A varsói egyetem csapata elkészített egy olyan adatvizualizációs összefoglalót, amely a legfontosabb színhasználati alapelveket tartalmazza.
Colors in Data Visualization - Mateusz Kryzinsky, Pawel Wojciechowski, Artur Zotkowski
Az összefoglaló alapját egy prezentáció adja, melyet az alábbi linken keresztül lehet részletesebben megtekinteni.
→ Mateusz Kryzinsky, Pawel Wojciechowski, and Artur Zotkowski - Colors in Data Visualization
A mindennapokban ritkábban használt, egzotikusabb vizualizációk készítését bemutató segédletekből készített összeállítást Rasztik Lilla.
Tutorials of visualizations - Lilla Rasztik
A Tableau Public profilon elérhető gyűjtőábrán típus szerint csoportosítva találhatóak meg a különböző segédanyagok.
A grafikonválasztók egyre hosszabb listájához érdemes hozzáadni Lisa Mahapatra adatvizualizációs szakértő munkáját is, amely jól strukturált formában mutatja be a legnépszerűbb vizualizációs formákat.
Az ábra 5 nagyobb csoportba sorolja be a különféle grafikonokat az adatmegjelenítés célja szerint.
Összesen 23 grafikontípus kerül bemutatásra, íme a lista:
Bar chart & column chart· Area charts · Line chart · Deviation bar · Bullet bar chart · Slope graph · Tree map · Barbell plot · Histogram · Heatmap · Density plot · Box-whisker plot · Joy plot · Scatterplot · Bubble chart · Small multiples · Sankey diagram · Gantt chart · Calendar heatmap · Choropleth map · Hexbin map · Bubble map · Dot distribution map
Az eredeti írás itt érhető el, a további grafikonválaszókat itt lehet böngészni.
Rengeteg térképes vizualizációval találkozunk manapság az interneten, mivel területekre lebontva közölhetünk vele adatokat. Ezek amennyire informatívak, annyira falsak is tudnak lenni főként, ha választási eredményekről tudósítanak.
Példaként láthatjuk a 2019-es brit szavazás eredményeit.
Az első térképen a választókerületeket a földrajzi nagyságuk szerint látjuk, figyelmen kívül hagyva a népsűrűséget. A másodikon viszont, minden választókerületet egy egyenlő nagyságú hexagon jelöl.
Habár itt is tapasztalhatunk némi torzulást, a hexa térképek mégis valósabb képet adhatnak.
Ha dashboardot kell készítenünk, de nincs elképzelésünk hogyan nézzen ki vagy milyen legyen az elrendezése, akkor jó szolgálatot tehet az everydaydashboards.com gyűjteménye.
Az oldalon különböző stílusú dashboardok közül válogathatunk, melyekből ötleteket meríthetünk. Ha van már egy létező dashboardunk, amiről úgy gondoljuk, hogy hasznos lehet mások számára is, akkor lehetőségünk van beküldeni a saját munkát is.
Számos módszer van arra, hogy grafikonjaink még hatásosabbak és első látásra is jól értelmezhetőek legyenek.
Ilyen például az egyes elemek vizuális csoportosítása, egy megfelelő címkével kiegészítve:
Vizuális csoportosítás - Nancy Duarte
A Nancy Duarte által javasolt teljes lista (PDF letöltés):
→ Make Your Data Insights Visually Consumable - Nancy Duarte
Manapság számos könyv áll rendelkezésünkre ahhoz, hogy bővítsük a tudásunkat az adatvizualizációk terén.
Evelina Judeikytė a Goodreads wedoldal értékelései alapján összegyűjtötte a legnépszerűbb Datavis írókat számunkra.
Az írók az ábra belsejében lévő körökben a szakterületeik szerint vannak csoportosítva, az oszlopok az értékelések számát jelölik, a nevek melletti kis körök pedig azokat akiknek már több könyve is megjelent a témában.
Ahogy láthatjuk, a legsikeresebb alkotók, az újságírók, tervezők illetve statisztikusok.
A dataviz.hu/könyvek fülön pedig az általunk ajánlott könyvek találhatóak meg. → https://dataviz.hu/konyvek/
→ https://twitter.com/Evelina_Jud/status/1295301586848292864/photo/1
Ezt a témát vizsgálja Lisa Charlotte Rost írása, amelyben számos szempontot bemutat. A témák között szerepelnek tippek a színek párosításához, a kontraszt jó alkalmazásához, vagy éppen az átmenetes színskálákhoz.
A teljes cikk a datawrapper blogján olvasható. Az írás végén számos további hasznos link is található a témában.
Adam McCann Tableau Publicon megjelent bejegyzésében jellemzi a Key Performance Indicatorok fontosságát, majd bemutatja egy adott KPI 20 különböző vizuális megjelenítési formáját.
Grafikonok készítésekor sok dolgot érdemes átgondolni, a színek megfelelő használatától az igazán fontos adatok helyes kiemeléséig.
Az UX Planet írása 20 hasznos tippet mutat be.
Amikor adatvizualizációt csinálunk, sokszor el kell döntenünk: inkább egyszerű és könnyen értelmezhető legyen, vagy szép és különleges, de nehezen áttekinthető és feldolgozható.
A példaként szolgáló viuzál szép, viszont az olvashatósága kérdéses. Ahogy a forrásul szolgáló Linkedin bejegyzés szerzője, Nyitrai Lőrinc fogalmaz: 'Ez adatalapú digitális művészet, nem adatvizualizáció.'
További részletek erre: https://www.linkedin.com/pulse/career-choice-we-make-every-single-day-professional-popular-nyitrai/
A The New York Times-ban megjelent cikkben példát látunk arra, hogy lehet ezt a vizuáltípust helyesen használni. Egyértelműen látható a változás az időben, helyesen vannak definiálva a színek, tagolva vannak az egyes alkategóriák (minden nő, fehér egyedülálló nők, stb), az ábrák nem zsúfoltak.
