-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path00-dataviz.html
1488 lines (950 loc) · 32.2 KB
/
00-dataviz.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" lang="" xml:lang="">
<head>
<title>Visualización de datos</title>
<meta charset="utf-8" />
<meta name="author" content="Alberto Torres Barrán" />
<meta name="date" content="2020-02-29" />
<link href="libs/remark-css-0.0.1/default.css" rel="stylesheet" />
<link rel="stylesheet" href="custom.css" type="text/css" />
</head>
<body>
<textarea id="source">
class: center, middle, inverse, title-slide
# Visualización de datos
## Explotación y visualización
### Alberto Torres Barrán
### 2020-02-29
---
<script type="text/x-mathjax-config">
MathJax.Hub.Config({
TeX: {
Macros: {
Xcal: "{\\mathcal{X}}",
Xbf: "{\\mathbf{X}}",
Qbf: "{\\mathbf{Q}}",
Zbf: "{\\mathbf{Z}}",
Vbf: "{\\mathbf{V}}",
Hbf: "{\\mathbf{H}}",
Rbb: "{\\mathbb{R}}"
},
extensions: ["AMSmath.js","AMSsymbols.js"]
}
});
</script>
## Introducción
* Visualizar datos es mitad ciencia mitad arte
* Una buena visualización:
1. representa los datos de forma correcta
2. es estéticamente agradable, sin elementos que distraigan del mensaje principal que queremos transmitir
* Se han visto al menos dos herramientas para realizar gráficos: matplotlib y ggplot2
* En esta sesión:
1. como pasar de los datos al tipo de gráfico más adecuado
2. directorio con los tipos de gráficos más comunes (no todos!)
3. conceptos independientes de la herramienta concreta
---
## Gramática de gráficos
* Descripción precisa de todos los componentes necesarios para realizar una visualización
* Wilkinson, L. (2005), *The Grammar of Graphics*
* Una de las implementaciones más conocidas es la librería `ggplot2`:
* Wickham, H. (2009), [*ggplot2: Elegant Graphics for Data Analysis*](https://ggplot2-book.org/)
* Artículo con las implicaciones de trasladar los conceptos de la gramática de gráficos a un lenguaje de programación (R):
* Wickham, H. (2010), [*A Layered Grammar of Graphics*](https://vita.had.co.nz/papers/layered-grammar.pdf)
---
## Fundamentos de visualización de datos
* Wilke, C. O., (2019) [Fundamentals of data visualization](https://serialmentor.com/dataviz/)
* Guía moderna para realizar visualizaciones que:
1. reflejan los datos de forma precisa
2. cuentan una historia
3. tienen una estética profesional
* Conceptos independientes de la herramienta que se usa!
* Los ejemplos del libro están hechos con `ggplot2` y otras librerías auxiliares
* Referencia principal de esta sesión (material en [Github](http://albertotb.com/curso-uam-dataviz/))
---
class: inverse, center, middle
# Visualización de datos
---
## Características estéticas
* Toda visualización es una correspondencia entre datos y características estéticas
* Ejemplo: un gráfico de dispersión representa la relación entre dos variables, **x** e **y**, mediante puntos
* Dos tipos:
1. pueden representar datos continuos
2. **no** pueden representar datos continuos
---
## Ejemplos
¿Cuáles de los siguientes elementos **no** pueden representar datos continuos?
![:vspace 4]
.center[
]
---
## Tipos de datos
* Independientes del lenguaje de programación/herramienta!
1. **Numéricos continuos**: números decimales
2. **Numéricos discretos**: por ej. números enteros
3. **Categóricos**: con o sin orden, por ej. las CC.AA de España
4. **Fechas/horas**: pueden ser continuos o discretos dependiendo de lo que representen
5. **Texto**
---
## Ejemplo
¿Qué tipos de datos hay en la siguiente tabla?
