Visualización de datos más infrautilizada [cerrado]

Las parcelas que usan coordenadas polares ciertamente están subutilizadas some algunos dirían con buena razón. Creo que las situaciones que justifican su uso no son comunes; también creo que cuando surgen esas situaciones, patrones polares puede revelar patrones en los datos que tramas lineales no.

Creo que eso es porque a veces sus datos son inherentemente polares en lugar de lineales eg por ejemplo, es cíclico (x-coordenadas que representan tiempos durante el día de 24 horas durante varios días), o los datos fueron previamente mapeado en un espacio de entidades polares.

Aquí hay un ejemplo. Esta gráfica muestra el volumen medio de tráfico de un sitio web por hora. Observe los dos picos a las 10 pm y a la 1 am. Para los ingenieros de red del Sitio, esos son significativos; también es significativo que ocurran cerca uno del otro (solo dos horas de diferencia). Pero si se trazan los mismos datos en un sistema de coordenadas tradicional, este patrón estaría completamente oculto pl trazados linealmente, estos dos picos serían 20 horas de diferencia, que son, aunque también son solo dos horas de diferencia en días consecutivos. El gráfico polar de arriba muestra esto de una manera parsimoniosa e intuitiva (una leyenda no es necesaria).

Hay dos maneras (de las que soy consciente) de crear parcelas como esta usando R (Creé la parcela anterior w/ R). Uno es codificar su propia función en los sistemas gráficos base o grid. Ellos otra manera, que es más fácil, es utilizar el paquete circular. La función que usarías es ' rose.diag':

data = c(35, 78, 34, 25, 21, 17, 22, 19, 25, 18, 25, 21, 16, 20, 26, 
                 19, 24, 18, 23, 25, 24, 25, 71, 27)
three_palettes = c(brewer.pal(12, "Set3"), brewer.pal(8, "Accent"), 
                   brewer.pal(9, "Set1"))
rose.diag(data, bins=24, main="Daily Site Traffic by Hour", col=three_palettes)

Realmente me gustan dotplots y encuentro que cuando los recomiendo a otros para problemas de datos apropiados, invariablemente están sorprendidos y encantados. No parecen tener mucho uso, y no puedo entender por qué.

Aquí hay un ejemplo de Quick-R:

Creo que Cleveland es el más responsable del desarrollo y la promulgación de estos, y el ejemplo en su libro (en el que los datos defectuosos se detectaron fácilmente con un dotplot) es un argumento poderoso para su uso. Nota que el ejemplo anterior solo pone un punto por línea, mientras que su poder real viene con usted tiene múltiples puntos en cada línea, con una leyenda que explica cuál es cuál. Por ejemplo, puede usar diferentes símbolos o colores para tres puntos de tiempo diferentes, y de ahí obtener fácilmente una idea de los patrones de tiempo en diferentes categorías.

En el siguiente ejemplo (hecho en Excel de todas las cosas!), puede ver claramente qué categoría podría haber sufrido un cambio de etiqueta.

Si su gráfico de dispersión tiene tantos puntos que se convierte en un desastre completo, pruebe con un gráfico de dispersión suavizado. He aquí un ejemplo:

library(mlbench) ## this package has a smiley function
n <- 1e5 ## number of points
p <- mlbench.smiley(n,sd1 = 0.4, sd2 = 0.4) ## make a smiley :-)
x <- p$x[,1]; y <- p$x[,2]
par(mfrow = c(1,2)) ## plot side by side
plot(x,y) ## left plot, regular scatter plot
smoothScatter(x,y) ## right plot, smoothed scatter plot

El paquete hexbin (sugerido por @Dirk Eddelbuettel) se usa para el mismo propósito, pero smoothScatter() tiene la ventaja de que pertenece al paquete graphics, y por lo tanto es parte de la instalación estándar de R.

Con respecto a sparkline y otras ideas de Tufte, el paquete YaleToolkit en CRAN proporciona funciones sparkline y sparklines.

Otro paquete que es útil para conjuntos de datos más grandes es hexbin ya que inteligentemente 'almacena' datos en cubos para tratar con conjuntos de datos que pueden ser demasiado grandes para gráficos de dispersión ingenuos.

Las parcelas de violín (que combinan las parcelas de caja con la densidad del núcleo) son relativamente exóticas y bastante geniales. El paquete vioplot en R le permite hacerlos con bastante facilidad.

Aquí hay un ejemplo (el enlace de wikipedia también muestra un ejemplo):

Otra buena visualización de series temporales que acabo de revisar es el "gráfico de baches" (como aparece en este post en el blog "Learning R" ). Esto es muy útil para visualizar cambios en la posición a lo largo del tiempo.

Puedes leer sobre cómo crearlo en http://learnr.wordpress.com / , pero esto es lo que termina pareciendo:

También me gustan las modificaciones de las gráficas de caja de Tufte que le permiten hacer comparaciones de múltiplos pequeños mucho más fácilmente porque son muy "delgadas" horizontalmente y no desordenan la gráfica con tinta redundante. Sin embargo, funciona mejor con un número bastante grande de categorías; si solo tienes unas pocas en una trama, las gráficas de caja regulares (Tukey) se ven mejor ya que tienen un poco más de peso.

library(lattice)
library(taRifx)
compareplot(~weight | Diet * Time * Chick, 
  data.frame=cw , 
  main = "Chick Weights",
  box.show.mean=FALSE,
  box.show.whiskers=FALSE,
  box.show.box=FALSE
  )

Otras formas de hacer estos (incluyendo el otro tipo de Tufte boxplot) son discutido en esta pregunta.

Horizon graphs (pdf), para visualizar muchas series temporales a la vez.

Gráficas de coordenadas paralelas (pdf), para análisis multivariado.

Diagramas de asociación y mosaico , para visualizar tablas de contingencia (ver el paquete vcd)

No debemos olvidarnos de la trama linda e (históricamente) importante de tallo y hoja (¡que Tufte también ama!). Se obtiene una visión general numérica directa de la densidad y la forma de los datos (por supuesto, si su conjunto de datos no es más grande que unos 200 puntos). En R, la función stem produce la dislocación del tallo y la hoja (en el espacio de trabajo). Prefiero usar la función gstem del paquete fmsb para dibujarlo directamente en un dispositivo gráfico. A continuación se muestra una variación de la temperatura corporal del castor (los datos deben estar en su defecto conjunto de datos) en una visualización tallo por hoja:

  require(fmsb)
  gstem(beaver1$temp)

Además del excelente trabajo de Tufte, recomiendo los libros de William S. Cleveland: Visualizando Datos y Los Elementos de Graficar Datos. No solo son excelentes, sino que todos se hicieron en R, y creo que el código está disponible públicamente.

Boxplots! Ejemplo de la ayuda de R:

boxplot(count ~ spray, data = InsectSprays, col = "lightgray")

En mi opinión, es la forma más práctica de echar un vistazo rápido a los datos o comparar distribuciones. Para distribuciones más complejas existe una extensión llamada vioplot.

Las parcelas de mosaico me parecen cumplir con los cuatro criterios mencionados. Hay ejemplos en r, bajo mosaicplot.

Echa un vistazo a la obra de Edward Tufte y especialmente este libro

También puedes intentar ver su presentación itinerante. Es bastante bueno e incluye un paquete de cuatro de sus libros. (¡juro que no soy dueño de las acciones de su editor!)

¿Gráficos resumidos? Como se menciona en esta página:

Visualización de Estadísticas de Resumen e Incertidumbre