¿Cómo visualiza datos sesgados en cientos de categorías? He estado experimentando con una nueva forma de gráfico que podría ayudar con esto. Lo llamo "barras empacadas". Es una síntesis de un gráfico de barras ordenado y un diagrama de árbol. Así es como se ve un gráfico de barras empaquetado con datos recientes de capitalización de mercado de S&P 500.
Las barras azules "primarias" y el eje forman un gráfico de barras ordenado regular que muestra las 12 empresas más grandes por capitalización de mercado. Cada barra gris "secundaria" representa una de las otras empresas. Algunas de las barras secundarias se pueden etiquetar si el espacio lo permite, pero su objetivo principal es brindar contexto a las barras principales. La idea es apoyar la Enfoque+Contexto principio de visualización de datos.
Podemos tener una idea aproximada de cuántas categorías secundarias hay, cuál es su tamaño total e incluso cómo se distribuyen los tamaños. Y dado que están en la misma escala que las barras principales, incluso podemos estimar algunos de los valores a partir de la longitud que abarcan en el eje. En una pantalla dinámica, se puede acceder a las etiquetas de categoría y los valores de las categorías secundarias a través de las etiquetas flotantes.
El borde derecho no siempre sale tan parejo, pero al colocar las barras secundarias más grandes primero de izquierda a derecha, generalmente funciona bastante bien.
Ejemplos
A veces, los valores están tan sesgados que el relleno secundario no supera las barras primarias. Ese es el caso cuando se grafican las economías mundiales por PIB nominal. Este gráfico de barras lleno destaca las siete principales de 192 economías mundiales. (No es lo mismo que el G7 , por cierto).
La elección de solo cuatro categorías principales destaca el hecho de que la economía de EE. UU. representa aproximadamente una cuarta parte del PIB nominal mundial.
Si la suma de las categorías secundarias se ajusta a la misma escala que las barras primarias, se pueden empaquetar en una barra separada como esta.
La economía no es la única fuente de datos sesgados. Estos son los recuentos de efectos secundarios de los datos de ensayos de drogas de nicardipina.
El tamaño de las barras representa el número de ocurrencias y el color representa la gravedad promedio. Los colores secundarios aún están desvanecidos para mantener las categorías primarias enfocadas, pero no tienen que estarlo si es importante una representación de color más real.
El conjunto de datos que me inició en este camino fue una colección de nombres de perros registrados en la ciudad de Nueva York. Aquí está mi creación destacando el top 25 de más de 16.000 nombres.
A diferencia de los otros ejemplos de barras empaquetadas, las categorías secundarias se colocaron en orden alfabético y fila por fila para ayudar a buscar un nombre de perro en particular (con la ayuda de etiquetas flotantes). La desventaja de este arreglo es que el borde derecho es notablemente menos parejo.
Una ventaja de tener un eje x verdadero (a diferencia de un mapa de árbol) es la capacidad de estimar la suma total para toda la población. En este caso, tenemos 25 filas, y cada una llega a poco más de 4000 en el eje de conteo. Podemos estimar el número de perros en 25 x 4000+ = 100 000+.
El ejemplo de nicardipina mostró el uso de una escala de color continua para las barras. Con la coloración categórica, es menos probable que el desvanecimiento complique la interpretación del color. En esta vista de los nombres de los perros, usé naranja para los nombres que terminan en un sonido "y".
variaciones
He estado experimentando con variaciones y los ejemplos anteriores demuestran muchas de ellas. A la hora de construir un gráfico de barras empaquetadas, podemos elegir entre las siguientes opciones:
¿Cuántas filas? ¿Existe un buen valor predeterminado general? Un número redondo como 10 facilita la aplicación del truco de la multiplicación para obtener la gran suma, pero la relación de aspecto puede ser más importante.
