La visualización es crucial durante todo el proceso de análisis de datos, desde la exploración inicial hasta la comunicación de hallazgos e ideas importantes. Descubrimos patrones, descubrimos relaciones ocultas y nos comunicamos visualmente.
Con datos de alta dimensión, es decir, tablas de datos con muchas columnas y filas, puede ser un desafío crear gráficos que resuman los datos lo suficiente como para revelar patrones generales y también mostrar la escala y el alcance de la variabilidad en los datos. Consideremos algunas de las formas de equilibrar estas demandas.
Para ilustrar, veremos algunos datos de salidas y llegadas de aerolíneas para todos los vuelos nacionales de EE. UU. en marzo de 2019. La tabla de datos se proporciona con mi libro. Análisis práctico de datos con JMP, 3.ª ed. . La tabla de datos completa contiene 38 columnas y más de 632 000 filas. Primero, consideramos los retrasos en la llegada, informados en minutos. En Graph Builder, arrastramos el ArrDelay columna a la zona de colocación Y y generar el gráfico predeterminado, un diagrama de caja de valores atípicos.
Este gráfico muestra una distribución de retrasos muy sesgada hacia la derecha, con una mediana cercana a cero. Quizás el 50 % de los vuelos llegan antes de lo previsto y el 75 % solo tiene retrasos modestos. Marcar el cuadro de resumen de 5 números nos dice más, y uno podría preguntarse sobre el valor máximo de 1,928 minutos, o un retraso de 32 horas.
El bigote superior en un diagrama de caja de valores atípicos se construye en Q3 + 1,5*(rango intercuartílico), que en este caso es 31,5 + 1,5(21) = 37,5. Un número grande, pero indeterminado, de observaciones se encuentra por encima de los 37 minutos. Si usamos la herramienta Flecha para seleccionar los puntos sobre el bigote, nos enteramos de que hay casi 54 000 valores atípicos, pero en esta representación inicial del gráfico, vemos una línea oscura con algunos puntos atenuados en los valores más altos.
Un problema mayor es que los valores atípicos pueden empequeñecer visualmente el hecho de que la gran mayoría de los vuelos llegaron a los pocos minutos de su horario programado. Si nuestra prioridad es comunicar el centro y la forma de la distribución, podríamos preferir un histograma o un diagrama de violín. Esta última es una opción de gráfico de contorno. . Aquí están los dos gráficos uno al lado del otro.
Estas visualizaciones resaltan la ubicación y la forma de toda la distribución, sin enfatizar demasiado los puntos periféricos. Por otro lado, realmente no muestran ninguno de los puntos de datos.
Por supuesto, podemos agregar cada punto individual a cualquiera de estos gráficos haciendo clic con el botón derecho en el gráfico y eligiendo Agregar > Puntos. Aquí está la trama de violín con puntos superpuestos en el contorno.
El problema es que hay tanto overplot que la mayoría de los puntos no son visibles. ¿Qué hacer?
Aquí hay cinco tácticas simples:
1. Divide y vencerás . Hacer un conjunto de gráficos pequeños puede no ser su primera opción, pero comenzamos con este porque ayuda a ilustrar más claramente los otros consejos. Si hay un exceso de trazado en un gráfico unidimensional, incluya otra dimensión. Por ejemplo, nuestros datos contienen una variable categórica que identifica la causa principal del retraso cuando se ha producido un retraso . En este conjunto de datos, solo alrededor de un tercio de los vuelos se retrasaron, por lo que vemos aproximadamente 200 000 puntos en lugar de 600 000.
Usando Causa principal como variable de agrupación ayuda a identificar las razones dinámicas subyacentes de la variación en los retrasos y también muestra más claramente los valores de datos individuales. Por ejemplo, queda claro de inmediato que la mayoría de los retrasos parecen ser causados por los transportistas y el equipo retrasado, que los retrasos más largos se atribuyen al transportista y que los retrasos de seguridad son raros y breves.
Tenga en cuenta que en esta representación, los puntos ya no están alineados verticalmente, sino que se han nervioso Es decir, se han reposicionado ligeramente hacia la izquierda y hacia la derecha para dejar un espacio en blanco entre ellos. Esto nos lleva a la segunda táctica.
2. Agregue o ajuste el jitter . En este gráfico univariado, algunos puntos se han desplazado uniformemente hacia la izquierda o hacia la derecha. El patrón de fluctuación predeterminado separa los puntos para que podamos tener una idea de cuántos vuelos había en cada valor, pero los puntos cubren los contornos.
En Graph Builder, los controles Jitter proporcionan opciones.
Si, por ejemplo, elegimos Aleatorio normal fluctuación y reducir la Límite de fluctuación , podemos revelar los violines de nuevo:
Reducir el jitter descubre los violines, pero aumenta el overplot. Las siguientes tres tácticas tratan más directamente de reducir la densidad de la tinta. Podemos invocar estas opciones haciendo clic derecho en el punto negro y Retraso de llegada en la leyenda en la parte superior derecha del gráfico.
3. Usa marcadores abiertos . Elegir Marcador > y seleccione el círculo abierto en lugar del punto sólido. Ahora los puntos próximos se superponen visiblemente, en lugar de superponerse entre sí.
4. Usa marcadores más pequeños .Incluso con marcadores abiertos, la densidad de los puntos conduce a un trazado excesivo considerable. A veces, el simple uso de puntos más pequeños deja más espacio en blanco, lo que permite que los puntos individuales sean más visibles. Hacemos esto haciendo clic derecho en el círculo negro en la leyenda y eligiendo Tamaño de marcador > 1, pequeño .
5. Usa marcadores translúcidos . Los marcadores abiertos nos permiten ver a través del centro de un punto, pero el contorno de los puntos es opaco. Para reducir la confusión visual, podemos hacer que los puntos sean semitransparentes. De nuevo, haga clic con el botón derecho en el círculo negro de la leyenda y elija Transparencia… para abrir este diálogo:
Introduzca un valor entre 0 y 1 como se indica. Este es el resultado de ingresar 0.2, para una densidad de marcador del 20%.
En esta versión, los puntos superiores muy dispersos se desvanecen casi en la oscuridad, pero se acentúa la abundancia de puntos en los valores más bajos.
Estas cinco tácticas básicas funcionan igualmente bien con gráficos de dos y múltiples variables. Aquí, por ejemplo, hay un diagrama de dispersión de Demora de llegada versus Demora de salida, utilizando pequeños marcadores abiertos. Para añadir una tercera dimensión, coloreamos los puntos según la causa principal de los retrasos.
Ahora estamos trazando los 612 000 puntos, la gran mayoría de los cuales están bastante cerca o debajo del origen. La masa de puntos negros en la parte inferior izquierda son vuelos que llegaron antes o a tiempo y, por lo tanto, no tienen una causa principal de retraso en la llegada. La frecuencia comparativa y la gravedad de los retrasos son visibles por causa. Más importante aún, a pesar de la gran densidad de los datos, podemos detectar los patrones generales, así como los puntos individuales.