Forrás: Trump Is Beginning to Lose His Grip
Ritkán alkalmazott, azonban rendkívül hasznos vizuális forma lehet a Gantt chart ha például termékek élettartamára vagyunk kiváncsiak, az alábbi kép pont ezt ábrázolja, Apple termékek esetében.
A diagram egy másik alkalmazását mutatja be ez a cikk, ahol szerver folyamatok vannak ábrázolva.
A Lindsay Betzendahlal készített interjúból kiderül, miért érdemes adatainkat vizuálisan is megjeleníteni.
A kimutatások megmutathatnak olyan változásokat is az adatban amit nem vennénk észre, ha az nem vizuális formában lenne.
"Az adatvizualizáció segítségével felfedezhetjük a több millió soros adat mögött rejlő információkat. Egy egész évtized populációs adatát is átnézhetünk akár egy szempillantás alatt."
Big datából értelmezhető bepillantások az adat mögé
"Lehet a tiéd a világon a legjobb adathalmaz, ha az táblázatos és szöveges formában van, akkor az átlag felhasználó semmire se megy vele."
További részletek az Upwork posztjában.
Sorozatunk utolsó részében Dr. Andrew Abela diagramválasztóját szeretnénk bemutatni.
Az első három részben bemutatott diagramválasztókkal ellentétben ezen az ábrán a kép közepéről kell indulnunk.
A ‘Mit szeretnél megmutatni?’ kérdés megválaszolása után négy irányba mehetünk tovább a választón (összehasonlítás, disztribúció, megoszlás és kapcsolat).
Amint a négy főág közül sikerült választani, úgy a további kisebb ágak elvezetnek minket az ajánlott diagramtípushoz.
A sorozat többi része a #grafikonvalaszto tag alatt érhető el.
Diagramválasztó bejegyzés sorozatunk harmadik részében Stephen Few ajánlását mutatjuk be, amely a Show Me the Numbers című könyvéből származik.
Az egyes grafikontípusok aszerint vannak besorolva, hogy milyen jellegű információkat szeretnénk megjeleníteni (idősor, sorrend, eloszlás stb.).
Például a scatter plot plot csak a korreláció kategóriájába tartozik, ugyanakkor a oszlopdiagram nagyon sok különböző cél esetén is használható.
A sorozat többi része a #grafikonvalaszto tag alatt érhető el.
Blogposzt sorozatunk második részében a Quadrigram chart választóját nézzük meg.
A diagramválasztót a szerző 3 lépésben javasolja használni:
Döntsd el az adat típusát!
Mennyi változód van?
Amint kiválasztottuk az adat típusát, illetve meghatároztuk a változók mennyiségét, addigra a legtöbb diagramtípust kizártuk.
Válassz diagramot!
Valószínű, hogy több mint egy diagramtípus marad lehetséges opcióként, de ezzel a 3 ponttal erősen korlátozhatjuk a felmerülő diagramtípusok számát.
A lépések felsorolása után a cikk alján elérhető egy link, ahonnan letölthető a diagramválasztó PDF-ben.
A sorozat többi része a #grafikonvalaszto tag alatt érhető el.
Ezzel a résszel szeretnénk elindítani a 'Hogy válasszunk diagramtípust?' c. blogposzt sorozatunkat.
Adatvizualizáció során nagyon fontos, hogy milyen formában jelenítjük meg az adatokat. Azonban a megfelelő vizuális forma kiválasztása olykor nehéz feladat lehet, szerencsére azonban számos különböző hasznos online segédlet érhet el.
A data-to-viz.com adattípus szerint rendezett döntési fákkal segíti a választást.
Először meg kell adnunk az adataink típusát (numerikus, kategorikus, stb.), majd ezután kövessük fentről lefelé ennek a választó fának az ágait, ami így elvezet minket az ajánlott vizualizációs formához.
Kicsit lejjebb görgetve további segítséget kapunk, ebben a részben az egyes diagramtípusokhoz találhatóak részletes magyarázatok, illetve a gyakori alkalmazási hibák is fel vannak sorolva.
Diagramválasztó poszt sorozatunkhoz hasonlóan ebben a bejegyzésben is chartokat fogunk bemutatni Roman Kamushken munkáján keresztül, ami ezen a linken elérhető.
Egy kicsit mégis más mint a ‘Hogy válassz diagramtípust?’ részei, mert itt nem egy választót nézünk, hanem az egyes diagramtípusokra látunk példát, azok vannak 1-2 mondatban elmagyarázva.
Íme három példa az említett enciklopédiából:
1. Pie chart
2. Line chart
3. Bar chart
Forrás: Material design charts and Data visualization encyclopedia
A diagramválasztó cikksorozat részei itt érhetőek el:
Az ívdiagramok nagyon látványosak, azonban vigyázni kell alkalmazásukkal, mert megtévesztőek is lehetnek. Erre a problémára hívja fel Andy Kirk blogposztja a figyelmet.
Az alábbi ábra szemlélteti mennyire félrevezethet minket egy ívdiagram:
Az utolsó két értéket megfigyelve (5, 5) látjuk, hogy a két ív ugyanott végződik. Mivel a két érték megegyezik, a két hossznak azonosnak kell lennie, azonban ezen az ábrán ez nem így van, még ha elsőre úgy is néz ki.
A fenti ábrán az 'Arc Length Proportions'-nál a ‘Residental’ és ‘Office’ értékei azonosak, mégis különböző hosszúságúak az ívek. Alatta, a 'Corrected Bar Length Proportions'-nál látható hogy nézne ki helyesen.
További részletek a blogposztban.
