कच्चे डेटा को देखना ऐसा हो सकता है जैसे किसी तस्वीर को एक-एक पिक्सल करके समझने की कोशिश करना। अपने डेटा को ग्राफ़ में बदलने से आप ज़ूम-आउट करके पूरी तस्वीर एक नज़र में देख पाते हैं। विज़ुअलाइज़ेशन स्टेकहोल्डर्स को डेटा दिखाने का एक आसान मार्केटिंग टूल भी है। ये लोगों को पैटर्न, संबंध और अंतर्दृष्टियाँ तुरंत दिखा देते हैं। यह डेटा को अर्थपूर्ण बनाने के सबसे तेज़ तरीकों में से एक है।
इस गाइड में, हम सामान्य चार्ट प्रकारों और उन्हें कब उपयोग करना चाहिए, पर चलेंगे। हम देखेंगे कि एक अच्छे विज़ुअलाइज़ेशन को भ्रामक से क्या अलग करता है और ऐसे कई प्रतिष्ठित उदाहरणों को भी देखेंगे जिन्होंने इस क्षेत्र को आकार दिया। अंत तक, आपको यह बेहतर समझ होगी कि स्पष्ट और ईमानदार कहानी कहने वाले डेटा विज़ुअलाइज़ेशन कैसे बनाए और आंके जाएँ।
यदि आप बिलकुल शुरुआत कर रहे हैं, तो Introduction to Data Visualization with Julia प्लॉटिंग और डेटा स्टोरीटेलिंग की बुनियादी बातें सीखने का शुरुआती-अनुकूल तरीका प्रदान करता है।
डेटा विज़ुअलाइज़ेशन के प्रकार
डेटा विज़ुअलाइज़ेशन को शामिल चर की संख्या के आधार पर श्रेणीबद्ध किया जा सकता है। क्या आप केवल एक ही चर के वितरण पर नज़दीकी नज़र डाल रहे हैं? क्या आप दो चरों के बीच संबंध का वर्णन करना चाहते हैं? या आपको कई चरों के बीच अंतःक्रियाओं में रुचि है? आइए इन प्रत्येक परिदृश्यों और उनके लिए उपलब्ध चार्ट विकल्पों को देखते हैं।
इन सभी चार्ट प्रकारों को दिमाग़ में व्यवस्थित रखने में मदद के लिए, मैं यह उपयोगी Data Visualization Cheat Sheet सुझाता/सुझाती हूँ। यह एक त्वरित संदर्भ देता है ताकि आप देख सकें कि किस प्रकार के डेटा के लिए कौन सा चार्ट सबसे अच्छा काम करता है। आपको यह भी देखना चाहिए Data Visualization Techniques for Every Use-Case।
एक-चर (Univariate) विज़ुअलाइज़ेशन
चलें सबसे सरल मामले से शुरू करते हैं: आपके पास केवल एक ही चर है जिसमें आप रुचि रखते हैं। एक-चर विज़ुअलाइज़ेशन आपको एक ही चर पर ध्यान केंद्रित करने देते हैं। ये एक नज़र में उसके वितरण, आवृत्ति या संरचना को समझने में मदद करते हैं। आइए सबसे आम प्रकारों पर नज़र डालें।
बार चार्ट
बार चार्ट विभिन्न श्रेणियों की तुलना करता है। प्रत्येक श्रेणी अपनी अलग बार होती है, और उस श्रेणी की गिनती बार की ऊँचाई के रूप में दिखाई जाती है।
कभी-कभी आप बार चार्ट को उसकी साइड पर भी देख सकते हैं, जहाँ बार ऊर्ध्वाधर के बजाय क्षैतिज रूप से बढ़ते हैं। मेरे अनुभव में, क्षैतिज बार चार्ट तब सबसे उपयोगी होते हैं जब आप कई श्रेणियों की तुलना कर रहे हों और बार ऊपर से नीचे की ओर लंबी से छोटी क्रम में हों। केवल कुछ श्रेणियों के लिए, मुझे ऊर्ध्वाधर बार चार्ट पसंद हैं।
