Data Vizard

Jeśli śledzisz bloga Tableau Public, lub chociaż społeczność Tableau, to na pewno wiesz co to IronViz. Jęsli nie wiesz, to napiszę tylko, że to oficjalny konkurs Tableau, którego ukoronowaniem jest finał (na żywo) na Tableau Conference. W ciągu roku pojawiają się trzy feedery - pewnego typu eliminacje. Wygrany każdego feedera jedzie na konferencję i uczestniczy w finale. Udział w IronViz planowałem od dłuższego czasu, jednak albo nie wyrabiałem się przed terminem, albo nie odpowiadał mi temat. Przy ostatnim feederze udało mi się jednak w końcu ukończyć i wysłać pracę. Kosztem trochę zarwanej nocy, ale jednak. Tematem feedera było 'Health and Well-being', czyli po krótce wszystko związane ze zdrowiem. Przez dwa tygodnie szukałem odpowiednich danych - poprzez tak trywialne jak otyłość w Ameryce do przyczyn śmierci na świecie i stosunku ilości lekarzy do śmiertelności. Jednak dopiero wizualizacja Ann Jackson pomogła mi znaleźć potrzebną inspirację. Wizualizacja Ann Ja...

Moja wizualizacja znowu została wyróżniona jako jedna z najlepszych w MakeoverMonday. Dane z zeszłego tygodnia dotyczyły wulkanów i ich ostatnich znanych erupcji. Po krótkim rozenzaniu stwierdziłem, że głównym punktem mojej wizualizacji będzie lokalizacja wulkanów względem płyt tektonicznych. Chciałem również pokazać, wulkany na których pytach wybuchają najczęściej. Punktem startowym było znalezienie pliku SHP płyt tektonicznych i załadowanie go do Tableau - chciałem stworzyć poligony na których znalazłyby się wulkany. Niestety to się nie udało, więc poszedłem inną drogą i użyłem MapBox a. MapBox to usługa zezwalająca na tworzenie własnych map, a następnie wykorzystywanie ich poprzez API. Oznacza to, że naszą mapę możemy wykorzystać w dowolnej aplikacji, programie typu GIS, ale również np. Tableau. Wgrałem więc plik zawierający granice płyt tektonicznych i używając go jako warstwy edytowałem jeden z podstawowych szablonów - MapBox zezwala na stworzenie mapy od podstaw (dosyć skom...

Tableau ma swoje ograniczenia. Wszyscy użytkownicy dobrze wiedzą, że możliwości obróbki danych są dosyć ubogie. Tableau Prep też nie rozwiązuje całkowicie tego problemu. W takich sytuacjach pozostaje nam sięgnąć po dodatkowe narzędzia ETL jak np. Alteryx czy Knime, lub skorzystać z R lub Pythona. W tym wpisie zaprezentuję jak możemy przenieść naszą wizualizację na wyższy poziom poprzez obróbkę danych w Alteryxie. Efekt końcowy - kliknij aby przejść do Tableau Public Zawsze dobrze jest zacząć od początku, czyli od odpowiedzi na pytanie co to jest i do czego to służy? Powyższy wykres przedstawia największe miasta kontynentalej cześći Stanów Zjednoczonych - kolor zielony mówi o populacji miasta (pełna, większa kropka oznacza miasto powyżej 1 mln mieszkańców), a fioletowy o powierzchni danej komórki Woronoja/promienia wokół miasta. Ale czym właściwie jest diagram Woronoja? Każda osoba zajmujące się wizualizacją wie, że jeden obraz mówi więcej niż tysiąc słów, dlatego też posłu...

Na pewno nie raz spotkaliście się z problemem pokazania dwóch różnych zmiennych na mapie - problem ten dotyka zmiennych ciągłych jak i kategorycznych. Jak przedstawić je w sposób czytelny, aby korelacja (lub jej brak) była widoczna? Stosowanie dwóch map obok siebie nie jest najlepszym pomysłem - nie chcemy aby odbiorca musiał non stop skakać wzrokiem pomiędzy mapami.  Rozwiązanie, czyli mapy dwuwymiarowe ( bivariate maps ), znowu okazuje się proste w teorii, a bardziej skomplikowane w praktyce, czyli w Tableau. Są oczywiście pewne ogarniczenia - możemy w zasadzie używać tylko zmiennych kategorycznych/dyskretnych. Przy zmiennych ciągłych musimy je pogrupować (co i ja zrobiłem w moim przykładzie). Załóżmy, że chcemy pokazać związek pomiędzy ceną biletu do kina, a ilością sprzedanych biletów. Łatwo to zrobić na dwóch mapach, wrzucając po prostu każdą ze zmiennych (ciągłych) na inną mapę. Takie rozwiązanie nie wygląda źle, jednak bardzo ciężko jest zidentyfikować, ja...

