Gör dina visualiseringar effektiva

Create Your Free Account

or

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

Den här övningen är en del av kursen

Förbättra dina datavisualiseringar i Python

SkillTag.level.intermediateSkillTag.label

4.8+

307 reviews

Starta kursen gratis

Hur visar du alla dina data och samtidigt ser till att tittarna inte missar viktiga punkter? Här diskuterar vi hur du vägleder tittaren genom data med färgbaserade markeringar och text. Vi introducerar också ett dataset om vanliga föroreningsvärden i hela USA.

Exercise 1: Markera data Exercise 2: Hårdkoda en markering Exercise 3: Skapa en markering programmatiskt Exercise 4: Jämföra grupper Exercise 5: Jämförelse med två KDE-diagram Exercise 6: Förbättra dina KDE-diagram Exercise 7: Beeswarm-diagram Exercise 8: Annotationer Exercise 9: En enkel textannotering Exercise 10: Pilanteckningar Exercise 11: Kombinera annotationer och färg

Färg är ett kraftfullt verktyg för att koda värden i datavisualisering. Men med den kraften följer också risker. I det här kapitlet går vi igenom hur du väljer en lämplig färgpalett för din visualisering baserat på vilken typ av data den visar.

Exercise 1: Färg i visualiseringar Exercise 2: Ta bort onödiga färger Exercise 3: Åtgärda Seaborns stapeldiagram Exercise 4: Kontinuerliga färgpaletter Exercise 5: Skapa en anpassad kontinuerlig palett Exercise 6: Anpassa en heatmap med divergerande palett Exercise 7: Anpassa paletten efter sammanhanget Exercise 8: Kategoriska paletter Exercise 9: Använda en anpassad kategorisk palett Exercise 10: Hantera för många kategorier Exercise 11: Färgsättning av ordinala kategorier Exercise 12: Välj rätt variabel att koda med färg

Osäkerhet förekommer överallt inom datavetenskap, men utelämnas ofta i visualiseringar där den borde ingå. Här går vi igenom vad ett konfidensintervall är och hur man visualiserar sådana för både enskilda skattningar och kontinuerliga funktioner. Vi diskuterar också bootstrap-omsamplingsmetoden för att bedöma osäkerhet och hur man visualiserar den på rätt sätt.

Exercise 1: Intervall för punktskattningar Exercise 2: Grundläggande konfidensintervall Exercise 3: Annotera konfidensintervall Exercise 4: Konfidensband Exercise 5: Skapa ett konfidensband Exercise 6: Separera överlappande band Exercise 7: Städa upp band för överlapp Exercise 8: Bortom 95%Exercise 9: Intervall på 90, 95 och 99 %Exercise 10: 90- och 95-procentiga band Exercise 11: Bandtjocklek i stället för färgkodning Exercise 12: Visualisera bootstrap Exercise 13: Bootstrap-histogrammet Exercise 14: Bootstrappade regressioner Exercise 15: Många bootstraps med beeswarm-diagram

Visualisering lärs ofta ut isolerat, med bästa praxis diskuterad enbart på ett generellt plan. I verkligheten behöver du anpassa reglerna efter olika situationer. Från röriga utforskande visualiseringar till att finjustera teckenstorlekarna i din slutprodukt – i det här kapitlet går vi igenom hur du optimerar dina visualiseringar i varje steg av ett datavetenskapligt arbetsflöde.

Exercise 1: Första utforskningarna Exercise 2: Utforska bondsmarknadsdata Exercise 3: Spridningsmatris för numeriska kolumner Exercise 4: Utforska med grundläggande transformationer Exercise 5: Utforska mönstren Exercise 6: Finns det ett samband mellan latitud och öppna månader?Exercise 7: Vilket delstat är mest marknadsvänligt?Exercise 8: Popularitet hos varor som säljs per delstat Exercise 9: Gör dina visualiseringar effektiva

Aktuell övning

Exercise 10: Stapla diagram för att hitta trender Exercise 11: Använda ett diagram som förklaring Exercise 12: Justera dina diagram Exercise 13: Städa upp bakgrunden Exercise 14: Anpassa ett diagram Exercise 15: Förbättra läsbarheten Exercise 16: Grattis!