Красивый участок на даче: 12 советов как сделать красивый дизайн на даче своими руками

FacetGrid — гистограммы

 г = снс.FacetGrid (data, col = "Continent", col_wrap = 3, height = 4) 
 g = (g.map (plt.hist, "Life Ladder", bins = np.arange (2,9,0.5))) 

FacetGrid — аннотированные графики KDE

Также возможно добавить обозначение, специфичное для фасета, к каждой диаграмме в сетке. В следующем примере мы добавляем среднее значение и стандартное отклонение, а также вертикальную линию, проведенную по среднему значению (код ниже).

FacetGrid — графики тепловой карты

Один из моих любимых типов графиков — это тепловая карта FacetGrid, i.е., тепловая карта в каждом аспекте сетки. Этот тип графика полезен для визуализации четырех измерений и метрики на одном графике. Код немного громоздкий, но его можно быстро изменить в соответствии с вашими потребностями. Примечательно, что для такого типа диаграмм требуется относительно большой объем данных или правильная сегментация, поскольку они не очень хорошо обрабатывают пропущенные значения.

Простое руководство по красивым визуализациям в Python | Автор: Фрэнк Андраде

Вы находитесь в середине проекта и внезапно вам нужно построить график для анализа данных или представления найденных идей. У вас не так много времени, но вы определенно не хотите создавать такой сюжет.

Однако вы также не хотите вдаваться в технические подробности и тратить больше времени на то, что не является основной целью вашего проекта, так что же вам делать?

Я не могу сказать, сколько раз это случалось со мной в прошлом, но, удобно используя Matplotlib и Seaborn, я придумал простой, но эффективный способ создания красивых и читаемых визуализаций на Python . Забудьте об этих синих столбчатых диаграммах, гистограммах, прямоугольных диаграммах, диаграммах рассеяния и круговых диаграммах с крошечными метками. В этой статье я покажу вам, как улучшить их внешний вид, не вдаваясь в технические подробности и не теряя много времени.

  Оглавление 
  1. Глобальные настройки: стиль графика и размер шрифта 
 2. Настройка графиков 
 - Цветовые палитры 
 - Размер рисунка, внешний вид рисунка, заголовок и метки осей 
 3. Набор данных 
 4. Полоса График 
 5. Гистограмма 
 6. Коробчатая диаграмма 
 7. Диаграмма рассеяния 
 8. Диаграмма + подзаголовки 
 - Отдельная диаграмма 
 - Графическая диаграмма рядом (части) 
 9. Линейный график 

Одна из вещей, которая доставляла мне больше головной боли, была настройка размеры шрифта в сюжетах индивидуально.Вот почему лучше сначала установить их глобально, прежде чем мы начнем строить графики. Во-первых, давайте импортируем необходимые библиотеки, которые мы будем использовать в этой статье.

 import matplotlib.pyplot as plt 
 import seaborn as sns 
 import pandas as pd 

Примечание: если у вас не установлены эти библиотеки в Python, вы можете легко установить их, написав pip install name_of_library on ваш терминал или командную строку для каждой библиотеки, которую вы хотите установить (например,грамм. pip install matplotlib)

Теперь мы можем легко глобально установить стиль графика и размер шрифта с помощью следующего кода.

 sns.set_style ('darkgrid') # darkgrid, white grid, dark, white и ticksplt.rc ('axes', titleize = 18) # размер шрифта заголовка осей 
 plt.rc ('axes', labelsize = 14 ) # размер шрифта меток x и y 
 plt.rc ('xtick', labelsize = 13) # размер шрифта меток галочки 
 plt.rc ('ytick', labelsize = 13) # размер шрифта меток меток 
 plt.rc ('legend', fontsize = 13) # legend fontsize 
 plt.rc ('font', size = 13) # управляет размерами текста по умолчанию 

Во-первых, мы используем sns.set_style () , чтобы установить стиль графика. Это улучшит внешний вид графиков Matplotlib и Seaborn по умолчанию. Затем мы используем plt.rc () для настройки размера шрифта текста, отображаемого на графиках. Мой личный выбор: 18 для заголовка, 14 для текста по осям и 13 для остальных. Не стесняйтесь редактировать их как хотите.

Вот и все! Вам нужно сделать это только один раз, чтобы получить адекватный размер шрифта и красивый стиль графика.

Цветовые палитры

Цвета Matplotlib по умолчанию уродливые, но мы можем легко сделать их красивее, используя палитры Seaborn. Это некоторые из палитр Seaborn, которые мы будем использовать в этой статье.

sns.color_palette («deep»)

sns.color_palette («pastel»)

sns.color_palette ('Set2')

Эти палитры имеют форму списка, поэтому вместо использования классической ‘b’ для получения синего цвета вы можете извлечь цвет из этих палитр, выполнив sns.color_palette ('глубокий') [0] . Если вы выполните этот код, вы получите код RGB, например (0,298, 0,447, 0,690) , который принимается в параметре цвета на графиках Matplotlib. Мы лучше это проверим при создании графиков.

В документации seaborn вы можете найти список доступных палитр.Выберите тот, который вам нравится, и начните строить красивые графики.

Размер рисунка, внешний вид фигуры, заголовок и метки осей

При создании графиков большую часть времени нам нужно будет внести некоторые изменения, чтобы любой мог легко понять наши визуализации. Следующие методы будут многократно использоваться на графиках, представленных в этой статье, так что давайте к ним привыкнем.

Как отрегулировать размер фигуры? Для регулировки размера фигуры мы используем plt.figure (figsize) .Мы также будем использовать tight_layout = True , чтобы очистить отступы на графике или между подзаголовками.

 plt.figure (figsize = (8,4), tight_layout = True) 

Как отредактировать внешний вид фигуры? Некоторые из основных настроек, которые мы внесем в график, — это цвет и ширина линии. Они включаются в качестве дополнительных параметров при построении графика.

 # matplotlib 
 plt.hist (..., color = sns.color_palette ('Set2') [2], linewidth = 2) # seaborn 
 ax = sns.histplot (..., palette = 'Set2', linewidth = 2) # seaborn будет иметь параметры цвета или палитры (это зависит от графика) 

Как добавить подзаголовки (параллельные участки)? Нам понадобится plt.subplots () для построения параллельных графиков.

 #subplots 
 fig, ax = plt.subplots (nrows = 1, ncols = 2, figsize = (12, 5), tight_layout = True) 

После создания подзаголовков мы будем использовать либо одномерные ax [ 0] или двумерные оси ax [0] [0]

Как добавить метку и заголовок к графику? Добавление меток к осям и установка имен заголовков аналогичны между Matplotlib plt.xlabel () и Seaborn ax.set_xlabel () , но я предпочитаю использовать топор .set () вариант в Seaborn, потому что он обрабатывает большинство параметров в одной строке.

 # matplotlib 
 plt.xlabel ('Национальность') 
 plt.ylabel ('Средний рейтинг') 
 plt.title ('Barplot') # seaborn 
 ax.set (title = 'Barplot', xlabel = 'Национальность' , ylabel = 'Средний рейтинг') 

Чтобы построить осмысленные графики, нам нужно использовать набор данных. Чтобы упростить задачу, я выбрал чистый набор данных, доступный в Kaggle, который вы также можете найти на моем Github. Это набор данных об игроках ФИФА, который поможет нам сравнить нетрадиционные футбольные страны, такие как США и Канада, с такими крупными футбольными странами, как Англия, Бразилия и Аргентина.Надеюсь, в конце этой статьи мы лучше поймем, чем футбол в этих странах отличается.

В следующих разделах мы будем работать с фреймом данных с именем df_country , который будет включать только указанные страны. Код ниже позаботится об этом.

 df_fifa21 = pd.read_csv ('Players_20.csv') 
 country = ['США', 'Канада', 'Англия', 'Бразилия', 'Аргентина'] df_country = df_fifa21 [df_fifa21 ['национальность']. isin (страна)] 

А теперь давайте создадим красивые визуализации!

Гистограммы могут быть легко созданы с помощью MatplotLib и Seaborn с некоторыми небольшими отличиями.На гистограмме будут отображаться категориальные данные с прямоугольными полосами, высота или длина которых пропорциональны значениям, которые они представляют. Было бы интересно посмотреть средний рейтинг футболиста по национальности

В приведенном ниже коде показана дополнительная предварительная обработка, необходимая только для этого графика.

 # Предварительная обработка 
 barplot = df_country.groupby (['национальность'], as_index = False) .mean () [['национальность', 'общая']] 

Результат выглядит следующим образом:

 национальность в целом 
 Аргентина 69.118510 
 Бразилия 71.143894 
 Канада 62.855072 
 Англия 63.253293 
 США 64.538682 

Гистограмма в MatplotLib с plt.bar ()

MatplotLib plt.bar () требует двух аргументов — имени категориальной переменной (национальность) и их длина (общие рейтинги).

 plt.figure (figsize = (8,4), tight_layout = True) 
 colors = sns.color_palette ('pastel') plt.bar (barplot ['национальность'], штриховая диаграмма ['общая'], color = colors [: 5]) plt.xlabel ('Национальность') 
 plt.ylabel ('Средний рейтинг') 
 plt.title ('Barplot') 
 plt.show () 

Как мы упоминали ранее, чтобы сделать гистограммы более привлекательными, мы будем использовать цвет Seaborn палитра. В данном случае мы использовали пастельную палитру .

Судя по всему, большой разницы между рейтингом среднестатистического игрока из Канады, США и Англии нет. Однако средние игроки не попадают в национальные сборные, а только лучшие игроки в каждой стране, поэтому, если мы получим средний рейтинг 20 лучших игроков, сюжет изменится.Давай проверим это с помощью seaborn.