पाई चार्ट
पाई चार्ट किसी पूर्ण के अनुपातों को वृत्त के टुकड़ों के रूप में दिखाता है। पाई चार्ट का इस्तेमाल करना या न करना, डेटा पेशेवरों के बीच अक्सर बहस का कारण होता है। वृत्त के हिस्सों की व्याख्या करना हमारे दिमाग़ के लिए आमतौर पर आयत के हिस्सों का अनुमान लगाने से कठिन होता है।
सोचिए कि सेब की पाई के दो टुकड़े बराबर हैं या नहीं, इस पर भाई-बहनों के बीच कितनी बहसें हुई होंगी। फिर भी, पाई चार्ट लोकप्रिय हैं, आंशिक रूप से क्योंकि उनकी गोलाकार आकृति समान रूप से आयताकार डैशबोर्ड के रूप-रंग को तोड़ने में मदद कर सकती है।
पाई चार्ट का उपयोग चुनते समय, पहले, केवल तब उपयोग करें जब तुलना करने के लिए कुछ ही श्रेणियाँ हों। बहुत सारी श्रेणियाँ शामिल करने पर यह भारी और पढ़ने में कठिन हो जाता है। दूसरे, प्रत्येक स्लाइस पर वास्तविक प्रतिशत जोड़ें। इससे यह सुनिश्चित होता है कि यदि पाठक को आपस में स्लाइसों की तुलना करने में कठिनाई हो, तो भी वह ग्राफ़ को समझ सके।
डोनट चार्ट
डोनट चार्ट, पाई चार्ट का करीबी रिश्तेदार है। इसलिए, वही सावधानियाँ लागू होती हैं: केवल कुछ श्रेणियों की तुलना करते समय उपयोग करें, और व्याख्या में मदद के लिए चार्ट पर संख्यात्मक अनुपात दिखाएँ।
डोनट चार्ट का एक व्यावहारिक लाभ यह है कि यह मध्य में लेबल के लिए जगह प्रदान करता है। यदि आपका डैशबोर्ड भीड़भाड़ वाला हो रहा है तो यह स्थान बचा सकता है। यह देखने में आकर्षक भी है और पाई चार्ट में कमी रहने वाली एक अतिरिक्त शोभा जोड़ सकता है।
हिस्टोग्राम
हिस्टोग्राम किसी वितरण के आकार को दर्शाने के लिए उपयोगी है। यह संख्यात्मक मानों को बिन्स में समूहित करता है और प्रत्येक बिन में आने वाले मानों की संख्या को प्लॉट करता है। यह सबसे अधिक प्रचुर मान देखने और आउट्लायर पहचानने का उपयोगी तरीका हो सकता है।
हालाँकि यह बार चार्ट जैसा दिख सकता है, लेकिन एक प्रमुख बिंदु पर यह अलग है: x-अक्ष एक सतत चर है, न कि असतत।
यहाँ बगीचे में सूरजमुखी के पौधों की ऊँचाइयों का हिस्टोग्राम है। हम देख सकते हैं कि हमारे अधिकांश पौधे 22 सेमी और 28 सेमी के बीच हैं। कुछ 15 सेमी जितने छोटे हैं, और कुछ लगभग 34 सेमी तक हैं।
घनत्व प्लॉट
घनत्व प्लॉट को एक स्मूद किए गए हिस्टोग्राम के रूप में समझा जा सकता है, जिसे सतत वक्र के रूप में दिखाया जाता है। यह अंतर्निहित वितरण की एक अधिक परिष्कृत तस्वीर दे सकता है। ध्यान देना ज़रूरी है कि y-अक्ष वास्तव में गिनतियाँ नहीं दिखाता, बल्कि घनत्व दिखाता है, जो यह दर्शाता है कि किसी दिए गए मान के आसपास डेटा कितना केंद्रित है। वक्र के नीचे का कुल क्षेत्रफल हमेशा 1 के बराबर होता है।