<table>
<thead>
<tr>
<th style="text-align:left;"> Fecha y hora </th>
<th style="text-align:right;"> Temperatura (ºC) </th>
<th style="text-align:right;"> Viento (km/h) </th>
<th style="text-align:left;"> Dirección del viento </th>
<th style="text-align:left;"> Estacion </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:left;"> 27/02/2020 00:00 </td>
<td style="text-align:right;"> 7.1 </td>
<td style="text-align:right;"> 4 </td>
<td style="text-align:left;"> Noroeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 01:00 </td>
<td style="text-align:right;"> 6.3 </td>
<td style="text-align:right;"> 3 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 02:00 </td>
<td style="text-align:right;"> 6.3 </td>
<td style="text-align:right;"> 5 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 03:00 </td>
<td style="text-align:right;"> 6.6 </td>
<td style="text-align:right;"> 4 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 04:00 </td>
<td style="text-align:right;"> 5.9 </td>
<td style="text-align:right;"> 3 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 05:00 </td>
<td style="text-align:right;"> 4.3 </td>
<td style="text-align:right;"> 0 </td>
<td style="text-align:left;"> Calma </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 06:00 </td>
<td style="text-align:right;"> 4.2 </td>
<td style="text-align:right;"> 2 </td>
<td style="text-align:left;"> Sudoeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 07:00 </td>
<td style="text-align:right;"> 4.6 </td>
<td style="text-align:right;"> 0 </td>
<td style="text-align:left;"> Calma </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 08:00 </td>
<td style="text-align:right;"> 6.4 </td>
<td style="text-align:right;"> 6 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 09:00 </td>
<td style="text-align:right;"> 7.3 </td>
<td style="text-align:right;"> 13 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
<tr>
<td style="text-align:left;"> 27/02/2020 10:00 </td>
<td style="text-align:right;"> 9.4 </td>
<td style="text-align:right;"> 11 </td>
<td style="text-align:left;"> Oeste </td>
<td style="text-align:left;"> El Goloso </td>
</tr>
</tbody>
</table>
.center[
Fuente: [AEMET](http://www.aemet.es/es/eltiempo/observacion/ultimosdatos)
]
---
## Escalas
* Definen la equivalencia entre valores y elementos del gráfico
* Correspondencia 1 a 1 para evitar gráficos ambiguos
![:vspace 3]
.center[
]
---
## Ejemplo gráfico de líneas
.center[
]
---
## Ejemplo *heatmap*
![:vspace 8]
.center[
]
---
## Múltiples escalas
¿Cuántas escalas tiene el siguiente gráfico?
.center[
]
---
class: inverse, center, middle
# Sistemas de coordenadas y ejes
---
## Sistemas de coordenadas
* Necesarios para cualquier tipo de visualización
* Determinan donde se van a posicionar los distintos valores
* Para gráficos estándar en 2D, necesitamos 2 valores para identificar una posición
* Además también necesitamos especificar la distribución relativa
* **Sistema de coordenadas**: combinación de escalas de posición y su distribución relativa
---
## Coordenadas cartesianas
* Sistema de coordenadas más habitual
* Dos ejes ortogonales con escalas continuas, **x** e **y**
* Invariantes frente a transformaciones lineales
.center[
]
---
## Ejemplo
.center[
]
---
## Ejes lineales vs no lineales
* **Eje lineal**: la separación entre dos líneas de la rejilla es la misma en la visualización que en las unidades de los datos
* **Eje no lineal**: la distancia entre dos líneas de la rejilla no es proporcional a la separación en las unidades de los datos
![:vspace 0.5]
.center[
]
---
## Escala logaritmica
* Escala no lineal más común
* Multiplicar en la escala logarítmica es como sumar en la escala lineal
* Conveniente para datos que provienen de multiplicaciones/divisiones, por ej. ratios
<table>
<thead>
<tr>
<th style="text-align:right;"> poblacion </th>
<th style="text-align:right;"> media </th>
<th style="text-align:right;"> ratio </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:right;"> 50 </td>
<td style="text-align:right;"> 100 </td>
<td style="text-align:right;"> 0.5 </td>
</tr>
<tr>
<td style="text-align:right;"> 100 </td>
<td style="text-align:right;"> 100 </td>
<td style="text-align:right;"> 1.0 </td>
</tr>
<tr>
<td style="text-align:right;"> 200 </td>
<td style="text-align:right;"> 100 </td>
<td style="text-align:right;"> 2.0 </td>
</tr>
</tbody>
</table>
![:vspace 3]
<img src="00-dataviz_files/figure-html/unnamed-chunk-4-1.png" style="display: block; margin: auto;" />
---
## Ejemplo
---
## Otras escalas
* Escala logarítmica es también útil cuando hay datos con magnitudes muy diferentes
* Representar en una misma escala una ciudad con población 100 y otra con población 1M
* Problema: no puede haber 0 en la escala logarítimica (`log(0) = -inf`)
* En algunos casos pueden ser útiles otras transformaciones, por ej. la raíz cuadrada
---
## Ejemplo
![:vspace 7]
.center[
]
---
## Sistemas de coordenadas curvos
* Las coordenadas polares son el ejemplo más común
* Especificamos una posición usando un ángulo y una distancia radial al origen
* Útiles para datos con periodicidad intrínseca
![:vspace 2]
.center[
]
---
## Ejemplo
.center[
]
---
## Datos geográficos
---
## Otro ejemplo
.center[
Fuente: [ggradar](https://www.ggplot2-exts.org/ggradar.html)
]
---
## Otro (mal) ejemplo
.center[
Fuente: [Radar Plots usando ggplot2](https://rpubs.com/htejero/212368)
]
---
class: inverse, middle, center
# Escalas de color
---
## Escalas de color cualitativas
* En variables categóricas, usamos el color para distinguir grupos que no tienen ningún orden
* Características deseables:
1. claramente **distinguibles** unos de otros
2. **equivalentes**
* ningún color puede destacar sobre el resto
3. distinguibles incluso para personas **daltónicas**
---
## Ejemplos
* Se pueden crear escalas personalizadas en la web [ColorBrewer 2.0](http://colorbrewer2.org/)
* También hay muchas disponibles:
* A no ser que exista alguna razón de peso (por ej. colores corporativos), siempre es recomendable usar una de las múltiples escalas por defecto
* Muchas fueron creadas para cumplir las propiedades anteriores:
* .footnotesize[Okabe, M., and K. Ito. (2008), [Color Universal Design (CUD): How to Make Figures and Presentations That Are Friendly to Colorblind People.](https://jfly.uni-koeln.de/color/)]
---
## Escalas de color secuenciales
* Con variables continuas, usamos escalas de color secuenciales
* Revelan patrones en nuestros datos que sería muy complicado ver de otra forma
* Simplifican a nuestro cerebro la tarea de procesar...
