時々、私は対数スケールで棒グラフを横切って走ります、そしてそれはいつも間違って感じます。 一見したところで、小節の長さを比較して比較を始めます。しかし、結局、私は軸上の対数目盛に気付き、それが今見たものすべてを忘れて軸目盛に対して棒の頂点を比較するように私の脳を説得しようとします。その意味で、対数スケールのバーは、意味のあるベースラインがないバー 。
CSVファイル（コンマ区切り値テキストファイル）の読み取り速度を比較した、最近の例です。
比較の元は、サンゴ色の道具に関するベンダーからのホワイトペーパーです。 wise.ioからのParaText それがどれくらい速いかを示す。対数目盛を使用すると競合他社の速度が自社の速度に近づくように見えるため、同社はビジュアライゼーションの詐欺行為について非難されることはほとんどありません。R readrよりも約10倍高速ですが、2倍高速に見えます。ParaTextが対数スケールから得られる唯一の利点は、実際には速度がI / O帯域幅の約半分である場合に、その速度が黒いI / O帯域幅バー（上限）に非常に近いことです。
他の自明でない努力と同様に、データの可視化多くの場合、相反する制約があり、それらをバランスさせる必要があります。はい、ログスケールでバーを使用することは確かにグラフから洞察を得ることを妨げますが、それはすべての選択肢が悪いことである可能性があります。そのため、データの視覚化を評価する際には、代替手段を常に検討しています。
対数スケールは、基礎となるデータが非常に歪んでいる場合や桁違いに変化する場合に最も役立ちます。この速度データは歪んでいて変化しますが、それほどひどくはありません。最大変動は約200：1です。のみ 2桁の大きさ。すぐに、このチャートで2つのバリエーションを試すことができます。
バーを維持してスケールをリニアに変更します。対数目盛を維持してバーを変更します。これは簡単な線形スケールへの変換です。を使う JMP 私はすべての値をI / O帯域幅に比例するようにスケールしました。黒いバーはすべて100％になるので表示されません。
バーに値をラベル付けしていません。すべてのバーに正確な値でラベル付けする必要があるとは思わない（むしろそのための補助的な表があるとよい）。しかし、これをレポートで共有しているのであれば、いくつかの根拠のために、各カテゴリーの最高のバーまたは2つのラベルを付けてみることにします。オリジナルの回転したラベルはすべてデータの視覚的表現を損ね、読むのに多大な労力を要します。
リニアスケールは悪くありません、そして私はすでにそれが直接製品間の速度の違いを描いているという点でオリジナルよりもそれが好きです。 両方のチャートの1つの弱点は、製品ラベルがそれらのバーから分離されていることです。 バーを回転させると、少なくともバーと凡例のラベルは同じ配置になります。
グループ化階層が異なると、商品バーに直接ラベルを付けることができます。
比較する向かいテストは直接的ではなくなりましたが、それほど重要ではない比較だと思います。
それでは始めに戻って、ログスケールを維持し、データ要素を変更してみましょう。これは棒の代わりに点と線を使ったビューです。
ポイント自体は位置情報を伝達するのに十分ですが、線は接続情報を追加するため、ラベリングが簡単になります。一般に、線分には3つの意味があります。
補間（連続）接続（カテゴリ）パターン認識（連続的またはカテゴリカル）x軸はカテゴリカルなので、補間はここではあまり意味がありません。そのため、ここでは問題があります。しかし、つながりは非常に価値があり、パターン認識も有益です。たとえば、2つの製品の上下パターンが同じであることがわかります。
線が所定の位置にラベル付けされているので、色は必要ではありません。色は交差する線を区別し、データ線がグリッド線から目立つようにするのに役立ちますが、個々のラベルではなくテクノロジーグループ（R、Python、または特殊）に色を使用してみることができます。
それはチャートをそれほど忙しくしませんが色の利点を保ちます。
チャートはきれいに見えますが、うまくいきますか。我々はまだ対数スケールを持っています、それはまだもっと考えが必要です。しかし少なくとも現在、データ要素はスケールとそれほど矛盾していません。そして、非線形性を強化するグリッド線を表示する余地があります。対数スケールを使用すると、範囲全体の値の違いを理解しやすくなります。特に、低い値が線形スケールでできるよりも、お互いにどのように異なっているかがわかります。
データ自体が各チャートオプションの有用性に大きな違いをもたらすことは私にとって興味深いことです。リニアスケールは実用性に限界があり、10倍前後の違いがあります。違いが1000倍に近い場合は、リニアスケールは役に立ちません。そして、値が製品間であまりにも類似していると、ポイントは互いに曖昧になり、あまり役に立ちません。
いくつかの可能性を見てきましたが、パフォーマンスを理解するのに最も効果的ですか？それとも、他の何かが完全に良いでしょうか？
クレイゲ書きました：
オールブルーのグラフは情報を配信するのに最適ですが、他のグラフのすべてのきれいな色の間で紛失したことは確かです。
