Learn different strategies for plotting big data using ggplot2, including calculating and plotting summary statistics, various techniques to deal with overplotting, and principles of small multiples with faceting, which leads into Trelliscope.

Visualizing summaries

Daily ride counts

Distribution of cab fare amount

Distribution of payment type

Adding more detail to summaries

Relationship between trip duration and total fare

Faceting daily rides

Tip amount distribution faceted by payment type

Visualizing subsets

Comparing fare distribution by payment type

Visualizing all subsets

General strategies for visualizing big data

In the previous chapter you saw how faceting can be used as a powerful technique for visualizing a lot of data that can be naturally partitioned in some meaningful way. Now, using the trelliscopejs package with ggplot2, you will learn how to create faceted visualizations when the number of partitions in the data becomes too large to effectively view in a single screen.

Faceting with TrelliscopeJS

Trelliscope faceting gapminder by country

Interacting with the TrelliscopeJS displays

Interacting with the display

Additional TrelliscopeJS features

Customizing the gapminder display

Examining the new cognostics

Adding your own cognostics

Adding custom cognostics

Interpreting custom cognostics

ggplot2 + TrelliscopeJS

The ggplot2 + trelliscopejs interface is easy to use, but trelliscopejs also provides a faceted plotting mechanism that gives you much more flexibility in what plotting system you use and how to specify cognostics. You will learn all about that in this chapter!

Trelliscope in the tidyverse

Grouping and nesting

Stock price display

Exploring the display

Cognostics

Adding cognostics

Cognostics from nested data frames

Navigating stock plots with new cognostics

Trelliscope options

Customizing the stock display

Visualizing databases of images

Visualizing Pokemon

The most powerful Pokemon

Trelliscope in the Tidyverse

<a href="https://www.bixi.com" target="_blank">The Montreal BIXI bike network</a> provides open data for every bike ride, including the date, time, duration, and start and end stations of the ride. In this chapter, you will analyze data from over 4 million bike rides in 2017, going between 546 stations. There are many interesting exploratory questions to ask from this data and you will create exploratory visualizations ranging from summary statistics to detailed Trelliscope visualizations that will give you interesting insight into the data.

Montreal BIXI bisiklet verileri

Günlük sürüş sayısı

Günün saatini inceleme

Üyelik ve haftanın günü etkisi

Özet görselleştirme: kısa bir tekrar

Günlük grafikler

Tüm günlere bakmak

En iyi 100 rota veri kümesi

Veriyi zenginleştirme: Rota özet istatistikleri

Veriyi görselleştirme: Günün saatine göre sayımlar

Görselleştirmeyi değerlendirme

Güle güle

Case Study: Exploring Montreal BIXI Bike Data

Bikes

Pokémon

Top 100 routes

Stocks

Taxi rides

ggplot2 öğrenerek görselleştirme becerilerini geliştirdikten sonra, artık daha büyük veri kümelerine geçme zamanı. Bu kursta, büyük veriyi görselleştirmek için çeşitli teknikleri öğreneceksin; özellikle ölçeklenebilir bir görselleştirme tekniği olan küçük çoklulara (faceting) odaklanacağız. Bu tekniği, trelliscopejs R paketiyle uygulanan Trelliscope yaklaşımıyla nasıl hayata geçireceğini öğreneceksin. Trelliscope, standart R iş akışlarına sorunsuzca entegre olur ve verilerini ayrıntılı olarak görsel olarak keşfetmene olanak tanıyan etkileşimli görselleştirmeler üretir. Kursun sonunda, büyük veri kümeleri için etkileşimli keşifsel görselleri kolayca oluşturabilecek ve hem sen hem de ekip arkadaşların verilerinizden yeni içgörüler elde edebileceksiniz.

Introduction to the Tidyverse

R'de ggplot2 ve trelliscopejs kullanarak büyük verileri görselleştirmeyi öğrenin.

R ile Trelliscope kullanarak Büyük Veriyi Görselleştirme

ggplot2 ve trelliscopejs kullanarak R'da büyük verileri görselleştirmeyi öğrenin.

En iyi 100 rota veri kümesi

Create Your Free Account