* ...que valores son más pequeños que otros
* ...distancia entre valores
* Características deseables [[A better default colormap for matplotlib](https://www.youtube.com/watch?v=xAoljeRJ3lU)]:
1. colorida
2. agradable
3. **secuencial**
4. **perceptualmente uniforme**
5. distinguible en **blanco y negro**
6. accesible para personas **daltónicas**
* Una escala de color muy usada es [viridis](https://cran.r-project.org/web/packages/viridis/vignettes/intro-to-viridis.html)
---
## viridis
.center[Fuente: [mpl colormaps](https://bids.github.io/colormap/)]
---
## jet vs viridis
.pull-left[
.center[
]
]
--
.pull-right[
.center[
]
]
.center[.footnotesize[Fuente: [Hurricanes and Data Visualisation: Part I(b) – The Mona Lisa](https://peterjamesthomas.com/2017/09/15/hurricanes-and-data-visualisation-part-ib-the-mona-lisa/)]]
---
## Secuenciales vs divergentes
.center[
]
--
![:vspace 0.5]
.center[
]
---
## Ejemplo secuencial
.center[
]
---
## Ejemplo divergente
.center[
]
---
## Destacar elementos usando color
* Las escalas de color qualitativas se pueden modificar para resaltar ciertos grupos:
* creando versiones más oscuras y/o saturadas de algunos colores
* combinando una escala de grises + color
* Importante que ninguno de los colores no-resaltados destaque sobre el resto!
.center[
]
* Otra opción es eliminar todo el color excepto el de los datos a resaltar
---
## Ejemplo resaltado
.center[
]
---
class: inverse, middle, center
# Cantidades
---
## Cantidades
* Valores numéricos para un conjunto de categorías
* Énfasis: magnitud de los valores
* Tipos de gráfico:
1. gráfico de barras (*barplot*)
2. gráfico de puntos (*dotplot*)
3. mapas de calor (*heatmap*)
---
## Gráfico de barras
<img src="00-dataviz_files/figure-html/unnamed-chunk-6-1.png" style="display: block; margin: auto;" />
---
## Etiquetas rotadas
<img src="00-dataviz_files/figure-html/unnamed-chunk-7-1.png" style="display: block; margin: auto;" />
---
## Intercambiar ejes
<img src="00-dataviz_files/figure-html/unnamed-chunk-8-1.png" style="display: block; margin: auto;" />
---
## Orden de las categorias
<img src="00-dataviz_files/figure-html/unnamed-chunk-9-1.png" style="display: block; margin: auto;" />
---
## Variables cualitativas con orden
No usar orden alfabético ni orden creciente, sino el orden implícito de la variable
<img src="00-dataviz_files/figure-html/unnamed-chunk-10-1.png" style="display: block; margin: auto;" />
---
class: center, middle
<img src="00-dataviz_files/figure-html/unnamed-chunk-11-1.png" style="display: block; margin: auto;" />
---
<img src="00-dataviz_files/figure-html/unnamed-chunk-12-1.png" style="display: block; margin: auto;" />
---
## Gráfico de barras agrupadas
¿Cómo ordenar las barras?