Bar Plot in Seaborn с sns.barplot ()

Чтобы получить 20 лучших игроков от каждой страны, нам нужно выполнить некоторую предварительную обработку

 # preprocessing 
 new_df = pd.concat (
 [df_country [df_country ['национальность']] == 'Аргентина'] [: 20], 
 df_country [df_country ['национальность'] == 'Бразилия'] [: 20], 
 df_country [df_country ['национальность'] == 'Англия'] [: 20] , 
 df_country [df_country ['национальность'] == 'Канада'] [: 20], 
 df_country [df_country ['национальность'] == 'США'] [: 20]] 
) barplot = new_df.groupby (['национальность'], as_index = False) .mean () [['национальность', 'общий']] 

Теперь данные готовы для построения графика. Для этого воспользуемся sns.barplot () .

 plt.figure (figsize = (8,4), tight_layout = True) 
 ax = sns.barplot (x = barplot ['национальность'], y = barplot ['total'], palette = 'pastel', ci = Нет) 
 ax.set (title = 'Barplot', xlabel = 'Nationality', ylabel = 'Average Rating') 
 plt.show () 

Разница в рейтингах лучших игроков очевидна.Это показывает, почему США и Канада еще не стали большими футбольными державами, но это еще не все, давайте копнем глубже.

Столбчатый график, сгруппированный по n переменным

Теперь давайте посмотрим, сколько игроков играет в высших футбольных лигах. Для этого нам нужно сгруппировать данные по национальности и лиге (мы не будем учитывать Премьер-лигу, поскольку в этом соревновании участвует большинство игроков Англии)

 # Предварительная обработка 
 barplot = df_country [df_country ['league_name']. Isin ( [«Испания Примера», «Итальянская серия А», «Немецкий 1.Bundesliga '])] barplot = barplot.groupby ([' национальность ',' league_name '], as_index = False) .count () 

Теперь, когда данные готовы, мы можем построить их с помощью Matplolib или Seaborn; однако, чтобы упростить задачу и не писать больше строк кода, мы будем использовать Seaborn. Данные, сгруппированные по «n» переменным, можно легко построить, добавив параметр hue = ‘’ .

 plt.figure (figsize = (12, 6), tight_layout = True) ax = sns.barplot (x = barplot ['национальность'], y = barplot ['sofifa_id'],  hue = barplot ['league_name') ] , палитра = 'пастель') топор.set (title = 'Кол-во игроков вне национальной лиги', xlabel = 'Country', ylabel = 'Count') 
 ax.legend (title = 'League', title_fontsize = '13 ', loc =' upper right ') 
 plt.show () 

Мы позаботились о вариантах легенды индивидуально с помощью ax.legend () и получили следующий график.

Как строить красивые участки с Python и Seaborn

Визуализация данных — это метод, который позволяет специалистам по обработке данных преобразовывать необработанные данные в диаграммы и графики, которые генерируют ценную информацию.Диаграммы упрощают данные и упрощают понимание для любого пользователя.

Существует множество инструментов для визуализации данных, таких как Tableau, Power BI, ChartBlocks и другие, которые не требуют кода. Это очень мощные инструменты, и у них есть своя аудитория. Однако при работе с необработанными данными, требующими преобразования и хорошей игровой площадкой для данных, Python — отличный выбор.

Хотя Python более сложен и требует знаний в области программирования, он позволяет выполнять любые манипуляции, преобразование и визуализацию ваших данных.Он идеально подходит для специалистов по анализу данных.

Есть много причин, по которым Python является лучшим выбором для науки о данных, но одна из самых важных — это его экосистема библиотек. Для Python доступно множество отличных библиотек для работы с такими данными, как numpy , pandas , matplotlib , tensorflow .

Matplotlib , вероятно, самая известная библиотека для построения графиков, доступная для Python и других языков программирования, таких как R .В первую очередь его отличает уровень настройки и работоспособности. Однако с некоторыми действиями или настройками может быть сложно справиться при его использовании.

Разработчики создали новую библиотеку на основе matplotlib под названием seaborn . Seaborn так же мощен, как matplotlib , а также предоставляет абстракцию для упрощения графиков и привнесения некоторых уникальных функций.

В этой статье мы сосредоточимся на том, как работать с Seaborn для создания лучших в своем классе участков.Если вы хотите продолжить, вы можете создать свой собственный проект или просто посмотреть мой проект морского гида. на GitHub.

Что такое Сиборн?

Сиборн это библиотека для создания статистической графики на Python. Он строится поверх matplotlib и тесно интегрируется со структурами данных pandas .

Seaborn позволяет быстро исследовать и понимать ваши данные. Seaborn работает, собирая целые фреймы данных или массивы, содержащие все ваши данные, и выполняет все внутренние функции, необходимые для семантического картирования и статистической агрегации для преобразования данных в информативные графики.

Он абстрагирует сложность, позволяя проектировать графики в соответствии с вашими требованиями.

Установка Seaborn

Установить seaborn так же просто, как установить одну библиотеку с помощью вашего любимого менеджера пакетов Python. При установке seaborn библиотека установит свои зависимости, включая matplotlib , pandas , numpy и scipy .

Давайте тогда установим seaborn и, конечно же, пакет notebook. чтобы получить доступ к нашей игровой площадке данных.

  pipenv установить ноутбук seaborn
  

Кроме того, перед началом работы мы собираемся импортировать несколько модулей.

  импорт seaborn as sns
импортировать панд как pd
импортировать numpy как np
импортировать matplotlib
  

Строим первые участки

Прежде чем мы сможем начать что-либо строить, нам нужны данные. Прелесть seaborn в том, что он работает напрямую с фреймами данных pandas , что делает его очень удобным. Более того, библиотека поставляется с некоторыми встроенными наборами данных, которые теперь можно загружать из кода, без необходимости загружать файлы вручную.

Давайте посмотрим, как это работает, загрузив набор данных, содержащий информацию о рейсах.

  flight_data = sns.load_dataset ("рейсы")
flight_data.head ()
  

Вся магия происходит при вызове функции load_dataset , которая ожидает имя загружаемых данных и возвращает фрейм данных.Все эти наборы данных доступны в репозитории GitHub. .

Точечная диаграмма

Точечная диаграмма — это диаграмма, на которой отображаются точки на основе двух измерений набора данных. Создать точечную диаграмму в библиотеке seaborn очень просто, достаточно всего одной строчки кода.

  sns.scatterplot (data = flight_data, x = "год", y = "пассажиры")
  

Пример диаграммы рассеяния

Очень просто, правда? Функция диаграмма рассеяния ожидает набор данных, который мы хотим построить, и столбцы, представляющие ось x и y .

Линейный участок

На этом графике нарисована линия, которая представляет оборот непрерывных или категориальных данных. Это популярный и известный тип диаграмм, который очень легко создать. Как и раньше, мы используем функцию , линейный график с набором данных и столбцами, представляющими оси x и y . Seaborn сделает все остальное.

  sns.lineplot (data = flight_data, x = "год", y = "пассажиры")
  

Пример линейного графика

Бар Участок

Это, вероятно, самый известный тип диаграммы, и, как вы, возможно, уже догадались, мы можем построить этот тип графика с seaborn так же, как мы делаем для линий и графиков рассеяния, используя функцию barplot .

  sns.barplot (data = flight_data, x = "год", y = "пассажиры")
  

Образец гистограммы

Он очень красочный, я знаю, мы узнаем, как настроить его позже в руководстве.

Расширение с помощью matplotlib

Seaborn построен на основе matplotlib , расширяя его функциональные возможности и упрощая абстрагирование. При этом его возможности не ограничиваются. Любую карту seaborn можно настроить с помощью функций из библиотеки matplotlib .Он может пригодиться для определенных операций и позволяет seaborn использовать возможности matplotlib без необходимости переписывать все его функции.

Допустим, вы, например, хотите построить несколько графиков одновременно, используя seaborn ; то вы можете использовать функцию subplot из matplotlib .

  diamonds_data = sns.load_dataset ('алмазы')
plt.subplot (1, 2, 1)
sns.countplot (x = 'карат', данные = diamonds_data)
plt.подзаговор (1, 2, 2)
sns.countplot (x = 'глубина', данные = diamonds_data)
  

Примерный участок с частями

Используя функцию subplot , мы можем нарисовать более одной диаграммы на одном графике. Функция принимает три параметра: первый — количество строк, второй — количество столбцов, а последний — номер графика.

Мы визуализируем диаграмму seaborn на каждом подзаголовке, смешивая функции matplotlib с seaborn функциями.

Сиборн любит панд

Мы уже говорили об этом, но seaborn любит pandas до такой степени, что все его функции основаны на фрейме данных pandas . До сих пор мы видели примеры использования seaborn с предварительно загруженными данными, но что, если мы хотим нарисовать график из данных, которые мы уже загрузили, используя pandas ?

  drink_df = pd.read_csv ("данные / напитки.csv")
sns.barplot (x = "страна", y = "beer_servings", data = drinks_df)
  

Пример графика с пандами

Создание красивых сюжетов со стилями

Seaborn дает вам возможность изменять интерфейс ваших графиков и предлагает пять различных стилей прямо из коробки: darkgrid , whitegrid , dark , white и ticks .

  sns.set_style ("темная сетка")
sns.lineplot (data = data, x = "год", y = "пассажиры")
  

Пример графика со стилем темной сетки

Вот еще пример

  sns.set_style ("белая сетка")
sns.lineplot (data = flight_data, x = "год", y = "пассажиры")
  

Образец графика со стилем белой сетки

Классные варианты использования

Мы знаем основы seaborn , теперь давайте применим их на практике, построив несколько диаграмм на основе одного и того же набора данных.В нашем случае мы будем использовать «советы» набора данных, которые вы можете загрузить напрямую, используя seaborn .

