De 100 populäraste rutterna – datamängd

Create Your Free Account

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

Visualisering av big data med Trelliscope i R

SkillTag.level.beginnerSkillTag.label

4.8+

Lär dig olika strategier för att visualisera big data med ggplot2 – bland annat hur du beräknar och plottar sammanfattande statistik, hanterar överlappning i diagram och tillämpar principerna för small multiples med fasettning, vilket leder vidare till Trelliscope.

Exercise 1: Visualisera sammanfattningar Exercise 2: Dagliga reseräkningar Exercise 3: Fördelning av taxiresans totalkostnad Exercise 4: Fördelning av betalningstyp Exercise 5: Lägg till mer detalj i sammanfattningar Exercise 6: Samband mellan resevaraktighet och totalt pris Exercise 7: Facettera dagliga resor Exercise 8: Fördelning av dricksbelopp uppdelat efter betalningstyp Exercise 9: Visualisera delmängder Exercise 10: Jämföra prisfördelning per betalningsmetod Exercise 11: Visualisera alla delmängder

I föregående kapitel såg du hur fasettning kan användas som en kraftfull teknik för att visualisera stora mängder data som på ett naturligt sätt kan delas in i meningsfulla grupper. Nu lär du dig, med hjälp av paketet trelliscopejs tillsammans med ggplot2, att skapa fasetterade visualiseringar när antalet partitioner i datan blir för stort för att visas effektivt på en enda skärm.

Exercise 1: Facettering med TrelliscopeJS Exercise 2: Trelliscope-facettering av gapminder per land Exercise 3: Interagera med TrelliscopeJS-displayer Exercise 4: Interagera med visningen Exercise 5: Fler funktioner i TrelliscopeJS Exercise 6: Anpassa gapminder-visningen Exercise 7: Undersöka de nya kognostiska måtten Exercise 8: Lägg till egna kognostik Exercise 9: Lägga till egna kognostiker Exercise 10: Tolka anpassade kognostiker

Gränssnittet mellan ggplot2 och trelliscopejs är enkelt att använda, men trelliscopejs erbjuder även en fasetterad plottmekanism som ger dig betydligt mer flexibilitet – både vad gäller vilket plottningssystem du använder och hur du definierar kognoster. Allt det lär du dig i det här kapitlet!

Exercise 1: Trelliscope i tidyverse Exercise 2: Gruppering och nästling Exercise 3: Visning av aktiekurser Exercise 4: Utforska visningen Exercise 5: Kognostik Exercise 6: Lägga till kognostik Exercise 7: Kognostik från nästlade dataramar Exercise 8: Navigera aktiegraferna med nya kognoster Exercise 9: Trelliscope-alternativ Exercise 10: Anpassa aktiedisplayen Exercise 11: Visualisering av bilddatabaser Exercise 12: Visualisera Pokémon Exercise 13: Den starkaste pokémonen

<a href="https://www.bixi.com" target="_blank">Montreals BIXI-cykelnätverk</a> tillhandahåller öppen data för varje cykelresa, inklusive datum, tid, varaktighet samt start- och slutstation för resan. I det här kapitlet analyserar du data från över 4 miljoner cykelresor under 2017, fördelade på 546 stationer. Det finns många intressanta frågor att utforska i den här datan, och du skapar visualiseringar som sträcker sig från sammanfattande statistik till detaljerade Trelliscope-vyer – allt för att ge dig värdefulla insikter i materialet.

Exercise 1: Montreals BIXI-cykeldata Exercise 2: Antal dagliga resor Exercise 3: Undersöka tidpunkt på dygnet Exercise 4: Effekten av medlemskap och veckodag Exercise 5: Sammanfattning av visualiseringar Exercise 6: Dagliga diagram Exercise 7: Titta på alla dagar Exercise 8: De 100 populäraste rutterna – datamängd

Aktuell övning

Exercise 9: Utöka datamängden: Sammanfattningsstatistik per rutt Exercise 10: Visualisera data: Antal per timme på dygnet Exercise 11: Utvärdera visualiseringen Exercise 12: Au revoir