Die Visualisierung ist im gesamten Prozess der Datenanalyse von entscheidender Bedeutung, von der ersten Untersuchung bis zur Kommunikation wichtiger Erkenntnisse und Erkenntnisse. Wir entdecken Muster, decken verborgene Zusammenhänge auf und kommunizieren visuell.
Bei hochdimensionalen Daten – also Datentabellen mit vielen Spalten und Zeilen – kann es schwierig sein, Diagramme zu erstellen, die die Daten ausreichend zusammenfassen, um Gesamtmuster aufzudecken und außerdem das Ausmaß und Ausmaß der Variabilität in den Daten darzustellen. Betrachten wir einige Möglichkeiten, diese Anforderungen auszugleichen.
Zur Veranschaulichung werden wir uns einige Abflug- und Ankunftsdaten der Fluggesellschaften für alle US-Inlandsflüge im März 2019 ansehen. Die Datentabelle liegt meinem Buch bei Praktische Datenanalyse mit JMP, 3. Auflage . Die vollständige Datentabelle enthält 38 Spalten und über 632.000 Zeilen. Zunächst berücksichtigen wir Ankunftsverzögerungen, die in Minuten angegeben werden. Im Graph Builder ziehen wir die ArrDelay Fügen Sie die Spalte zur Y-Drop-Zone hinzu und erstellen Sie die Standardgrafik, einen Ausreißer-Boxplot.
Dieses Diagramm zeigt eine stark rechtsschiefe Verteilung der Verzögerungen mit einem Median nahe Null. Vielleicht 50 % der Flüge kommen früher als geplant an und 75 % haben nur geringfügige Verspätungen. Wenn Sie das Kontrollkästchen „Zusammenfassung mit 5 Zahlen“ aktivieren, erfahren Sie mehr, und man könnte sich über den Maximalwert von 1.928 Minuten oder eine Verzögerung von 32 Stunden wundern.
Der obere Whisker in einem Ausreißer-Boxplot wird bei Q3 + 1,5*(Interquartilbereich) konstruiert, was in diesem Fall 31,5 + 1,5(21) = 37,5 beträgt. Eine große, aber unbestimmte Anzahl von Beobachtungen liegt über 37 Minuten. Wenn wir das Pfeil-Werkzeug verwenden, um die Punkte über dem Whisker auszuwählen, erfahren wir, dass es fast 54.000 Ausreißer gibt, aber in dieser ersten Darstellung des Diagramms sehen wir eine dunkle Linie mit einigen abgeschwächten Punkten bei den höheren Werten.
Ein größeres Problem besteht darin, dass die Ausreißer die Tatsache, dass die große Mehrheit der Flüge innerhalb weniger Minuten nach ihrer geplanten Zeit ankamen, optisch in den Schatten stellen können. Wenn unsere Priorität darin besteht, das Zentrum und die Form der Verteilung zu kommunizieren, bevorzugen wir möglicherweise ein Histogramm oder ein Geigendiagramm. Letzteres ist eine Konturplot-Option . Hier sind die beiden Grafiken nebeneinander.
Diese Visualisierungen heben die Lage und Form der gesamten Verteilung hervor, ohne die Randpunkte zu stark hervorzuheben. Andererseits werden überhaupt keine Datenpunkte angezeigt.
Natürlich können wir jeden einzelnen Punkt zu jedem dieser Diagramme hinzufügen, indem wir mit der rechten Maustaste auf das Diagramm klicken und „Hinzufügen“ > „Punkte“ wählen. Hier ist das Geigendiagramm mit über der Kontur überlagerten Punkten.
Das Problem ist, dass es so viele Überzeichnungen gibt, dass die meisten Punkte nicht sichtbar sind. Was zu tun ist?
Hier sind fünf einfache Taktiken:
1. Teile und herrsche . Die Erstellung einer Reihe kleiner Diagramme ist vielleicht nicht Ihre erste Wahl, aber wir beginnen mit dieser, weil sie dabei hilft, die anderen Tipps klarer zu veranschaulichen. Wenn in einem eindimensionalen Diagramm eine übermäßige Überzeichnung auftritt, schließen Sie eine weitere Dimension ein. Unsere Daten enthalten beispielsweise eine kategoriale Variable, die die Hauptursache der Verzögerung identifiziert wenn eine Verzögerung eingetreten ist . In diesem Datensatz hatte nur etwa ein Drittel der Flüge Verspätung, wir sehen also etwa 200.000 statt 600.000 Punkte.