Сначала загрузите набор данных.

  tips_df = sns.load_dataset ('советы')
tips_df.head ()
  

Мне нравится печатать первые несколько строк набора данных, чтобы получить представление о столбцах и самих данных.Обычно я использую некоторые функции pandas , чтобы исправить некоторые проблемы с данными, такие как нулевые значения , и добавить информацию в набор данных, которая может быть полезна. Подробнее об этом вы можете прочитать в руководстве по работе с пандами. .

Давайте создадим дополнительный столбец к набору данных с процентным соотношением, которое представляет сумму чаевых по отношению к общей сумме счета.

  tips_df ["tip_percentage"] = tips_df ["tip"] / tips_df ["total_bill"]
tips_df.head ()
  

Теперь наш фрейм данных выглядит следующим образом:

Теперь мы можем начать строить графики.

Процентное соотношение чаевых

Давайте сначала попробуем понять процентное распределение чаевых.Для этого мы можем использовать histplot , который будет генерировать диаграмму гистограммы.

  sns.histplot (tips_df ["tip_percentage"], binwidth = 0,05)
  

График процентного соотношения чаевых

Это хорошо, нам пришлось настроить свойство binwidth , чтобы сделать его более читабельным, но теперь мы можем быстро оценить наше понимание данных. Большинство клиентов дают чаевые от 15 до 20%, а у нас бывают крайние случаи, когда чаевые превышают 70%.Эти значения являются аномалиями, и их всегда стоит исследовать, чтобы определить, являются ли значения ошибками или нет.

Также было бы интересно узнать, меняется ли процент чаевых в зависимости от момента дня,

  sns.histplot (data = tips_df, x = "tip_percentage", binwidth = 0,05, hue = "time")
  

Процент чаевых по графику времени

На этот раз мы загрузили диаграмму с полным набором данных, а не только с одним столбцом, а затем мы установили свойство hue для столбца , время .Это заставит диаграмму использовать разные цвета для каждого значения , время и добавить к нему легенду.

Всего чаевых в день недели

Еще одна интересная метрика — узнать, сколько денег в виде чаевых может ожидать персонал в зависимости от дня недели.

  sns.barplot (data = tips_df, x = "day", y = "tip", Estimator = np.sum)
  

График процентного соотношения чаевых в день

Похоже, пятница — хороший день, чтобы остаться дома.

Влияние размера стола и дня на наконечник

Иногда мы хотим понять, как переменные играют вместе, чтобы определять результат. Например, как день недели и размер таблицы влияют на процент чаевых?

Чтобы нарисовать следующую диаграмму, мы объединим функцию панд pivot для предварительной обработки информации, а затем нарисуем диаграмму тепловой карты.

  pivot = tips_df.pivot_table (
    index = ["день"],
    columns = ["размер"],
    values ​​= "tip_percentage",
    agfunc = np.в среднем)
sns.heatmap (сводная карта)
  

Понимание процентного содержания чаевых в день и графика размера таблицы

Заключение

Конечно, с seaborn мы можем сделать гораздо больше, и вы можете узнать больше о сценариях использования, посетив официальную документацию. .

Надеюсь, вам понравилась эта статья так же, как и мне.

Спасибо за чтение!

Визуализация данных

Choropleth географические регионы показаны цветными, затененными или градуированными. по какой-то переменной.Они визуально поражают, особенно когда пространственные единицы карты являются знакомыми объектами, такими как страны Европейского Союза или штаты США. Но карты вроде это также может иногда вводить в заблуждение. Хотя это не посвященный Географическая информационная система (ГИС), R может работать с географическими data, а ggplot может создавать картографические карты. Но мы также рассмотрим некоторые другие способы представления таких данных.

На рис. 7.1 показана серия карт США 2012 г. общие результаты выборов.Читая слева вверху, слева вверху мы посмотрите, во-первых, двухцветную карту государственного уровня, где предел победы может быть высоким (темно-синий или красный) или низким (светло-синим или красным). В цветовая схема не имеет середины. Во-вторых, мы видим двухцветную, окружную карты окрашены в красный или синий цвет в зависимости от победителя. Третий — это карта уровня графства, где цвет красных и синих графств оценивается по размер доли голоса. Опять же, цветовая шкала не имеет средней точки. Четвертый — карта уровня округа с непрерывным цветовым градиентом от от синего до красного, но проходит через фиолетовую середину для областей, где баланс голосов близок к равному.Карта внизу слева искажает географические границы, сжимая или раздувая их до отражают население показанного округа. Наконец внизу справа мы видим картограмму, где состояния нарисованы квадратными плитками, и количество плиток, которые получает каждое состояние, пропорционально количеству голосов коллегии выборщиков (что, в свою очередь, пропорционально население этого штата).

На каждой из этих карт показаны данные для одного и того же события, но впечатления, которые они производят, сильно различаются.Каждый сталкивается с двумя основными проблемами. Во-первых, основные интересующие нас величины лишь частично являются пространственными. Число набранных голосов коллегии выборщиков и доля голосов, поданных в пределах штата или округа, выражаются в пространственных единицах, но в конечном итоге имеет значение количество людей в этих регионах. Во-вторых, сами регионы сильно различаются по размеру, и они отличаются друг от друга способом, который плохо коррелирует с величиной базовых голосов. Создатели карт также сталкиваются с выбором, который возникнет во многих других представлениях данных.Хотим ли мы просто показать, кто выиграл каждый штат в абсолютном выражении (это все, что имеет значение для фактического результата, в конце концов), или мы хотим указать, насколько близка была гонка? Хотим ли мы отображать результаты с более высоким уровнем разрешения, чем имеет отношение к результату, например, подсчет по округам, а не по штатам? Как мы можем передать, что разные точки данных могут иметь очень разный вес, потому что они представляют значительно большее или меньшее количество людей? Достаточно сложно передать эти выборы с помощью разных цветов и размеров на простой диаграмме рассеяния.Часто карта похожа на странную сетку, которой вы вынуждены соответствовать, даже если вы знаете, что она систематически искажает то, что вы хотите показать.

Конечно, это не всегда так. Иногда наши данные действительно являются чисто пространственными, и мы можем наблюдать их с достаточно высокой степенью детализации, чтобы честно и очень убедительно представить пространственные распределения. Но пространственные характеристики многих социальных наук собираются с помощью таких объектов, как участки, кварталы, муниципальные районы, переписные участки, округа, штаты и нации.Они сами могут быть социально обусловленными. Большая часть картографической работы с социально-научными переменными предполагает работу как с этим произволом, так и против него.

Карта данных государственного уровня США

Давайте посмотрим на некоторые данные по президентским выборам в США 2016 года. и посмотрим, как мы можем изобразить это в R. Набор данных Выборы имеет различные меры голосования и голосование акций по государству. Здесь мы выбираем столбцы и произвольно выберите несколько строк.

  выборы%>% select (state, total_vote,
                    r_points, pct_trump, party, census)%>%
    sample_n (5)  

  ## # Тибл: 5 x 6
## состояние total_vote r_points pct_trump партийная перепись
##      
## 1 Кентукки 1924149 29.8 62,5 Республиканский Юг
## 2 Вермонт 315067 -26,4 30,3 Демократ Северо-восток
## 3 Южная Каролина 2103027 14,3 54,9 Южно-республиканский
## 4 Вайоминг 255849 46,3 68,2 Республиканский Запад
## 5 Канзас 1194755 20,4 56,2 Республиканский Средний Запад  

Рисунок 7.2: Результаты выборов 2016 года. Будет ли двухцветная хороплетная карта более информативной или менее информативной?

Код FIPS — это федеральный код, который пронумеровывает штаты и территории Соединенные штаты.Он распространяется на уровень округа с дополнительными четырьмя цифры, поэтому каждый округ в США имеет уникальный шестизначный идентификатор, где первые две цифры представляют состояние. Этот набор данных также содержит регион переписи каждого штата.

  # Hex-коды цветов для Dem Blue и Rep Red
party_colors <- c ("# 2E74C0", "# CB454A")

p0 <- ggplot (данные = подмножество (выборы, st% nin% "DC"),
             отображение = aes (x = r_points,
                           y = переупорядочить (состояние, r_points),
                           цвет = партия))

p1 <- p0 + geom_vline (xintercept = 0, color = "gray30") +
    geom_point (размер = 2)

p2 <- p1 + scale_color_manual (значения = party_colors)

p3 <- p2 + scale_x_continuous (разрывы = c (-30, -20, -10, 0, 10, 20, 30, 40),
                              label = c («30 \ n (Клинтон)», «20», «10», «0»,
                                         «10», «20», «30», «40 \ n (Трамп)»))

p3 + facet_wrap (~ census, ncol = 1, scale = "free_y") +
    направляющие (цвет = FALSE) + labs (x = "Point Margin", y = "") +
    тема (ось.text = element_text (size = 8))  

Первое, что вы должны помнить о пространственных данных, это то, что вы не обязательно представлять его в пространстве. Мы работали с данные на уровне страны, и их еще предстоит составить карту. Из конечно, пространственные представления могут быть очень полезны, а иногда абсолютно необходимо. Но мы можем начать с точечной диаграммы на уровне штата, по регионам. Этот сюжет объединяет множество аспектов сюжета. конструкция, над которой мы работали до сих пор, включая подмножество данных, переупорядочивание результатов с помощью второй переменной и использование средства форматирования масштаба.Он также вводит некоторые новые параметры, такие как возможность бесплатного масштабирования на оси и вручную установить цвет эстетики. Мы разбиваем процесс строительства в несколько этапов путем создания промежуточных объекты ( p0 , p1 , p2 ) по пути. Это делает код немного более читабельный. Помните также, что, как всегда, вы можете попробовать построить график каждый из этих промежуточных объектов (просто введите их имя в консоли и нажмите return), чтобы посмотреть, как они выглядят.Что происходит если вы удалите аргумент scale = "free_y" из facet_wrap () ? Какие произойдет, если удалить вызов scale_color_manual () ?

