Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Ce cours vous aidera à aller au-delà des bases en visualisation de données et à en faire un atout puissant dans votre boîte à outils de data science. Au fil des leçons, nous utiliserons deux jeux de données ouverts intéressants pour couvrir différents types de données (proportions, données ponctuelles, distributions simples et multiples) et discuter des avantages et limites des visualisations les plus courantes. Nous verrons aussi des alternatives moins répandues adaptées à ces types de données, et comment ajuster les paramètres par défaut de ggplot pour transmettre votre message de façon plus efficace et percutante.
Prérequis
Programme de formation
Plan du cours
1
Proportions d’un ensemble
Dans ce chapitre, nous nous concentrons sur la visualisation des proportions d’un ensemble ; vous verrez que les diagrammes circulaires ne sont pas si mauvais, et nous parlerons aussi des graphiques « waffle » et des barres empilées pour comparer plusieurs proportions.
- Introduction à la Grammar of Graphics50 XP
- Se familiariser avec les données sur les maladies100 XP
- Échauffement à la manipulation de données100 XP
- Le diagramme en secteurs et ses cousins50 XP
- Le tristement célèbre P-I-E100 XP
- Nettoyer le camembert100 XP
- Et si on essayait un « waffle » ?100 XP
- Quand utiliser des barres50 XP
- Barres empilées simples100 XP
- Ordonner l’empilement pour la lisibilité100 XP
- Axe des x catégoriel100 XP
2
Données ponctuelles
Nous passons maintenant aux données à observation unique ou ponctuelles et expliquons quand les diagrammes en barres sont appropriés ou non, quoi utiliser lorsqu’ils ne le sont pas, ainsi que des améliorations liées à la perception pour rendre vos graphiques plus lisibles.
3
Distributions simples
Nous abordons à présent la visualisation de données distributionnelles ; nous mettons en évidence la fragilité des histogrammes, discutons des situations où il vaut mieux passer à des courbes de densité à noyau, et voyons comment optimiser ces deux types de graphiques pour vos données.
4
Comparer des distributions
Pour conclure, nous examinons la comparaison de distributions multiples. Vous verrez pourquoi les boîtes à moustaches traditionnelles peuvent être trompeuses et comment les améliorer facilement, ainsi que les cas où privilégier des alternatives plus avancées comme les diagrammes « beeswarm » et les violons.
R
Bonnes pratiques de visualisation avec R
Cours
terminé