¿Colocar barras secundarias de izquierda a derecha por tamaño o fila por fila en orden alfabético? El tamaño de izquierda a derecha significa que la posición del borde izquierdo de cada barra secundaria corresponde al orden de clasificación por tamaño, independientemente de la fila. Cuanto más grande es la barra, más a la izquierda está. En cierto sentido, eso es consistente con las barras primarias ordenadas por tamaño y tiene el beneficio de un borde derecho más limpio. Y mantener juntos los tamaños similares puede ser útil para comprender la distribución. El orden alfabético fila por fila es más útil para encontrar categorías particulares en una pantalla interactiva. Las barras secundarias se colocan alfabéticamente, de izquierda a derecha. dentro cada fila, comenzando con la fila superior.
¿Coloreado de barras secundarias? He estado probando grises aleatorios, colores desteñidos y colores verdaderos. Aleatorizar los grises hace que las líneas de separación sean innecesarias (evitando grises duplicados consecutivos).
¿Etiquetado de barras primarias? Colocar las etiquetas en un eje fuera del área del gráfico evita la restricción de ajustarse dentro de la barra. Pero colocar las etiquetas principales dentro de las barras ayuda a distinguir esto de un gráfico de barras apiladas y es más eficiente en cuanto al espacio.
¿Etiquetado de barras secundarias? Inicialmente preferí que no hubiera etiquetas secundarias para enfatizar su contexto papel, pero tener algunas etiquetas parece ser de gran ayuda para los nuevos espectadores que no están muy seguros de lo que está pasando.
¿Pila separada para las barras secundarias? Una pila "Otra" es factible cuando los datos están tan sesgados que la suma de todos los valores secundarios está en la misma escala que las barras primarias.
¿Combinar todas o algunas de las barras secundarias en una "otra" región sólida? Eso mantendría la mayor parte del aspecto del contexto, suavizaría el borde derecho y haría que la pantalla fuera menos ruidosa. Pero entrega cierta información sobre la cardinalidad y distribución de los tamaños secundarios.
Alternativas
¿Cómo se comparan las barras empaquetadas con formas alternativas de visualizar datos sesgados con muchas categorías?
- Comparado con un gráfico de barras de las categorías principales, el gráfico de barras empaquetadas obtiene el contexto de las categorías restantes. La principal desventaja es que las barras secundarias hacen que el gráfico sea más grande (o las barras principales se reducen) y ocupan espacio que podría usarse para etiquetas o anotaciones.
- En comparación con mapas de árboles , las barras empaquetadas en general tienen representaciones de datos más precisas (longitudes de barra en un eje frente a áreas sin ningún eje), pero la mayor ventaja es ver las categorías principales, que obtienen etiquetas prominentes y tamaños alineados con el eje. Sin embargo, los mapas de árbol admiten el anidamiento y el relleno real del espacio (sin borde derecho dentado). Y los valores pequeños pueden representarse mejor en los diagramas de árbol en el sentido de que es más fácil ver un rectángulo de 3x4 píxeles que una barra de 1x12 píxeles. Si bien los ejes en las barras empaquetadas brindan precisión, ocupan espacio, lo que hace que los mapas de árbol sean más eficientes en cuanto al espacio.
- En comparación con burbujas llenas (como en el tabla de burbujas de nombres de perros originales ), las barras empaquetadas tienen una ubicación más regular para escanear y la ventaja perceptiva de la longitud sobre el área del círculo para representar valores de datos. Sin embargo, al igual que con los mapas de árbol, los valores pequeños pueden ser más fáciles de distinguir como burbujas (un círculo de 4 píxeles de diámetro frente a una barra de 1x12 píxeles).
- Comparado con un diagrama de dispersión unidimensional , las barras empaquetadas agregan etiquetas prominentes y alineadas para las categorías principales y el sentido de suma acumulativa. Un diagrama de dispersión tiene la ventaja de utilizar una codificación posicional precisa para todos los valores y mantener el canal de tamaño disponible para otra variable; pero el overstriking debe contrarrestarse con jitter o esquivar, lo que puede ser problemático con datos muy sesgados.