Benutzen Hauptgrund Als Gruppierungsvariable hilft es, die zugrunde liegenden dynamischen Gründe für Verzögerungsschwankungen zu identifizieren und zeigt auch die einzelnen Datenwerte klarer an. Es ist zum Beispiel sofort klar, dass die meisten Verzögerungen anscheinend durch die Spediteure und verspätete Ausrüstung verursacht werden, dass die längsten Verzögerungen dem Spediteur zuzuschreiben sind und dass Sicherheitsverzögerungen selten und kurz sind.
Beachten Sie, dass in dieser Darstellung die Punkte nicht mehr vertikal ausgerichtet sind, dies jedoch schon der Fall war nervös. Das heißt, sie wurden leicht nach links und rechts verschoben, um einen Leerraum zwischen ihnen zu schaffen. Dies bringt uns zur zweiten Taktik.
2. Jitter hinzufügen oder anpassen . In diesem univariaten Diagramm wurden einige Punkte gleichmäßig nach links oder rechts verschoben. Das Standard-Jitter-Muster verteilt die Punkte, sodass wir ein Gefühl dafür bekommen, wie viele Flüge es bei jedem Wert gab, aber die Punkte verdecken die Konturen.
In Graph Builder bieten die Jitter-Steuerelemente Optionen.
Wenn wir zum Beispiel wählen Zufällig normal Jitter und reduzieren die Jitter-Grenze , wir dürfen die Geigen noch einmal verraten:
Durch die Reduzierung des Jitters werden die Geigen sichtbar, aber die Überzeichnung wird erhöht. Die nächsten drei Taktiken befassen sich direkter mit der Reduzierung der Tintendichte. Wir können diese Optionen aufrufen, indem wir mit der rechten Maustaste auf den schwarzen Punkt klicken und Arr-Verzögerung in der Legende oben rechts im Diagramm.
3. Verwenden Sie offene Marker . Wählen Markierung > und wählen Sie den offenen Kreis anstelle des durchgezogenen Punktes aus. Nun überlappen benachbarte Punkte sichtbar, anstatt einander zu überlagern.
4. Verwenden Sie kleinere Marker .Selbst bei offenen Markern führt die Dichte der Punkte zu erheblicher Überplottung. Manchmal lässt die einfache Verwendung kleinerer Punkte mehr Leerraum übrig, sodass einzelne Punkte besser sichtbar sind. Wir tun dies, indem wir mit der rechten Maustaste auf den schwarzen Kreis in der Legende klicken und auswählen Markierungsgröße > 1, klein .
5. Verwenden Sie durchscheinende Marker . Offene Markierungen ermöglichen es uns, durch die Mitte eines Punktes zu sehen, aber die Umrisse der Punkte sind undurchsichtig. Um die visuelle Verwirrung zu reduzieren, können wir die Punkte halbtransparent machen. Klicken Sie erneut mit der rechten Maustaste auf den schwarzen Kreis in der Legende und wählen Sie Transparenz… So öffnen Sie diesen Dialog:
Geben Sie wie angegeben einen Wert zwischen 0 und 1 ein. Hier ist das Ergebnis der Eingabe von 0,2 für eine Markierungsdichte von 20 %.
In dieser Version verschwinden die sehr spärlichen obersten Punkte fast in der Dunkelheit, aber die Fülle an Punkten bei niedrigeren Werten wird hervorgehoben.
Diese fünf Grundtaktiken funktionieren gleichermaßen gut mit bi- und multivariaten Diagrammen. Hier ist zum Beispiel ein Streudiagramm der Ankunftsverzögerung gegenüber der Abfahrtsverzögerung unter Verwendung kleiner offener Markierungen. Um eine dritte Dimension hinzuzufügen, färben wir die Punkte entsprechend der Hauptursache der Verzögerungen ein.
Wir zeichnen jetzt alle 612.000 Punkte ein, von denen die große Mehrheit ziemlich nahe oder unterhalb des Ursprungs liegt. Bei der Masse der schwarzen Punkte unten links handelt es sich um Flüge, die zu früh oder pünktlich ankamen und daher keinen Hauptgrund für die Ankunftsverzögerung hatten. Die relative Häufigkeit und Schwere der Verzögerungen ist nach Ursache ersichtlich. Noch wichtiger ist, dass wir trotz der großen Datendichte sowohl die Gesamtmuster als auch die einzelnen Punkte erkennen können.
