Weiter zum Inhalt

Kurs

Best Practices für Visualisierung in R

BasicSchwierigkeitsgrad

Aktualisiert 01/2026

Kurs kostenlos starten

RData Visualization

1 Std.

13 Videos

49 Übungen

4,200 XP

20,494

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

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

Introduction to Data Visualization with ggplot2

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 Graphics

Krankheitsdaten kennenlernen

Aufwärmen fürs Data-Wrangling

Das Kreisdiagramm und seine Freunde

Die berüchtigte P-I-E

Das Tortendiagramm aufräumen

Wie wäre es mit einer Waffel?

Wann du Balken verwenden solltest

Einfache gestapelte Balken

Stapelreihenfolge für bessere Lesbarkeit

Kategorische x-Achse

Kapitel starten

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.

Balken und Punkte: Punktdaten

Sind Balken geeignet?

Mit geom_col arbeiten

Mit geom_bar arbeiten

Punktdiagramme

Sortiertes Punktdiagramm

Visuelle Anker hinzufügen

Mit Facets Struktur sichtbar machen.

Diagramme optimieren

Lass uns ein paar Achsen kippen

Balkendiagramm aufräumen

Umwandeln in ein Punktdiagramm

Kapitel starten

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.

Wichtigkeit von Verteilungen

Einstieg in die Daten

Alle Daten betrachten

y-Achse auf Dichte umstellen

Feinheiten von Histogrammen

Anzahl der Bins anpassen

Mehr Balken

Klassenbreite im Kontext

Der Kernel-Dichteschätzer

Histogramm zu KDE

Einen Rug hinzufügen

KDE mit vielen Daten

Kapitel starten

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.

Einführung in den Vergleich von Verteilungen

Ein einfacher Boxplot

Etwas Jitter hinzufügen

Faceting, um alle Farben zu zeigen

Beeswarms und Violinen

Dein erstes Beeswarm-Diagramm

Am Violinen-Plot feilen

Violins mit Boxplots

Viele Verteilungen vergleichen

Räumlich zusammenhängende Verteilungen vergleichen

Ein einfaches Ridgeline-Diagramm

Ridgelines aufräumen

Lass es regnen (Datenpunkte)

Zusammenfassung

Kapitel starten

Best Practices für Visualisierung in R

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Best Practices für Visualisierung in R heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.