Как всегда, первая задача при рисовании карты - получить фрейм данных с нужная информация в нем и в правильном порядке. Сначала мы загружаем R maps Пакет , который предоставляет нам некоторые предварительно нарисованные данные карты.

  библиотека (карты)
us_states <- map_data ("состояние")
голова (us_states)  

  ## подобласть области порядка группы длинных широт
## 1 -87.4620 30,3897 1 1 Алабама 
## 2 -87.4849 30.3725 1 2 алабама 
## 3 -87.5250 30.3725 1 3 алабама 
## 4 -87.5308 30.3324 1 4 алабама 
## 5 -87,5709 30,3267 1 5 алабама 
## 6 -87.5881 30.3267 1 6 alabama   

  тусклый (us_states)  

  ## [1] 15537 6  

Это всего лишь фрейм данных. В нем более 15 000 строк, потому что вам нужно много линий, чтобы нарисовать красивую карту.Мы можем сделать пустое состояние map сразу с этими данными, используя geom_polygon () .

  p <- ggplot (data = us_states,
            mapping = aes (x = длинный, y = lat,
                          группа = группа))

p + geom_polygon (fill = "white", color = "black")  

На карте нанесены точки широты и долготы, которые как масштабные элементы, сопоставленные с осями x и y. В конце концов, карта - это просто набор линий, нарисованных в правильном порядке на сетке.

Рисунок 7.3. Первая карта США.

Мы можем сопоставить эстетику заливки с областью и изменить цвет нанесение на светло-серый цвет и тонкие линии, чтобы границы штата стали немного лучше. Мы также скажем R не строить легенду.

Рисунок 7.4: Раскрашивание состояний

  p <- ggplot (data = us_states,
            aes (x = длинный, y = lat,
                группа = группа, заливка = регион))

p + geom_polygon (color = "gray90", size = 0,1) + направляющие (fill = FALSE)  

Теперь займемся проекцией.По умолчанию карта строится используя почтенную проекцию Меркатора. Выглядит не очень хорошо. Если предположить, что мы не планируем пересекать Атлантику, Практические достоинства этой проекции нам тоже не очень полезны. Если вы еще раз взглянете на карты на рис. 7.1, вы увидите обратите внимание, они выглядят лучше. Это потому, что они используют Альберса проекция. (Посмотрите, например, на то, как проходит граница США и Канады. немного изогнут по 49-й параллели от штата Вашингтон до Миннесота, а не прямая линия.) Приемы для карты проекции - это отдельный увлекательный мир, но пока просто помните, что мы можем преобразовать проекцию по умолчанию, используемую geom_polygon () , через функцию corre_map () . Ты запомнишь это мы сказали, что проекция на систему координат является необходимой частью построения графика для любых данных. Обычно это не подразумевается. Мы обычно не нужно было указывать функцию ordin_, потому что большинство время, когда мы нарисовали наши графики на простой декартовой плоскости.Карты более сложный. Наши местоположения и границы определены более или менее сферический объект, то есть должен иметь метод преобразования или проецируя наши точки и линии с круглой на плоскую поверхность. В Многие способы сделать это дают нам меню картографических опций.

Для проекции Альберса требуются два параметра широты: lat0, и лат1 . Здесь мы даем им их стандартные значения для карты США. (Пытаться возиться с их значениями и посмотреть, что произойдет, когда вы перерисуете карта.)

Рисунок 7.5: Улучшение проекции

  p <- ggplot (data = us_states,
            mapping = aes (x = длинный, y = lat,
                          группа = группа, заливка = регион))

p + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45) +
    направляющие (заполнить = ЛОЖЬ)  

Теперь нам нужно перенести наши собственные данные на карту. Помните, что внизу эта карта представляет собой просто большой фрейм данных, в котором указано большое количество строк. что нужно нарисовать.Мы должны объединить наши данные с этим фреймом данных. Несколько досадно, что в данных карты названия состояний (в переменной названный регион ) в нижнем регистре. Мы можем создать переменную самостоятельно кадра данных, чтобы соответствовать этому, используя функцию tolower () для преобразовать состояние имен. Затем мы используем left_join для слияния, но вы также можно использовать merge (..., sort = FALSE) . Этот шаг слияния важный! Вам нужно позаботиться о том, чтобы значения ключевых переменных вы соответствуете действительно точно соответствуют друг другу.Если их нет, пропущенные значения (коды NA ) будут введены в ваш сливаются, и линии на вашей карте не соединятся. Это приведет к странно «сегментированный» вид вашей карты, когда R пытается заполнить полигоны. Здесь переменная региона - единственный столбец с таким же name в обоих наборах данных, которые мы объединяем, поэтому left_join () функция использует его по умолчанию. Если ключи имеют разные имена в каждый набор данных вы можете указать, если необходимо.

Повторюсь, важно хорошо знать свои данные и переменные. достаточно, чтобы проверить, правильно ли они слились. Не делайте этого вслепую. Например, если были названы строки, соответствующие Вашингтону, округ Колумбия «Вашингтон, округ Колумбия» в области , переменная ваших данных о выборах кадр, но «округ Колумбия» в соответствующей области переменная данных вашей карты, то слияние в области будет означать отсутствие строк на выборах кадр данных будет соответствовать "Вашингтону, округ Колумбия" на карте данные, и все результирующие объединенные переменные для этих строк будут кодируется как отсутствующий.Карты, которые выглядят сломанными, когда вы их рисуете, обычно вызвано ошибками слияния. Но ошибки также могут быть незаметными. Например, возможно, в одном из названий вашего состояния случайно есть начальная (или, хуже, конечный) пробел в результате того, что данные изначально были привезены из других стран и не полностью очищены. Это означало бы, для Например, california и california␣ - разные строки, и матч не удастся. При обычном использовании вам может быть нелегко увидеть дополнительное пространство (обозначено здесь ␣ ).Так что будь осторожен.

  выборы $ регион <- tolower (выборы $ состояние)
us_states_elec <- left_join (us_states, выборы)  

Мы объединили данные. Взгляните на объект с помощью глава (us_states_elec) . Теперь, когда все находится в одном большом фрейме данных, мы можем нанести это на карту.

Рисунок 7.6: Отображение результатов

  p <- ggplot (data = us_states_elec,
            aes (x = длинный, y = lat,
                group = группа, fill = party))

p + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)  

Для завершения карты мы будем использовать цвета нашей партии для заливки, перемещаем легенду внизу и добавьте заголовок. Наконец, мы удалим линии сетки и метки осей, которые на самом деле не нужны, путем определения специальная тема для карт, которая удаляет большинство элементов, которые мы не необходимость. (Подробнее о темах мы узнаем в главе 8. Вы также можете увидеть код темы карты в Приложении.)

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = длинный, y = lat,
                           group = группа, fill = party))
p1 <- p0 + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)
p2 <- p1 + scale_fill_manual (значения = party_colors) +
    labs (title = "Результаты выборов 2016", fill = NULL)
p2 + theme_map ()  

Рисунок 7.7: Выборы 2016 по штатам

Имея фрейм данных карты на месте, мы можем сопоставить другие переменные, если мы нравиться. Давайте попробуем непрерывный показатель, например процент голосов. получил Дональд Трамп. Для начала мы просто сопоставляем переменную, которую мы хотите ( pct_trump ) в заполнить эстетику и посмотреть, что geom_polygon () делает по умолчанию.

Рисунок 7.8: Две версии процентного козыря по штатам

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = long, y = lat, group = group, fill = pct_trump))

p1 <- p0 + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p1 + labs (title = "Голос козыря") + theme_map () + labs (fill = "Percent")

p2 <- p1 + scale_fill_gradient (low = "white", high = "# CB454A") +
        лаборатории (title = "Голосование Трампа")
p2 + theme_map () + labs (fill = "Percent")  

По умолчанию в объекте p1 используется синий цвет.Просто по причинам условности, это не то, что здесь нужно. Кроме того, градиент бежит в неправильном направлении. В нашем случае стандартная интерпретация состоит в том, что чем больше доля голосов, тем темнее цвет. Мы исправляем оба из этих проблем в объекте p2 путем непосредственного указания масштаба . Мы будем использовать значения, которые мы создали ранее в party_colors .

Для результатов выборов мы могли бы предпочесть градиент, отличающийся от середина. Функция scale_gradient2 () дает нам сине-красный спектр, который по умолчанию проходит через белый цвет.В качестве альтернативы мы можем повторно укажите средний цвет вместе с высокими и низкими цветами. Мы сделает нашу среднюю точку пурпурной и воспользуется функцией muted () из масштабирует библиотеку , чтобы немного смягчить цвет.

