Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
In diesem Kurs bringst du deine Fähigkeiten in der Datenvisualisierung über die Grundlagen hinaus und machst sie zu einem starken Teil deines Data-Science-Werkzeugkastens. In den Lektionen nutzen wir zwei interessante offene Datensätze, um verschiedene Datentypen abzudecken (Anteile, Punktdaten, einzelne Verteilungen und mehrere Verteilungen) und sprechen über Vor- und Nachteile der gängigsten Visualisierungen. Außerdem zeigen wir weniger verbreitete Alternativen für diese Datentypen und wie du die Standardeinstellungen von ggplot gezielt anpasst, um deine Botschaft effizient und wirkungsvoll zu vermitteln.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Anteile am Ganzen
In diesem Kapitel geht es um die Visualisierung von Anteilen eines Ganzen: Wir sehen, dass Kreisdiagramme gar nicht so schlecht sind, und besprechen außerdem das Waffeldiagramm sowie gestapelte Balken, um mehrere Anteile zu vergleichen.
- Einführung in die Grammar of Graphics50 XP
- Krankheitsdaten kennenlernen100 XP
- Aufwärmen fürs Data-Wrangling100 XP
- Das Kreisdiagramm und seine Freunde50 XP
- Die berüchtigte P-I-E100 XP
- Das Tortendiagramm aufräumen100 XP
- Wie wäre es mit einer Waffel?100 XP
- Wann du Balken verwenden solltest50 XP
- Einfache gestapelte Balken100 XP
- Stapelreihenfolge für bessere Lesbarkeit100 XP
- Kategorische x-Achse100 XP
2
Punktdaten
Jetzt richten wir den Fokus auf Einzelbeobachtungen bzw. Punktdaten und klären, wann Balkendiagramme geeignet sind und wann nicht, was du stattdessen verwenden solltest und wie du deine Diagramme aus Wahrnehmungssicht allgemein verbessern kannst.
3
Einzelne Verteilungen
Nun widmen wir uns Verteilungen: Wir zeigen die Fragilität von Histogrammen auf, besprechen, wann Kernel-Dichte-Diagramme die bessere Wahl sind, und wie du beide Diagrammtypen optimal für deine Daten einsetzt.
4
Verteilungen vergleichen
Zum Abschluss vergleichen wir mehrere Verteilungen miteinander. Wir sehen, warum traditionelle Boxplots riskant sein können und wie du sie einfach verbesserst, und wir schauen uns an, wann fortgeschrittene Alternativen wie Beeswarm- und Violinplots sinnvoll sind.
R
Best Practices für Visualisierung in R
Kurs
abgeschlossen
