Tối ưu hóa hiệu quả cho trực quan hóa của bạn

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.

Bài tập này là một phần của khóa học

Nâng cấp trực quan hóa dữ liệu của bạn với Python

SkillTag.level.intermediateSkillTag.label

4.8+

308 reviews

Bắt đầu khóa học miễn phí

Làm sao hiển thị toàn bộ dữ liệu mà vẫn đảm bảo người xem không bỏ lỡ điểm mấu chốt? Ở đây, chúng ta bàn về cách dẫn dắt người xem qua dữ liệu bằng điểm nhấn dựa trên màu sắc và văn bản. Chúng ta cũng giới thiệu một tập dữ liệu về các chỉ số chất ô nhiễm phổ biến trên khắp Hoa Kỳ.

Exercise 1: Làm nổi bật dữ liệu Exercise 2: Tô nổi bật bằng cách mã hoá cứng Exercise 3: Tạo điểm nhấn bằng lập trình Exercise 4: So sánh các nhóm Exercise 5: So sánh với hai KDE Exercise 6: Cải thiện các KDE của bạn Exercise 7: Beeswarm Exercise 8: Chú thích Exercise 9: Chú thích văn bản cơ bản Exercise 10: Chú thích bằng mũi tên Exercise 11: Kết hợp chú thích và màu sắc

Màu sắc là công cụ mạnh mẽ để mã hóa giá trị trong trực quan hóa dữ liệu. Tuy nhiên, sức mạnh đi kèm rủi ro. Trong chương này, chúng ta thảo luận cách chọn bảng màu phù hợp cho hình trực quan dựa trên loại dữ liệu mà nó thể hiện.

Exercise 1: Màu sắc trong trực quan hóa Exercise 2: Loại bỏ màu sắc không cần thiết Exercise 3: Sửa biểu đồ cột của Seaborn Exercise 4: Bảng màu liên tục Exercise 5: Tạo bảng màu liên tục tùy chỉnh Exercise 6: Tùy chỉnh heatmap với bảng màu phân kỳ Exercise 7: Điều chỉnh bảng màu theo ngữ cảnh Exercise 8: Bảng màu phân loại Exercise 9: Dùng bảng màu phân loại tùy chỉnh Exercise 10: Xử lý khi có quá nhiều danh mục Exercise 11: Tô màu cho các hạng mục có thứ bậc Exercise 12: Chọn đúng biến để mã hóa bằng màu sắc

Độ bất định hiện diện ở mọi nơi trong khoa học dữ liệu, nhưng thường bị bỏ qua trong các hình trực quan nơi nó nên được thể hiện. Tại đây, chúng ta ôn lại khái niệm khoảng tin cậy và cách trực quan hóa chúng cho cả ước lượng điểm đơn lẻ lẫn các hàm liên tục. Bên cạnh đó, chúng ta thảo luận kỹ thuật lấy mẫu lại bootstrap để đánh giá độ bất định và cách trực quan hóa đúng cách.

Exercise 1: Khoảng cho ước lượng điểm Exercise 2: Khoảng tin cậy cơ bản Exercise 3: Chú thích khoảng tin cậy Exercise 4: Dải tin cậy Exercise 5: Tạo dải tin cậy (confidence band)Exercise 6: Tách nhiều dải band Exercise 7: Dọn dải bất định khi bị chồng lấp Exercise 8: Vượt ra ngoài 95%Exercise 9: Khoảng 90%, 95% và 99%Exercise 10: Các dải 90 và 95%Exercise 11: Dùng độ dày của dải thay cho tô màu Exercise 12: Trực quan hóa bootstrap Exercise 13: Biểu đồ histogram của bootstrap Exercise 14: Hồi quy dùng bootstrap Exercise 15: Nhiều bootstrap với beeswarm

Trực quan hóa thường được dạy tách rời, với các thực hành tốt chỉ nêu ở mức khái quát. Thực tế, bạn sẽ cần linh hoạt điều chỉnh theo từng tình huống. Từ các hình thăm dò còn lộn xộn đến việc chỉnh sửa cỡ chữ cho sản phẩm cuối cùng; trong chương này, chúng ta đi sâu vào cách tối ưu trực quan hóa ở mỗi bước của quy trình khoa học dữ liệu.

Exercise 1: Khám phá ban đầu Exercise 2: Xem dữ liệu farmers market Exercise 3: Scatter matrix cho các cột số Exercise 4: Đào sâu với các biến đổi cơ bản Exercise 5: Khám phá các mẫu hình Exercise 6: Vĩ độ có liên quan đến số tháng mở cửa không?Exercise 7: Bang nào thân thiện với chợ nhất?Exercise 8: Mức độ phổ biến của hàng hóa theo bang Exercise 9: Tối ưu hóa hiệu quả cho trực quan hóa của bạn

Bài tập hiện tại

Exercise 10: Xếp chồng để tìm xu hướng Exercise 11: Dùng một biểu đồ làm chú giải Exercise 12: Tinh chỉnh biểu đồ của bạn Exercise 13: Làm gọn phần nền Exercise 14: Remix một biểu đồ Exercise 15: Tăng tính dễ đọc Exercise 16: Chúc mừng bạn!