Es gibt viele Arten von Grundstücken, die hilfreich sind. Im Folgenden werden wir einige grundlegende Arten besprechen und Links zu einigen Galerien einfügen, in denen Sie einen Eindruck von den vielen verschiedenen Arten von Grundstücken bekommen können.

Das Ziel der Datenvisualisierung bei der Datenanalyse ist es, das Verständnis der Daten zu verbessern. Wie in der letzten Lektion erwähnt, kann dies bedeuten, dass wir unser eigenes Verständnis der Daten verbessern oder die Visualisierung nutzen, um das Verständnis der Daten bei anderen zu verbessern. In der letzten Lektion haben wir einige allgemeine Merkmale und Grundtypen von Diagrammen besprochen, aber hier werden wir eine Reihe von allgemeinen Tipps für die Erstellung guter Diagramme geben. Wenn Sie explorative oder erklärende Diagramme erstellen, müssen Sie sicherstellen, dass die angezeigten Informationen genau und in einer Weise dargestellt werden, die die Realität des Datensatzes am besten widerspiegelt. Hier finden Sie eine Reihe von Tipps, die Sie bei der Erstellung von Diagrammen beachten sollten.

Nachdem wir einige allgemeine Richtlinien besprochen haben, gibt es eine Reihe von Fragen, die Sie sich stellen sollten, bevor Sie ein Diagramm erstellen. Es gibt drei wichtige Fragen, die Sie sich jedes Mal stellen sollten, wenn Sie eine visuelle Darstellung Ihrer Daten erstellen. Wir werden diese drei Fragen im Folgenden erörtern.

R wurde ursprünglich für Statistiker entwickelt, die oft daran interessiert sind, Plots oder Abbildungen zu erstellen, um ihre Daten zu visualisieren. Daher wurden bereits bei der Entwicklung von R einige grundlegende Funktionen zur Erstellung von Diagrammen eingebaut. Diese sind immer noch verfügbar, aber im Laufe der Zeit wurde ein neuer Ansatz für die grafische Darstellung in R entwickelt. Mit diesem neuen Ansatz wurde die so genannte Grammatik der Grafik implementiert, die es Ihnen ermöglicht, elegante Diagramme in R flexibel zu entwickeln. Für die Erstellung von Diagrammen mit diesem Regelwerk ist das R-Paket ggplot2 erforderlich. Dieses Paket ist ein Kernpaket in tidyverse. Sobald tidyverse geladen ist, können Sie also loslegen.

Bisher haben wir die Schritte zur Erstellung einer Reihe verschiedener Diagramme (mit unterschiedlichen Geoms) in ggplot2 durchlaufen. Wir haben die Grundlagen des Zuordnens von Variablen zu Ihrem Graphen besprochen, um sein Aussehen oder seine Ästhetik anzupassen (mit Größe, Form und Farbe innerhalb von aes()). In dieser Lektion bauen wir auf dem zuvor Gelernten auf, um wirklich herauszufinden, wie Sie Ihre Diagramme so anpassen können, dass sie so klar wie möglich sind, um Ihre Ergebnisse anderen mitzuteilen. Die in dieser Lektion erlernten Fähigkeiten werden Ihnen helfen, von der Erstellung explorativer Diagramme, die Ihnen helfen, Ihre Daten besser zu verstehen, zu erklärenden Diagrammen zu gelangen - Diagramme, die Ihnen helfen, Ihre Ergebnisse anderen zu vermitteln. Wir werden uns damit beschäftigen, wie Sie die Farben, Beschriftungen, Legenden und den Text in Ihrem Diagramm anpassen können. Da wir bereits damit vertraut sind, werden wir weiterhin den Diamanten-Datensatz verwenden, mit dem wir ggplot2 kennengelernt haben.

Wir haben uns hier zwar bisher auf Zahlen konzentriert, aber auch Tabellen können auf einen Blick unglaublich informativ sein. Wenn Sie zusammenfassende Zahlen anzeigen möchten, kann eine Tabelle die Informationen auch visuell darstellen.

Neben den vielen Fähigkeiten von ggplot2 gibt es einige zusätzliche Pakete, die auf den Fähigkeiten von ggplot2 aufbauen. Wir stellen Ihnen hier einige Pakete vor, mit denen Sie (1) Punkte auf Plots direkt annotieren können (ggrepel und directlabels); (2) mehrere Plots kombinieren können (cowplot + patchwork); und (3) animierte Plots erzeugen können (gganimate). Diese werden als ggplot2-Erweiterungen bezeichnet. Es gibt Dutzende von zusätzlichen ggplot2-Erweiterungen, wenn Sie weitere Plot-Optionen erforschen möchten, die über das hinausgehen, was hier behandelt wird!

Zu diesem Zeitpunkt haben wir eine Menge Arbeit mit unseren Fallstudien geleistet. Wir haben die Fallstudien vorgestellt, sie in R eingelesen und die Daten in ein brauchbares Format gebracht. Jetzt können wir einen Blick auf die Daten werfen, indem wir Visualisierungen verwenden, um die Beobachtungen und Variablen der einzelnen Datensätze besser zu verstehen! Wenn Sie die Schritte der Fallstudien durcharbeiten, können Sie entweder RStudio auf Ihrem eigenen Computer oder die Coursera-Labore verwenden, die für jede Fallstudie zur Verfügung stehen.

In diesem Projekt üben Sie das Erforschen von Daten und das Erstellen von Datenvisualisierungen mit tidyverse anhand von Ernährungs- und Verkaufsdaten von Fastfood-Restaurants im Jahr 2018.