Рисунок 7.9: Два взгляда на долю Трампа и Клинтона: белая середина и версия Purple America.

  p0 <- ggplot (data = us_states_elec,
             mapping = aes (x = long, y = lat, group = group, fill = d_points))

p1 <- p0 + geom_polygon (color = "gray90", size = 0.1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_gradient2 () + labs (title = "Выигрышные значения")
p2 + theme_map () + labs (fill = "Процент")

p3 <- p1 + scale_fill_gradient2 (низкий = "красный", средний = масштаб :: приглушенный ("фиолетовый"),
                                high = "синий", breaks = c (-25, 0, 25, 50, 75)) +
    labs (title = "Выигрышная прибыль")
p3 + theme_map () + labs (fill = "Percent")  

Если вы посмотрите на шкалу градиента для этого первого «пурпурного» Америка »на рис. 7.9, вы увидите, что это простирается очень высоко на синей стороне. Это потому, что Вашингтон включены в данные, а значит, и масштаб. Хотя это едва видно на карте, у округа Колумбия, безусловно, самая высокая разница в пользу демократов любой единицы наблюдения в данных. Если мы опустим это, мы увидим, что наша шкала сдвигается таким образом, что не только влияет верхнюю часть синего конца, но повторно центрирует весь градиент и делает в результате красная сторона более яркая. На рисунке 7.10 показано результат.

  p0 <- ggplot (data = subset (us_states_elec,
                           region% nin% "округ Колумбия"),
             aes (x = long, y = lat, group = group, fill = d_points))

p1 <- p0 + geom_polygon (color = "gray90", size = 0,1) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_gradient2 (low = "красный",
                                mid = scale :: приглушенный ("фиолетовый"),
                                high = "синий") +
    labs (title = "Выигрышная прибыль")
p2 + theme_map () + labs (fill = "Percent")  

Рисунок 7.10: Версия Purple America Трампа против Клинтона, исключающая результаты из Вашингтона, округ Колумбия.

Это обнажает знакомую хороплетную проблему наличия географических области, которые лишь частично представляют переменную, которую мы отображаем. В В этом случае мы показываем голоса пространственно, но что действительно важно это количество проголосовавших.

Ур-плетты Америки

В случае США административные районы сильно различаются по географическому области, и они также сильно различаются по численности населения.Проблема в очевидно на государственном уровне, как мы видели, возникает еще больше на уровень округа. Карты США на уровне графства могут быть эстетичными, из-за дополнительных деталей, которые они привносят на карту страны. Но они также упростить представление географического распределения, чтобы намекнуть объяснение. С результатами может быть сложно работать. При производстве карты графств, важно помнить, что штаты Нового Хэмпшир, Род-Айленд, Массачусетс и Коннектикут - все это меньше по площади, чем любой из десяти крупнейших западных округов .Много из этих округов менее ста тысяч человек живут в их. В некоторых из них проживает менее десяти тысяч человек.

В результате большинство картограмм США для любых переменная, по сути, показывает плотность населения больше, чем что-либо другое. В Другой большой переменной в случае США является процент черных. Посмотрим, как чтобы нарисовать эти две карты в R.Процедура по существу так же, как это было для карты государственного уровня. Нам нужны два фрейма данных, один содержит данные карты, а другой - заливку переменные, которые мы хотим отобразить.Потому что их больше трех тысяч округах США, эти два фрейма данных будут скорее больше, чем они были для карт государственного уровня.

Наборы данных включены в библиотеку socviz . Данные карты округа кадр уже немного обработан, чтобы преобразовать его в проекции Альберса, а также для перемещения (и масштабирования) Аляски и Гавайи, чтобы они вписывались в область в левом нижнем углу рисунка. Этот лучше, чем отбрасывать два состояния из данных.Шаги для этого преобразования и перемещения здесь не показаны. Если вы хотите узнать, как это делается, ознакомьтесь с дополнительными материалами. Давайте сначала взглянем на данные нашей карты округа:

  county_map%>% sample_n (5)  

  ## идентификатор группы длинных отверстий для заказа
## 116977-286097 -1302531 116977 ЛОЖНО 1 0500000US35025.1 35025
## 175994 1657614-698592 175994 ЛОЖНО 1 0500000US51197.1 51197
## 186409 674547-65321 186409 ЛОЖНО 1 0500000US55011.1 55011
## 22624 619876-1093164 22624 ЛОЖНО 1 0500000US05105.1 05105
## 5906-1983421-2424955 5906 ЛОЖНО 10 0500000US02016.10 02016  

Он выглядит так же, как и наш фрейм данных карты состояний, но намного больше и содержит почти 200 000 строк. Поле id - это код FIPS для округа. Затем у нас есть фрейм данных с демографическими, географическими данными и данными о выборах на уровне округа:

  county_data%>%
    выберите (идентификатор, имя, состояние, pop_dens, pct_black)%>%
    sample_n (5)  

  ## имя идентификатора состояние pop_dens pct_black
## 3029 53051 Пенд Орейл Каунти, штат Вашингтон [0, 10) [0.0, 2,0)
## 1851 35041 Рузвельт Каунти Нью-Мексико [0, 10) [2.0, 5.0)
## 1593 29165 Платт, округ Миссури [100, 500) [5.0,10.0)
## 2363 45009 Округ Бамберг SC [10, 50) [50.0,85.3]
## 654 17087 Округ Джонсон, штат Иллинойс [10, 50) [5.0,10.0)  

Этот фрейм данных включает информацию по объектам, кроме округов, но не по всем переменным. Если вы посмотрите на верхнюю часть объекта с head () , вы заметите, что первая строка имеет id из 0 .Ноль - это код FIPS для всех Соединенных Штатов, поэтому данные в этой строке относятся ко всей стране. Точно так же вторая строка имеет идентификатор , из 01000, что соответствует FIPS штата 01 для всей Алабамы. Когда мы объединяем county_data в county_map , эти строки состояния будут удалены вместе со строкой National, поскольку county_map имеет данные только на уровне округа.

Мы объединяем фреймы данных, используя общий столбец FIPS id :

  county_full <- left_join (county_map, county_data, by = "id")  

Объединив данные, мы можем отобразить плотность населения на квадратную милю.

  p <- ggplot (data = county_full,
            mapping = aes (x = длинный, y = lat,
                          fill = pop_dens,
                          группа = группа))

p1 <- p + geom_polygon (color = "gray90", size = 0,05) + corre_equal ()

p2 <- p1 + scale_fill_brewer (palette = "Блюз",
                             label = c ("0-10", "10-50", "50-100", "100-500",
                                        «500–1000», «1000–5000», «> 5000»))

p2 + labs (fill = "Население на \ nквадратную милю") +
    theme_map () +
    направляющие (fill = guide_legend (nrow = 1)) +
    тема (легенда.position = "bottom")  

Рисунок 7.11: Плотность населения США по округам.

Если вы попробуете объект p1 , вы увидите, что ggplot создает четкую карту, но по умолчанию выбирает неупорядоченный категориальный макет. Это связано с тем, что переменная pop_dens не упорядочена. Мы могли бы перекодировать его так, чтобы R знал о порядке. В качестве альтернативы мы можем вручную указать правильный масштаб, используя функцию scale_fill_brewer () вместе с более удобным набором меток.Мы узнаем больше об этой функции масштабирования в следующей главе. Мы также настраиваем отображение легенды с помощью функции guides () , чтобы каждый элемент ключа отображался в одной строке. Мы снова увидим использование guides () более подробно в следующей главе. Использование corre_equal () гарантирует, что относительный масштаб нашей карты не изменится, даже если мы изменим общие размеры графика.

Теперь мы можем сделать то же самое для нашей карты процента черного. население по округам.Еще раз указываем палитру для заливки отображение с использованием scale_fill_brewer () , на этот раз выбрав другой диапазон оттенков для карты.

  p <- ggplot (data = county_full,
            mapping = aes (x = long, y = lat, fill = pct_black,
                          группа = группа))
p1 <- p + geom_polygon (color = "gray90", size = 0,05) + corre_equal ()
p2 <- p1 + scale_fill_brewer (palette = "Зелень")

p2 + labs (fill = "Население США, процент чернокожих") +
    направляющие (fill = guide_legend (nrow = 1)) +
    theme_map () + тема (legend.position = "bottom")  

Рисунок 7.12: Процент чернокожего населения по округам.

Рисунки 7.11 и 7.12 являются американскими «Ур-хороплеты». Между ними двумя, плотность населения и процентов Черные сделают многое, чтобы стереть с лица земли многие сугубо узорчатая карта Соединенных Штатов. Эти две переменные не объяснения чего-либо изолированно, но если это окажется что полезнее знать один или оба из них, а не то, что вы планируете, вы, вероятно, захотите пересмотреть свою теорию.

В качестве примера проблемы в действии нарисуем два новых хороплеты на уровне графства. Первый - это попытка воспроизвести плохо составленная, но широко распространяемая карта графства, связанная с огнестрельным оружием уровень самоубийств в США. Переменная su_gun6 в county_data (и county_full ) является мерой скорости всех самоубийства, связанные с огнестрельным оружием, в период с 1999 по 2015 годы. на шесть категорий. У нас есть переменная pop_dens6 , которая делит Плотность населения тоже на шесть категорий.