- En comparación con barras envueltas , que reorganiza las barras en varias columnas, las barras empaquetadas son más eficientes en cuanto al espacio, lo que ayuda a admitir más categorías (miles en lugar de 100) y las barras empaquetadas agregan una sensación de área total. barras envueltas apoyar una lectura más precisa de la "secundario" valores de barra ya que sus bases están alineadas, y las barras envueltas deberían tener una curva de aprendizaje más baja ya que se parecen más a los gráficos de barras regulares.
inconvenientes
La principal crítica de los bares llenos es el parecido con barras apiladas , lo que lleva a creer que las barras de cada fila están relacionadas entre sí. Hice los espacios entre las pilas más pequeños de lo normal para un gráfico de barras apiladas en un intento de reducir esa posible confusión, pero no estoy seguro de que pueda eliminarse. Espero que las ventajas superen ese obstáculo.
Otros inconvenientes son en gran medida compensaciones que podrían abordarse mediante las opciones enumeradas anteriormente. Por ejemplo, si los grises aleatorios parecen distraer demasiado, las barras secundarias pueden colorearse de alguna otra manera o fusionarse como una simplificación intencional.
Guía comentada
La siguiente foto no es para ti; es para aquellos que hojearon la publicación mirando solo las imágenes.
Pruébelo en JMP
Aunque este esfuerzo aún es experimental, he adjuntado un script JSL para crear la variación más simple de un gráfico de barras empaquetado en JMP . Funciona aplicando primero la lógica de empaquetado a los datos, creando variables sintéticas de número de fila y color. Luego, crea un gráfico de barras apiladas regular en Graph Builder con el color y la disposición de un gráfico de barras empaquetado.
¿Qué opinas?
Creo que las barras empaquetadas pueden ser útiles para ciertos tipos de datos, pero me doy cuenta de que estoy demasiado involucrado para ser objetivo. Así que estoy buscando comentarios sobre todos los aspectos de este esfuerzo: diseño, terminología, etiquetado, colores, etc. Y si tiene datos que podrían beneficiarse de esta pantalla, hágamelo saber. Puedo probarlo usando mi prototipo. .He estado tuiteando más ejemplos; si te interesa echa un vistazo nombres de perros por genero y recuento de lesiones por productos . Si desea intentar crear gráficos de barras empaquetados en otras plataformas de gráficos, también es genial.
¡Gracias por echar un vistazo!
Actualizaciones Agosto 2017 : Además de la secuencia de comandos JMP adjunta, ahora hay un complemento de Excel y una secuencia de comandos d3.js para crear gráficos de barras empaquetados. Se pueden encontrar en el área de github de barras empaquetadas . El complemento se realizó a través de una colaboración con el experto en visualización de datos de Excel, jon peltier . Se ha aceptado un cartel de bares repletos para la Visibilidad del IEEE conferencia en octubre. La presentación del póster requería un Video de vista previa de 25 segundos ; se adjunta una versión GIF animada con subtítulos en lugar de audio.
Qué bueno escucharlo, Mark, ¡gracias! Y gracias por probarlo con datos reales. Me alegro de que se haya dado cuenta de la aplicación de Pareto y el aspecto de detalles a pedido.
Si tiene alguna "cosa secreta" anonimizada que pueda usar, por favor pásela; siempre es bueno tener ejemplos prácticos.
He estado tuiteando una galería de gráficos, por cierto.
Desafortunadamente, no puede controlar fácilmente el espacio entre barras en JMP 13. Hay algunos trucos si realmente desea obtener el efecto, pero de lo contrario, el script solo se aproxima al aspecto de las barras empaquetadas.
He tenido una progresión interesante de reacciones a través de esta publicación 
Mis reacciones iniciales fueron como "esto no es realmente nuevo, hemos estado haciendo esto... oh, espera, no, eso es diferente..." varias veces seguidas.
Creo que esta técnica tiene mucho potencial para grandes conjuntos de datos ordenados. Me parece que cualquier deficiencia que tenga ya es inherente a los mapas de árbol, y que esta técnica mejora esas deficiencias.
Creo que el potencial de confusión es alto, inicialmente. Lograr que la audiencia comprenda la diferencia entre esto y un diagrama de árbol, o esto y una barra apilada, puede ser un desafío en algunos casos.
Pero creo que vale la pena explorarlo, y *mucho* preferiría trazar mis datos en este formato que en un mapa de árbol estándar.
Buen trabajo.