Dziś krótki, praktyczny wpis na temat jitteringu. Brzmi tajemniczo, ale jest (w zamyśle) proste i skuteczne. Na pewno nie raz spotkałeś się z problemem nakładania danych na mapie - czy to z powodu zbyt dużego zagęszczenia, zbyt małej dokładności danych (np. tylko nazwa miasta a nie konkretne współrzędne), czy po prostu w danych było kilka punktów o identycznych koordynatach. Co zrobić w takim momencie? Zabawa kolorem ani detalem nic nie da - unikniesz agregacji punktów ale dalej będą wyświetlane jeden pod drugim. Zawsze można też kombinować i używać pociętych custom shapów i podwójnej osi - nie jest to czytelne ani zazwyczaj nie wygląda dobrze - been there, done that. Poza tym coś takiego zadziała tylko, gdy nakładają się dwa punkty. W każdym z tych scenariuszy z pomocą przychodzi nam właśnie jittering. Jeśli czytasz bloga regularnie, to pewnie zauważyłeś pewne podobieństwo konceptu do hex binning. Cały proces prześledzimy na przykładzie danych dotyczących stadionów w Polsce...

Po ostatnich utarczkach z R i api przy zbieraniu danych o Black Sabbath postanowiłem wziąć się za coś lżejszego i bardziej skupionego na Tableau. W dzisiejszym wpisie będą ciekawe dane jak rozwiązaniu z Tableau. Skupię się na otwartych danych dotyczących drzew w Warszawie , pochodzących ze strony Urzędu Miasta. Pozyskanie danych Jak już wspomniałem dane pochodzą ze strony Urzędu Miasta. Aby z nich skorzystać nie trzeba się rejestrować (co się okazało przypadkiem przy odpalaniu skryptu). Pomimo uzyskania klucza do API skrypt działa bez niego. Poniżej uproszczona wersja skryptu R. Skrypt zapisuje dane do pliku CSV zawierającego 140 tysięcy rekordów. Dane są dosyć zanieczyszczone, jednak dla nas będą wystarczające. Wizualizacja Ostatecznie stworzyłem dwa dashboardy. Efekt końcowy (kliknij aby przejść do Tableau Public) Efekt końcowy (kliknij aby przejść do Tableau Public) Tym razem zastosowałem kilka ciekawych rozwiązań, wśród nich: wykres typu hexbin wybór ty...

Zainspirowany infografiką o Metallice postanowiłem zrobić coś podobnego o Black Sabbath . Dosyć szybko znalazłem stronę setlist.fm , która jak sama nazwa wskazuje zawiera setlisty z koncertów. Na szczęście serwis posiada darmowe API , co znacząco upraszcza całą operację podbierania danych. Poniżej zamieszczam mój kod R, którym pobrałem dane dotyczące wszystkich występów. Niestety nie mogłem w elegancki sposób podzielić kolumny zawierającej listę piosenek. Z pomocą przyszedł mi wpis Łukasz Prokulskiego dotyczący podobnej analizy Rolling Stones . Łukasz korzysta z funkcji unnest() z pakietu tidyverse . W ten sposób uzyskałem informacje nt. utworów granych na każdym koncercie. Do tego wszystkiego stworzyłem jeszcze tabelę zawierającą tracklisty wszystkich albumów - głównym celem mojej analizy było pokazanie dystrybucji utworów na koncertach właśnie po albumach. Efekt końcowy (kliknij aby przejść do Tableau Public) Wizualizacja ta nie jest skomplikowana, a jedynymi ciekawymi...

Poniższa wizualizacja została wybrana na zwycięzcę konkursu DataChampion2017 organizowanego przez AstraFox - srebrnego partnera i dystrybutora Tableau. Konkurs polegał na przedstawieniu historii i wyciągnięciu wniosków z danego zbioru danych przy pomocy wizualizacji. Do wyboru był jeden z dwóch zbiorów danych, ja wybrałem dane opisujące wypadki samochodowe w USA. Moja wizualizacja przeszła do finału na żywo, podczas którego musiałem zaprezentować moją wizualizację i wnioski, oraz pokazać najciekawsze rozwiązania jakie wykorzystałem. Wśród nich znalazły się: użycie parametrów do zmiany zmiennej na wykresie - dzięki takiemu rozwiązaniu, na jednym wykresie możemy pokazywać akurat te zmienne, które nas interesują w danym momencie. Rozwiązanie to składa się z dwóch elementów: parametru - parametr tekstowy jako lista pola kalkulowanego - pole zwraca odpowiednią zmienną wg. parametru (na podanym przykładzie pole jest zależne od dwóch parametrów) parametryzowa...