Сначала мы рисуем карту с переменной su_gun6 . Мы будем соответствовать цветовые палитры между картами, но для карты населения мы будем переверните нашу цветовую шкалу так, чтобы в более темный оттенок. Мы делаем это с помощью функции из RColorBrewer библиотека для создания двух палитр вручную. Используемая функция rev () здесь меняет порядок вектора.

  orange_pal <- RColorBrewer :: brewer.pal (n = 6, name = "Апельсины")
orange_pal  

  ## [1] "#FEEDDE" "# FDD0A2" "# FDAE6B" "# FD8D3C" "# E6550D"
## [6] "# A63603"  

  orange_rev <- rev (orange_pal)
orange_rev  

  ## [1] "# A63603" "# E6550D" "# FD8D3C" "# FDAE6B" "# FDD0A2"
## [6] "#FEEDDE"  

Пивовар .Функция pal () создает равномерно распределенные цветовые схемы для заказ из любой из нескольких названных палитр. Цвета указаны в шестнадцатеричном формате. Опять же, мы узнаем больше о цвете спецификации и как управлять палитрами для отображаемых переменных в Глава 8.

  gun_p <- ggplot (data = county_full,
            mapping = aes (x = длинный, y = lat,
                          fill = su_gun6,
                          группа = группа))

gun_p1 <- gun_p + geom_polygon (color = "gray90", size = 0.05) + corre_equal ()

gun_p2 <- gun_p1 + scale_fill_manual (значения = orange_pal)

gun_p2 + labs (title = "Самоубийства, связанные с огнестрельным оружием, 1999-2015 гг.",
              fill = "Скорость на 100 000 населения.") +
    theme_map () + theme (legend.position = "bottom")  

Нарисовав оружейный участок, мы используем почти точно такой же код для построения карты плотности населения с обратным кодом.

  pop_p <- ggplot (data = county_full, mapping = aes (x = long, y = lat,
                                                  fill = pop_dens6,
                                                  группа = группа))

pop_p1 <- pop_p + geom_polygon (color = "gray90", size = 0.05) + corre_equal ()

pop_p2 <- pop_p1 + scale_fill_manual (значения = orange_rev)

pop_p2 + labs (title = "Плотность населения с обратным кодом",
              fill = "Люди на квадратную милю") +
    theme_map () + theme (legend.position = "bottom")  

Понятно, что две карты не идентичны. Однако визуальный Воздействие первого имеет много общего со вторым. Темный группы на Западе (кроме Калифорнии) выделяются и исчезают по мере того, как мы двигаться к центру страны.Есть несколько сильных сходства и в других местах карты, например, на северо-востоке.

Мера самоубийства, связанного с применением оружия, уже выражена в виде ставки. Это количество подходящих смертей в округе, деленное на численность населения. Обычно мы стандартизируем таким образом, чтобы «контролировать» тот факт, что более крупные группы населения, как правило, производят больше связанных с оружием самоубийства только потому, что в них больше людей. Однако это своего рода стандартизация имеет свои пределы. В частности, когда мероприятие представляющих интерес, не очень распространены, и есть очень большие различия в базовый размер единиц, затем знаменатель (например,г., население size) все больше начинает выражаться в стандартизованных мера.

Рисунок 7.13: Самоубийства, связанные с огнестрельным оружием, по округам; Плотность населения с обратным кодом по округам. Прежде чем опубликовать это изображение в Твиттере, прочтите текст, чтобы обсудить, что с ним не так.

В-третьих, и более тонко, данные подлежат отчетным ограничениям. связано с численностью населения. Если событий меньше десяти на год для причины смерти Центры по контролю за заболеваниями (CDC) будут не сообщать о них на уровне округа, потому что это может быть возможно идентифицировать конкретных умерших людей.Назначение таких данных для бункеры создают пороговую проблему для картограмм. Посмотри снова Рисунок 7.13. Панель самоубийств, связанных с оружием, кажется, показывает группа округов с севера на юг с самым низким уровнем самоубийств бежит из Дакоты через Небраску, Канзас, и на Запад Техас. Как ни странно, эта группа граничит с графствами на Западе с очень самые высокие ставки, начиная с Нью-Мексико. Но из карты плотности мы можем видите, что во многих округах в обоих этих регионах очень низкое население плотности.Неужели они такие разные в самоубийстве, связанном с оружием? ставки?

Наверное, нет. Скорее всего, мы видим артефакт, возникающий из-за того, как данные закодированы. Например, представьте себе округ со 100 000 жителей, которые за год совершают девять самоубийств, связанных с оружием. В CDC не сообщает этот номер. Вместо этого он будет закодирован как «Скрыто», сопровождается примечанием о любых стандартизированных оценках или ставки тоже будут ненадежными. Но если мы полны решимости сделать карта, на которой все округа окрашены в цвет, у нас может возникнуть соблазн поставить любые подавленные результаты в нижнюю корзину.Ведь мы знаем, что число находится где-то между нулем и десятью. Почему бы просто не закодировать это как ноль? ⊕ Не делайте этого. Одна стандартная альтернатива - оцените подавленные наблюдения, используя модель подсчета. Подход как это, естественно, может привести к более обширному, собственно пространственному моделирование данных. Между тем, графство со 100000 жителей который совершает двенадцать самоубийств, связанных с оружием, в год будет численно сообщается. CDC - ответственная организация, поэтому хотя он дает абсолютное количество смертей для всех округов выше порогового значения, примечания к файлу данных все равно будут предупреждать вас что любая ставка, рассчитанная с этим числом, будет ненадежной.Если мы продвигайтесь вперед и сделайте это в любом случае, тогда 12 смертей в небольшой популяции вполне может поставить малонаселенный округ в высшую категорию уровень самоубийств. Между тем, малонаселенные округа как раз под этим порог будет закодирован как находящийся в самом низком (самом легком) бункере. Но в на самом деле они могут быть не такими уж и разными, и в любом случае попытки определить количественно, что разница будет недостоверной. Если оценки для этих округа нельзя получить напрямую или оценить с помощью хорошей модели, тогда лучше отказаться от этих дел как пропавших без вести, даже за счет вашего красивая карта, чем большие территории страны, нарисованные цвет получен из ненадежного числа.

Небольшие различия в отчетах в сочетании с неправильным кодированием приведут к пространственно вводящие в заблуждение и существенно ошибочные результаты. Может показаться которые сосредоточены на деталях кодирования переменных в этом конкретном дело слишком много в сорняках для общего введения. Но именно эти детали могут кардинально изменить внешний вид любого графа, но особенно карт, таким образом, что может быть трудно обнаруживать постфактум.

Statebins

В качестве альтернативы хороплетам государственного уровня можно рассматривать statebins , используя пакет, разработанный Бобом Рудисом.Мы будем использовать это, чтобы посмотрите еще раз на наши результаты выборов на уровне штата. Statebins похож в ggplot, но синтаксис немного отличается от того, который мы использовали к. Требуется несколько аргументов, включая базовый фрейм данных ( state_data аргумент), вектор имен состояний ( state_col ) и отображается значение ( столбец_значений ). Кроме того, мы можем опционально сказать это цветовая палитра, которую мы хотим использовать, и цвет текста для маркировки государственные коробки. Для непрерывной переменной мы можем использовать statebins_continuous () , а именно:

Рисунок 7.14: Statebins результатов выборов. Мы опускаем DC на карте Клинтона, чтобы предотвратить разбалансировку шкалы.

  библиотека (стейбины)

statebins_continuous (state_data = выборы, state_col = "состояние",
                     text_color = "белый", value_col = "pct_trump",
                     brewer_pal = "Красные", font_size = 3,
                     legend_title = "Процент козыря")

statebins_continuous (state_data = subset (выборы, st% nin% "DC"),
                     state_col = "состояние",
                     text_color = "черный", value_col = "pct_clinton",
                     brewer_pal = "Блюз", font_size = 3,
                     legend_title = "Процент Клинтона")  

Иногда нам нужно представить категориальные данные.Если наша переменная уже разделенные на категории, мы можем использовать statebins_manual () для представляют это. Здесь добавьте новую переменную к данным выборов с именем цвет , просто зеркальное отображение названий партий с двумя соответствующими названиями цветов. Мы делаем это, потому что нам нужно указать цвета, которые мы используем, переменной во фрейме данных, а не как правильное отображение. Мы говорим statebins_manual () функция, что цвета содержатся в столбце назвал цвет .

В качестве альтернативы мы можем иметь statebins () вырезать данные для нас, используя разбивает аргумент , как и во втором сюжете.

Рисунок 7.15: Ручное указание цветов для бинов состояний.

  выборы <- выборы%>% mutate (color = recode (party, Republican = "darkred",
                                               Демократ = "королевский синий"))

statebins_manual (state_data = выборы, state_col = "st",
                 color_col = "цвет", text_color = "белый",
                 font_size = 3, legend_title = "Победитель",
                 label = c ("Трамп", "Клинтон"), legend_position = "right")

statebins (state_data = выборы,
          state_col = "состояние", value_col = "pct_trump",
          text_color = "white", breaks = 4,
          label = c ("4-21", "21-37", "37-53", "53-70"),
          brewer_pal = "Красные", font_size = 3, legend_title = "Процент козыря")  

Малые-кратные карты

Иногда у нас есть географические данные с повторяющимися наблюдениями с течением времени.Распространенным случаем является наблюдение за показателем на уровне страны или штата в течение нескольких лет. В этих случаях мы можем захотеть создать небольшую множественную карту, чтобы отображать изменения с течением времени. Например, данные опиатов содержат измерения уровня смертности от причин, связанных с опиатами (таких как передозировка героина или фентанила) на уровне штата, в период с 1999 по 2014 год.

