La visualisation est cruciale tout au long du processus d'analyse des données, de l'exploration initiale à la communication des découvertes et des idées importantes. Nous découvrons des modèles, découvrons des relations cachées et communiquons visuellement.
Avec des données de grande dimension, c'est-à-dire des tableaux de données avec de nombreuses colonnes et lignes, il peut être difficile de créer des graphiques qui résument suffisamment les données pour révéler des modèles généraux et montrent également l'échelle et l'étendue de la variabilité des données. Considérons quelques-unes des façons d'équilibrer ces exigences.
À titre d'illustration, nous examinerons certaines données de départ et d'arrivée des compagnies aériennes pour tous les vols intérieurs aux États-Unis en mars 2019. Le tableau de données est fourni avec mon livre Analyse pratique des données avec JMP, 3e éd. . La table de données complète contient 38 colonnes et plus de 632 000 lignes. Tout d'abord, nous considérons les retards d'arrivée, signalés en minutes. Dans Graph Builder, nous faisons glisser le ArrDelay colonne vers la zone de dépôt Y et produire le graphique par défaut, une boîte à moustaches aberrante.
Ce graphique montre une distribution des retards très asymétrique à droite, avec une médiane proche de zéro. Peut-être 50 % des vols arrivent plus tôt que prévu et 75 % n'ont que des retards modestes. Cocher la case récapitulative des 5 chiffres nous en dit plus, et on peut s'interroger sur la valeur maximale de 1 928 minutes, soit un délai de 32 heures.
La moustache supérieure dans une boîte à moustaches aberrante est construite à Q3 + 1,5 * (intervalle interquartile), qui dans ce cas est 31,5 + 1,5 (21) = 37,5. Un nombre important mais indéterminé d'observations se situe au-dessus de 37 minutes. Si nous utilisons l'outil Flèche pour sélectionner les points au-dessus de la moustache, nous apprenons qu'il y a près de 54 000 valeurs aberrantes, mais dans ce rendu initial du graphique, nous voyons une ligne sombre avec quelques points atténués aux valeurs les plus élevées.
Un problème plus important est que les valeurs aberrantes peuvent éclipser visuellement le fait que la grande majorité des vols sont arrivés à quelques minutes de leurs heures prévues. Si notre priorité est de communiquer le centre et la forme de la distribution, nous pourrions préférer un histogramme ou un graphique en violon. Ce dernier est une option de tracé de contour . Voici les deux graphiques côte à côte.
Ces visualisations mettent en évidence l'emplacement et la forme de l'ensemble de la distribution, sans trop insister sur les points périphériques. D'un autre côté, ils ne montrent vraiment aucun des points de données.
Bien sûr, nous pouvons ajouter chaque point individuel à l'un de ces tracés en cliquant avec le bouton droit sur le graphique et en choisissant Ajouter > Points. Voici le tracé du violon avec des points superposés sur le contour.
Le problème est qu'il y a tellement de superpositions que la plupart des points ne sont pas visibles. Ce qu'il faut faire?
Voici cinq tactiques simples :
1. Diviser pour régner . Faire un ensemble de petits graphiques n'est peut-être pas votre premier choix, mais nous commençons par celui-ci car il aide à illustrer plus clairement les autres conseils. S'il y a une superposition excessive dans un graphique unidimensionnel, incluez une autre dimension. Par exemple, nos données contiennent une variable catégorielle identifiant la cause principale du retard lorsqu'un retard s'est produit . Dans cet ensemble de données, seulement environ un tiers des vols ont été retardés, nous voyons donc environ 200 000 points au lieu de 600 000.
En utilisant La cause principale en tant que variable de regroupement aide à identifier les raisons dynamiques sous-jacentes de la variation des retards et affiche également plus clairement les valeurs de données individuelles. Par exemple, il est immédiatement clair que la plupart des retards semblent être causés par les transporteurs et les équipements en retard, que les retards les plus longs sont imputables au transporteur et que les retards de sécurité sont rares et brefs.
Notez que dans ce rendu, les points ne sont plus alignés verticalement, mais ont été nerveux. Autrement dit, ils ont été repositionnés légèrement à gauche et à droite pour mettre un espace blanc entre eux. Cela nous amène à la deuxième tactique.
2. Ajoutez ou ajustez la gigue . Dans ce graphe univarié, certains points ont été uniformément décalés vers la gauche ou vers la droite. Le modèle de gigue par défaut écarte les points afin que nous puissions avoir une idée du nombre de vols à chaque valeur, mais les points couvrent les contours.
Dans Graph Builder, les commandes Jitter fournissent des options.
Si, par exemple, nous choisissons Aléatoire Normal gigue et réduire la Limite de gigue , on peut à nouveau dévoiler les violons :
La réduction de la gigue découvre les violons, mais augmente le surplomb. Les trois tactiques suivantes traitent plus directement de la réduction de la densité de l'encre. Nous pouvons invoquer ces options en cliquant avec le bouton droit sur le point noir et Délai d'arrêt dans la légende en haut à droite du graphique.
3. Utilisez des marqueurs ouverts . Choisir Marqueur > et sélectionnez le cercle ouvert plutôt que le point plein. Désormais, les points proches se chevauchent visiblement, plutôt que de se superposer.
4. Utilisez des marqueurs plus petits .Même avec des marqueurs ouverts, la densité des points conduit à un surplomb considérable. Parfois, le simple fait d'utiliser des points plus petits laisse plus d'espace blanc, ce qui permet aux points individuels d'être plus visibles. Pour ce faire, cliquez avec le bouton droit sur le cercle noir dans la légende et choisissez Taille du marqueur > 1, Petit .
5. Utilisez des feutres transparents . Les marqueurs ouverts nous permettent de voir à travers le centre d'un point, mais le contour des points est opaque. Pour réduire la confusion visuelle, nous pouvons rendre les points semi-transparents. Encore une fois, cliquez avec le bouton droit sur le cercle noir dans la légende et choisissez Transparence… pour ouvrir cette boîte de dialogue :
Entrez une valeur entre 0 et 1 comme indiqué. Voici le résultat de la saisie de 0,2, pour une densité de marqueur de 20 %.
Dans cette version, les points supérieurs très clairsemés s'estompent presque dans l'obscurité, mais l'abondance de points à des valeurs inférieures est accentuée.
Ces cinq tactiques de base fonctionnent aussi bien avec les diagrammes à deux et à plusieurs variables. Voici, par exemple, un diagramme de dispersion du retard d'arrivée par rapport au retard de départ, à l'aide de petits marqueurs ouverts. Pour ajouter une troisième dimension, nous colorons les points en fonction de la cause principale des retards.
Nous traçons maintenant les 612 000 points, dont la grande majorité sont assez proches ou en dessous de l'origine. La masse de points noirs en bas à gauche correspond aux vols arrivés en avance ou à l'heure, et n'ont donc pas de cause principale de retard d'arrivée. La fréquence et la gravité comparatives des retards sont visibles par cause. Plus important encore, malgré l'épaisse densité des données, nous pouvons détecter les modèles globaux ainsi que les points individuels.