<img src="00-dataviz_files/figure-html/unnamed-chunk-14-1.png" style="display: block; margin: auto;" />
---
class: center, middle
<img src="00-dataviz_files/figure-html/unnamed-chunk-15-1.png" style="display: block; margin: auto;" />
---
## Facetas
<img src="00-dataviz_files/figure-html/unnamed-chunk-16-1.png" style="display: block; margin: auto;" />
---
## Barras apiladas
* Útiles cuando las cantidades que representan por las barras apiladas es significativa
* Por ejemplo, número de personas
.center[
]
---
## Gráfico de puntos
En ocasiones podemos sustituir las barras por un únic punto
<img src="00-dataviz_files/figure-html/unnamed-chunk-17-1.png" style="display: block; margin: auto;" />
---
Si lo representáramos con barras, como el eje tiene que empezar en 0, el gráfico quedaría muy cargado
<img src="00-dataviz_files/figure-html/unnamed-chunk-18-1.png" style="display: block; margin: auto;" />
---
## Gráficos de barras: ejes
La cantidad de tinta debería de ser proporcional a la cantidad que se representa
.center[
]
---
En una escala lineal las barras siempre tienen que empezar en 0!!
.center[
]
---
## Mapas de calor (*heatmap*)
Enfatizan los patrones globales en lugar de los valores concretos
.center[
]
---
El orden es arbitrario
.center[
]
---
class: inverse, middle, center
## Distribuciones
---
## Histogramas
* Representan la distribución de una variable numérica continua (quantitativa)
<img src="00-dataviz_files/figure-html/unnamed-chunk-20-1.png" style="display: block; margin: auto;" />
---
## Elección número de intervalos
* Siempre hay que probar con distintos tamaños de intervalo!
.center[
]
---
## Gráficos de densidad
* Estiman la densidad (distribución) de la variable usando una técnica conocidad como *Kernel Density Estimation* (KDE)
* Cuidado con el rango del eje x!
<img src="00-dataviz_files/figure-html/unnamed-chunk-21-1.png" style="display: block; margin: auto;" />
---
## Ancho del kernel
* Igual que en los historgramas la elección del ancho del kernel influye en los resultados
.center[
]
.footnotesize[
a) kernel Gaussiano, ancho = 0.5
b) kernel Gaussiano, ancho = 2
c) kernel Gaussiano, ancho = 5
d) kernel rectangular, ancho = 2
]
---
## Dos distribuciones
Los histogramas tienen problemas a la hora de mostrar múltiples distribuciones
.center[
]
---
## Transparencias
.center[
]
---
## Gráficos de densidad solapados
.center[
]
---
## Gráficos de densidad: facetas
.center[
]
---
## Histograma doble rotado
.center[
]
---
# Más de dos distribuciones
Si queremos representar las de dos los gráficos de densidad suelen ser preferibles a los histogramas
.center[
]
---
## Gráfico de cajas
Represente los principales estadísticos de una variable continua
.center[
]
---
class: center, middle
---
.center[
]
--
Generalmente las barras verticales se usan para representar errores, no variabilidad en los datos (distribución)
---
## Gráficos "violín"
* Alternativa a los gráficos de cajas si hay un número de puntos suficientemente alto
* Se estima la densidad usando KDE, se rota 90 grados y se replica
---
Las desventajas son las mismas que los gráficos de densidad:
* Pueden representar datos en zonas donde no los hay
* Perdemos la noción de la cantidad de puntos
.center[
]
---
class: middle
.center[
.footnotesize[Fuente: [Seaborn Library for Data Visualization in Python: Part 1](https://stackabuse.com/seaborn-library-for-data-visualization-in-python-part-1/)]
]
---
## *Strip chart*
Si no hay muchos puntos, podemos representarlos directamente
---
## Ruido aleatorio
Generalmente es útil añadir un pequeño ruido aleatorio para que no se superpongan los puntos
---
class: middle
.center[
.footnotesize[Fuente: [Seaborn Library for Data Visualization in Python: Part 1](https://stackabuse.com/seaborn-library-for-data-visualization-in-python-part-1/)]
]
---
## *Ridgeline plot*
* Distribución de una variable continua para distintos grupos
* Similar al gráfico "violín", pero rotado
---
class: inverse, middle, center
# Proporciones
---
## Gráficos circulares
.pull-left[
Ventajas:
* Visualiza claramente las proporciones como parte de un conjunto
* Visualiza fracciones como 1/2, 1/3,..
Desventajas:
* Complicado comparar visualmente las proporciones relativas
]
.pull-right[
]
---
## Gráficos de barras apilados
* Otra alternativa a los gráficos circulares
* Fracciones como 1/2, 1/3, etc. no son evidente de forma visual
.center[
]
---
## Gráficos de barras
Permiten visualizar de forma sencilla las proporciones relativas