Ces dernières années, j'ai utilisé Pi Day attirer l’attention sur les camemberts inappropriés en en refaisant un sous la bannière de #onelesspie . Cette année, je me concentre sur un autre tableau rond, le carte radar , également connu sous le nom de Spider Chart ou Star Chart. Comme pour le camembert, la rondeur du radar présente un certain attrait esthétique. Mais la rondeur rend également plus difficile la visualisation des données.
Le vice-président des ventes et du marketing pour JMP , Jon Weisz, monte ses propres roues de vélo et parcourt cette carte radar indiquant les mesures de tension des rayons
Les distances des lignes orange et bleues du centre correspondent aux valeurs de tension. La moitié des rayons se connecte au bord gauche du moyeu et la moitié au bord droit. Au cas où vous vous le demanderiez, les tensions gauche et droite sont différentes car il s’agit d’une roue arrière et les engrenages du côté droit affectent la tension des rayons. Les rayons sont numérotés de 1 à 16 en partant du haut dans le sens des aiguilles d'une montre.
Voici les mêmes données sur un graphe de coordonnées cartésiennes «normales».
Ma première réaction a été que cela ne ressemble même pas aux mêmes données que dans le graphique radar. Toutes les variations de tension sont faciles à voir dans le tracé linéaire, mais pas dans la version radiale. J'ai fait en sorte que les axes aient les mêmes échelles (1 à 16 nombres de rayons et 0 à 150 valeurs de tension), même si les coordonnées cartésiennes offrent la possibilité de zoomer sur les lignes pour obtenir une image encore plus claire de la variation.
Que veux-je dire par le fait que les données sont plus difficiles à voir? Jetez un coup d'œil, par exemple, aux rayons 12, 13 et 14, surlignés en rose.
Les valeurs de tension orange diminuent uniformément et apparaissent sous la forme d'une ligne droite dans la vue cartésienne, mais pas dans la vue radiale. Inversement, les valeurs bleues forment une ligne droite dans la vue radiale, mais pas dans la vue cartésienne. Pour lire efficacement la carte radar, nous devons remapper nos codages visuels de base pour les données. J'aime les graphiques pour lesquels je n'ai pas à penser consciemment au codage visuel.
Il est naturel de penser que l'inconvénient de remapper notre perception est compensé par l'avantage de représenter des données circulaires, comme des roues de vélo, avec un graphique circulaire, mais un article de journal de l'IEEE de 2012, " Tests graphiques pour la comparaison de puissance de conceptions concurrentes , "a constaté que les inconvénients de la perception l'emportaient sur les avantages. Heike Hofmann et ses collaborateurs ont testé des graphes radiaux et cartésiens de données relatives à la direction du vent, et la vue cartésienne était encore plus efficace pour visualiser des caractéristiques intéressantes.
Alors soyez carré pour Pi Day!
How do you draw a radar chart like that in JMP?
Miguello:
Les graphiques radar / étoiles / araignées peuvent être facilement créés à l'aide de scripts JMP, comme dans ce script disponible de Clay Barker dans JMP Community -> Echange de fichiers -> Scripts: Script de tracé d'étoile Cependant fortement d'accord avec Xan. Bien que les graphiques Radar / Étoile / Araignée créent de jolis graphiques, ces graphiques ronds rendent plus difficile la visualisation des vraies différences entre vos mesures. La représentation graphique de la véritable histoire dans vos données est souvent bien meilleure si vous utilisez un type de graphique plus clair, tel qu'un graphique à barres, à barres ou à secteurs.
Il s’agit de comparer l’utilité d’outils destinés à des applications totalement différentes. Les tracés cartésiens sont conçus pour visualiser les données avec une dépendance fonctionnelle abstraite f (x), où la variable indépendante est (ou a des propriétés qui ont une signification si on le considère comme) un scalaire hiérarchique de portée potentiellement infinie (nombre, instance, temps, argent, etc.). distance etc.). Les diagrammes "Radar" sont en attente pour les données (R) dont la dépendance à la variable indépendante (θ) est de nature cyclique. Plutôt que de mettre en évidence la corrélation ou l’évolution des tendances entre les facteurs, ces graphiques montrent des asymétries dans le cycle et sont extrêmement utiles pour analyser / prédire les comportements de systèmes cycliques ou de tout système dans des conditions répétées. Lorsqu'ils sont utilisés comme prévu, ils sont évidemment incomparables.