  опиаты  

  ## # Тибл: 800 x 11
## год штатные фипсы смертность населения скорректирована
##       
## 1 1999 Алабама 1 37 4430141 0.800 0,800
## 2 1999 Аляска 2 27 624779 4,30 4,00
## 3 1999 Аризона 4229 5023823 4,60 4,70
## 4 1999 Арканзас 5 28 2651860 1,10 1,10
## 5 1999 Калифорния 6 1474 33499204 4,40 4,50
## 6 1999 Колорадо 8 164 4226018 3,90 3,70
## 7 1999 Коннектикут 9 151 3386401 4,50 4,40
## 8 1999 г. Делавэр 10 32 774990 4,10 4,10
№ 9 1999 г. р-н о… 11 28 570213 4.90 4,90
## 10 1999 Флорида 12 402 15759421 2,60 2,60
## # ... с дополнительными 790 строками и еще 4 переменными:
## # Adjust_se , регион , abbr ,
## # имя_разделения   

Как и раньше, мы можем взять наш объект us_states , содержащий детали карты уровня состояния, и объединить его с нашим набором данных опиатов. Как и раньше, мы сначала преобразуем переменную State в данных opiates в нижний регистр, чтобы сопоставление работало правильно.

  опиаты $ регион <- tolower (состояние опиатов)
opiates_map <- left_join (us_states, опиаты)  

Поскольку данные опиатов включают переменную года , мы сейчас находимся в возможность сделать фасетное малое кратное с одной картой на каждый год в данных. Следующий фрагмент кода похож на одиночный карты государственного уровня, которые мы нарисовали до сих пор. Мы указываем данные карты как обычно, добавляя к нему geom_polygon () и corre_map () , с аргументами те функции нужны.Вместо того, чтобы разрезать наши данные на бункеры, мы построим непрерывные значения для скорректированной переменной коэффициента смертности (, скорректировано, ). Если вы хотите поэкспериментировать с разделением данных на группы на лету, взгляните на cut_interval () функция. Чтобы эффективно построить график этой переменной, мы будем использовать новую функцию масштабирования из библиотеки viridis . Цвета viridis идут в последовательности от низкого к высокому и очень хорошо работа по объединению воспринимаемых однородных цветов с легко видимыми, легко контрастирующие оттенки по их чешуе.Библиотека viridis предоставляет непрерывные и дискретные версии, обе в нескольких вариантах. Некоторые сбалансированные палитры могут быть немного размытыми, особенно в нижней части, но палитры viridis этого избегают. В этом коде суффикс _c_ в функции scale_fill_viridis_c () сигнализирует, что это масштаб для непрерывных данных. Для дискретных данных существует эквивалент scale_fill_viridis_d () .

Мы фасетируем карты точно так же, как и любой другой малый множитель, с помощью функции facet_wrap () .Мы используем тему () функция, чтобы поместить легенду внизу и удалить затененные по умолчанию фон от этикеток года. Мы узнаем больше об этом использовании функция theme () в главе 8. Окончательная карта показано на рисунке 7.16.

  библиотека (viridis)

p0 <- ggplot (data = subset (opiates_map, год> 1999),
             mapping = aes (x = длинный, y = lat,
                 группа = группа,
                 fill = скорректировано))

p1 <- p0 + geom_polygon (color = "gray90", size = 0.05) +
    Координатная_карта (projection = "albers", lat0 = 39, lat1 = 45)

p2 <- p1 + scale_fill_viridis_c (option = "плазма")

p2 + theme_map () + facet_wrap (~ год, ncol = 3) +
    тема (legend.position = "bottom",
          strip.background = element_blank ()) +
    labs (fill = "Смертность на 100 000 населения",
         title = "Смертность, связанная с опиатами, по штатам, 2000-2014 гг.")  

Рисунок 7.16: Маленькая множественная карта. В штатах, выделенных серым цветом, было зарегистрировано слишком мало смертей для достоверной оценки численности населения в том году.Штаты в белом не сообщили данных.

Это хороший способ визуализировать эти данные? ⊕ Попробуйте пересмотреть свой код для ur-choropleths, но используйте непрерывные, а не группированные меры, а также палитру viridis . Вместо pct_black используйте переменную black . Для определения плотности населения разделите pop на land_area . Вам нужно будет настроить функции scale_ . Как карты соотносятся с разнесенными версиями? Что происходит с картой плотности населения и почему? Как мы обсуждали выше, хороплетные карты U.С. стараются в первую очередь отслеживать размер местных населения и, во вторую очередь, процент населения, которое Афроамериканец. Различия в географическом размере государств снова затрудняет обнаружение изменений. И это довольно сложно многократно сравнивать по пространственным регионам. Повторные меры делают означают, что некоторое сравнение возможно, и сильные тенденции для этого данные упрощают просмотр. В этом случае случайный зритель может подумать, например, что опиодный кризис был худшим в пустыне на юго-западе по сравнению со многими другими частями стране, хотя тоже кажется, что в Аппалачи.

Действительно ли ваши данные пространственные?

Как мы отметили в начале главы, даже если наши данные собраны или сгруппированы в пространственные единицы, всегда стоит спрашивать является ли карта лучшим способом ее представления. Многие округа, штат и национальные данные не являются должным образом пространственными, поскольку они действительно физических лиц (или какой-либо другой заинтересованной единицы), а не географическое распределение этих единиц как таковых . Возьмем наши данные по опиатам на уровне штата и перерисовать их в виде графика временного ряда.Мы будем сохраняйте фокус на уровне штата (в конце концов, это ставки на уровне штата), но постарайтесь сделать тенденции более заметными.

Мы могли бы просто построить тренды для каждого штата, как мы это делали в самом начале начиная с данных gapminder . Но пятьдесят штатов - это слишком много линии, за которыми нужно следить сразу.

Рисунок 7.17: Все состояния сразу.

  p <- ggplot (данные = опиаты,
            mapping = aes (x = год, y = скорректировано,
                          группа = состояние))
p + geom_line (color = "gray70")  

Более информативный подход - воспользоваться географическим положением структура данных с использованием регионов переписи для группировки штатов.Представьте себе многогранный график, показывающий тенденции на уровне штата в каждом регионе. страны, возможно, с линией тренда для каждого региона. Сделать это, мы воспользуемся возможностью ggplot накладывать геометрические фигуры один поверх других другого, используя разные наборы данных в каждом случае. Начнем с того, что данные опиатов (исключая Вашингтон, округ Колумбия, поскольку это не штат), и построение скорректированного коэффициента смертности с течением времени.

  p0 <- ggplot (data = drop_na (опиаты, название подразделения),
            mapping = aes (x = год, y = скорректировано))
            
p1 <- p0 + geom_line (color = "gray70",
              mapping = aes (группа = состояние))  

Функция drop_na () удаляет строки, в которых отсутствуют наблюдения для указанных переменных, в данном случае только Division_name , потому что Вашингтон, округ Колумбия, не является частью какого-либо отдела переписи.Мы сопоставляем группу эстетики с состоянием в geom_line () , что дает нам линейный график для каждого штата. Мы используем аргумент color , чтобы установить линии к светло-серому. Далее добавляем сглаживание:

  p2 <- p1 + geom_smooth (сопоставление = aes (group = имя_раздела),
                       se = FALSE)  

Для этого геометрии мы установили group aesthetic на Division_name . (Подразделение - это меньшая классификация переписи, чем регион.Если мы установим его на , состояние , мы получим пятьдесят отдельных сглаживателей в дополнение к нашим пятидесяти линиям тренда. Затем, используя то, что мы узнали в главе 4, мы добавляем объект geom_text_repel () , который помещает метку для каждого состояния в конец серии. Поскольку мы маркируем линии, а не точки, мы хотим, чтобы метка состояния отображалась только в конце строки. В Уловка состоит в том, чтобы подгруппировать данные так, чтобы только точки за последний год наблюдаемые используются (и поэтому помечены). Мы также должны не забыть удалить Вашингтон, округ Колумбия, снова здесь, поскольку новый аргумент данных заменяет оригинал р0 .

  p3 <- p2 + geom_text_repel (data = subset (опиаты,
                                         год == макс (год) & abbr! = "DC"),
                     mapping = aes (x = год, y = скорректировано, label = abbr),
                     size = 1.8, segment.color = NA, nudge_x = 30) +
         corre_cartesian (c (мин (опиаты $ год),
                    макс (опиаты $ год)))  

По умолчанию geom_text_repel будет на маленьких отрезках линии, которые укажите, к чему относятся ярлыки.Но здесь это бесполезно, так как мы уже имеют дело с конечной точкой линии. Поэтому мы их выключаем с аргументом сегмент. цвет = NA . Мы также убираем ярлыки с немного справа от строк, используя аргумент nudge_x , и используйте ordin_cartesian () , чтобы установить пределы оси, чтобы было достаточно место для них.

Наконец, мы обрабатываем результаты по отделам переписи и добавляем наши метки. А полезной корректировкой является изменение порядка панелей по среднему коэффициенту смертности.Ставим минус перед цифрой , поправляем на то, что деления с самые высокие средние ставки появляются в диаграмме первыми.

  p3 + labs (x = "", y = "Скорость на 100 000 населения",
       title = "Уровень смертности от опиатов на уровне штата по переписи населения, 1999-2014 гг.") +
    facet_wrap (~ reorder (имя_разделения, -адаптировано, na.rm = TRUE), nrow = 3)  

Наш новый сюжет раскрывает большую часть общей истории карт, но также немного смещает акценты. Легче видеть четче что происходит в некоторых частях страны.В частности, вы можете увидеть номера в Нью-Гэмпшире, Род-Айленде, Массачусетсе и Коннектикут. Вы можете более легко увидеть различия на уровне штата в Запад, например, между Аризоной, с одной стороны, и Нью-Йорком. С другой стороны, Мексика или Юта. И, как также было видно на картах, удивительно быстрый рост смертности в Западной Вирджинии также очевидно. Наконец, графики временных рядов лучше передают расходящиеся траектории различных состояний внутри регионов. Существует намного больше отклонений в конце серии, чем в начале, особенно на Северо-Востоке, Среднем Западе и Юге, и хотя это может быть выведенные из карт, их легче увидеть на графиках трендов.

