le tue visualizzazioni dei dati in Python

Impara a creare visualizzazioni accattivanti e interessanti che aiutano a comunicare i risultati in modo efficiente ed efficace.

Intervalli di stima puntuale

Create Your Free Account