Рисунок 7.18: Данные по опиатам в виде фасетных временных рядов.

Единицей наблюдения на этом графике по-прежнему является год штата. В географически привязанный характер данных никогда не исчезнет. Линии, которые мы draw по-прежнему представляет состояния. Таким образом, основной произвол представление нельзя заставить исчезнуть. В каком-то смысле идеал набор данных здесь будет собран на более детальном уровне единицы, времени и пространственной специфичности. Представьте себе данные на индивидуальном уровне с произвольно точной информацией о личных характеристиках, раз и место смерти.В таком случае мы могли бы агрегировать до любых понравившихся нам категориальных, пространственных или временных единиц. Но такие данные крайне редки, часто по очень веским причинам, которые варьируются от практичности сбора до частной жизни. На практике нам нужно быть осторожными, чтобы не допустить какой-то ошибки неуместная конкретность, ошибочно принимающая единицу наблюдения за вещь, представляющая реальный предметный или теоретический интерес. Это проблема для большинства видов социально-научных данных. Но их поразительное зрелище характер делает карты, возможно, более уязвимыми для этой проблемы, чем другие виды визуализации.

Куда пойти дальше

В этой главе мы узнали, как начать работу с уровнями состояния и данные на уровне округа, организованные кодами FIPS. Но это почти не царапает поверхность визуализации, где пространственные особенности и распределения являются основным направлением. Анализ и визуализация пространственных данных собственная исследовательская область с собственными исследовательскими дисциплинами в области географии и картография. Понятия и методы изображения пространственного функции хорошо разработаны и стандартизированы.До не давнего времени, большая часть этой функциональности была доступна только через выделенный Географические информационные системы. Их картографирование и пространственный анализ функции не были хорошо связаны. Или, по крайней мере, их не было удобно подключается к программному обеспечению, ориентированному на анализ табличных данные.

Это быстро меняется. Брандсон и Комбер (2015) введение в некоторые возможности отображения R. Между тем совсем недавно эти инструменты стали намного более доступными через tidyverse.Из особый интерес для социологов⊕ r-spatial.github.io/sf/ . Также смотрите новости и обновления на r-spatial.org . - это постоянная разработка Edzer Pebesma пакета sf , который реализует стандартную модель данных Simple Features для пространственных объектов удобным для тидиверсии способом. Соответственно, пакет tigris Кайла Уокера и Боба Рудиса⊕ github.com/walkerke/tigris обеспечивает (совместимый с sf-библиотекой) доступ к шейп-файлам TIGER / Line Бюро переписи населения США, которые позволяют отображать данные для множества различных географические, административные и связанные с переписью подразделения Соединенных Штатов, а также дороги и водные объекты.Наконец, пакет tidycensus Кайла Уокера⊕ walkerke.github.io/tidycensus (Walker, 2018) значительно упрощает получение как основных, так и пространственных данных по данным переписи населения США и Опрос американского сообщества.

10 лучших примеров визуализации данных

Хотя визуализация данных часто вызывает мысли о бизнес-аналитике у опытных аналитиков, обычно она намного более креативна и красочна, чем вы думаете. Существует множество разнообразных приложений, от бизнес-панелей до визуализаций общественного здравоохранения и анализа тенденций в поп-культуре.Великолепная и красивая визуализация данных требует навыков графического дизайна и рассказывания историй в дополнение к отличным навыкам анализа. В этой статье мы собираемся выделить некоторые из самых влиятельных, самых интересных и наиболее показательных визуализаций. Сначала мы рассмотрим некоторые примечательные исторические примеры, а затем перенесемся вперед и обсудим еще несколько современных визуализаций. Кроме того, обязательно ознакомьтесь с нашим подробным руководством по визуализации данных или ознакомьтесь с некоторыми из наших любимых примеров.

Визуализация: Чарльз Джозеф Минар Подробнее: Википедия В 1812 году Наполеон двинулся на Москву, чтобы завоевать город.Это была катастрофа: начав с 470 000 солдат, он вернулся всего с 10 000. Эта диаграмма рассказывает историю той кампании и стала одной из самых известных визуализаций всех времен. На карте подробно описан путь войск Наполеона туда и обратно. Ширина линии представляет общее количество солдат, а цвет представляет направление (желтый - в сторону Москвы, черный - обратный путь). Под центральной визуализацией также находится простой линейный график температуры, иллюстрирующий стремительное снижение зимних холода.Он эффективен, подробен и рисует ошеломляющую картину опустошения путешествия. Из-за своей известности об этой диаграмме есть много критических комментариев (хороший пример - это сообщение с сайта Excelcharts.com). Многие из них являются разумной критикой, но это остается чрезвычайно влиятельной и успешной диаграммой, которая выделяется тем, что рассказывает историю с богатыми деталями в каждой точке данных и поощряет любопытство.

Визуализация: Джон Сноу Подробнее: Википедия Карта Джона Сноу, холеры (не Джон Сноу из Игры престолов), по сути, представляет собой раннюю визуализацию точечной карты.Он использует небольшие гистограммы на городских кварталах, чтобы отметить количество смертей от холеры в каждом доме в районе Лондона. Концентрация и длина этих столбцов показывают определенную совокупность городских кварталов в попытке выяснить, почему тенденция смертности выше, чем где-либо еще. Вывод: все домохозяйства, наиболее пострадавшие от холеры, использовали один и тот же колодец для питьевой воды. В то время это было полным откровением. Рассматриваемый колодец обслуживал территорию с высокой концентрацией вспышек холеры - и этот колодец был загрязнен сточными водами.Применительно к более широкой тенденции вспышек холеры в Лондоне это открытие помогло провести более четкую грань между болезнью и зараженными колодцами. Таким образом, решением для предотвращения холеры было строительство канализационных систем и защита колодцев от загрязнения. Вот почему это очень успешная визуализация: она выявила первопричину проблемы и вдохновила на решение. Кроме того, во времена, когда точечные карты и тепловые карты еще не были полностью реализованы, эта ранняя попытка была невероятно инновационной. Решение было найдено только потому, что аналитик расширил границы техники визуализации, чтобы создать что-то новое и полезное.

Визуализация предоставлена: Florence Nightingale Подробнее: Wikipedia Во время Крымской войны 1850-х годов уровень смертности солдат был высоким и продолжал расти. Но не только из-за сражений. Медсестра, аналитик и рок-звезда данных Флоренс Найтингейл использовала эту красивую визуализацию данных, чтобы показать, что большинство смертей на самом деле было вызвано плохой работой больниц. Заштрихованные области спиральных диаграмм показывают общее количество смертей, а более темные заштрихованные области представляют смерти в результате боевых действий.Легко и быстро сказать, что здесь происходило что-то еще, причем в больших масштабах. Медицинский опыт Найтингейл и посещения больниц позволили ей определить плохие медицинские условия как неожиданную и предотвратимую причину стольких смертей. Исследование проводилось в рамках Королевской комиссии по изучению причин смертности солдат в Крымской войне. Найтингейл работал с Уильямом Фарром, пионером статистики викторианской эпохи, который не поддерживал идею включения визуализаций, но Найтингейл твердо стоял на своем и выступал за эту ставшую теперь известной визуализацией.

Визуализация: Джозеф Пристли Подробнее: Википедия Эффективный и наглядный способ представить массивную и сложную временную шкалу записанной человеческой цивилизации. Джозеф Пристли хорошо известен по двум графикам. Первая - это «Карта биографии», которая представляет 700-летнюю хронологию известных людей, лидеров и философов и привлекает внимание к тому, какие люди были активны в истории в то же время. Карта биографии, сколь бы простой она ни была, остается одной из самых важных визуализаций в истории.Его вторая временная шкала развивает методы в Таблице биографии для создания Новой Карты истории. Подобно первой диаграмме, это временная шкала, которая акцентирует внимание на одновременном существовании и влиянии основных империй и культур на протяжении истории. Пристли обновляет свою технику, вводя цвет, размер и творческую ось Y расположения. В результате получился захватывающий визуальный рассказ истории, который говорит о многом. Хотя это очень загруженный график, он также бесконечно креативен и был оригинальным и огромным нововведением в то время.

Визуализация предоставлена: US Office of Management and Budget (2016) Подробнее: Obama White House Archives Все правительства, и особенно США, печально известны тем, что государственные бюджеты непонятны и непонятны. Эта древовидная карта, созданная Белым домом во время президентства Барака Обамы, визуально разбила бюджет Соединенных Штатов на 2016 год, чтобы поместить правительственные программы в контекст. Неясно, был ли это первый интерактивный бюджет, публично опубликованный правительством США, но он остается архивированным и информативным, даже если это довольно простая древовидная диаграмма.Что делает эту конкретную визуализацию такой важной, так это способ доставки. Это не самая инновационная древовидная карта, не самая инновационная интерактивная визуализация, и это не первая широко известная визуализация государственного бюджета (у New York Times был невероятный бюджет на 2013 год, а кандидат Росс Перо был хорошо известен. за использование диаграмм). Ключевым моментом здесь является тот факт, что крупная мировая держава приняла интерактивную визуализацию данных как способ общения с налогоплательщиками о том, куда пойдут их налоговые доллары.Эта сложная и непонятная тема стала доступной благодаря простой и понятной визуализации.

COVID-19 #CoronaVirus Infographic Datapack - Информация прекрасна

Вы можете использовать эту графику как хотите.