यह प्लॉट वितरण के आकार को देखने के लिए उपयोगी है, न कि इसके निरपेक्ष मानों को। एक ही प्लॉट पर कई वितरणों को प्लॉट करके, आप उन्हें एक-दूसरे से तुलना भी कर सकते हैं। अव्यवस्था से बचने के लिए, मैं वितरणों की संख्या 3 या कम रखने की सलाह देता/देती हूँ। साथ ही, भ्रम से बचने के लिए, विशेषकर पास-पास के वितरणों में, सबसे अच्छा है कि प्रत्येक रेखा अलग रंग या शेड में हो।
यहाँ हमने प्रति विज़िट दो अलग-अलग पुस्तकालयों में पढ़ने में बिताए समय को प्लॉट किया है। दोनों वितरणों की घनत्वों को साथ प्लॉट करके, हम देख सकते हैं कि जब आगंतुक Moonlight Library में आते हैं, तो वे Sunlight Library की तुलना में अधिक समय पढ़ने में बिताते हैं।
बॉक्स प्लॉट
यदि आप कई वितरणों की आपस में तुलना करना चाहते हैं, तो बॉक्स प्लॉट पर विचार कर सकते हैं। बॉक्स प्लॉट वितरणों को उनके माध्यक, चतुर्थक और किसी भी आउट्लायर के माध्यम से सारांशित करता है। ये अत्यंत उपयोगी ग्राफ़ हैं जो बहुत सारा सूचना बहुत तेज़ी से दिखा सकते हैं। ये मूलतः एक नज़र में कई डाटासेट्स की पूरी परास (स्कोप) आपस में तुलना करके संप्रेषित करते हैं।
एक सामान्य नियम के रूप में, यदि दो वितरणों के बॉक्स आपस में ओवरलैप नहीं करते, तो वे एक-दूसरे से महत्वपूर्ण रूप से भिन्न हो सकते हैं। जबकि यदि वे ओवरलैप करते हैं, तो संभवतः वे महत्वपूर्ण रूप से भिन्न नहीं हैं। बेशक, सुनिश्चित होने के लिए T-Test जैसे सांख्यिकीय परीक्षण की आवश्यकता होती है, लेकिन बॉक्स प्लॉट जल्दी विज़ुअल संकेत देता है कि किन वितरणों की तुलना करनी चाहिए।
इस बॉक्स प्लॉट में, हमने तीन जादुई विद्यालयों के टेस्ट स्कोर के वितरण को दिखाया है। एक नज़र में, हम देख सकते हैं कि किन विद्यालयों के औसत टेस्ट स्कोर अपने प्रतिस्पर्धियों की तुलना में अधिक हैं। आउट्लायर देखकर यह भी आसानी से पता चलता है कि किन विद्यालयों में असाधारण छात्र हैं या कौन से छात्र अपने साथियों से पिछड़ रहे हैं। यह साधारण ग्राफ़ बहुत उपयोगी जानकारी बहुत जल्दी संप्रेषित करता है।
द्वि-चर (Bivariate) विज़ुअलाइज़ेशन
अब तक, हमने केवल एक चर दिखाने वाले ग्राफ़ देखे हैं। लेकिन यदि आप दो चरों के बीच संबंध दिखाना चाहें तो? द्वि-चर चार्ट्स वही हैं जिनकी आपको तलाश है। ये रुझान, पैटर्न और सहसंबंध पकड़ने में उपयोगी होते हैं।
स्कैटर प्लॉट
स्कैटर प्लॉट शायद सबसे सर्वव्यापी प्लॉट है। ये दो संख्यात्मक अक्षों पर आपके प्रत्येक डेटा बिंदु की स्थिति को सरल तरीके से दर्शाते हैं। यह संबंधों, क्लस्टरों और आउट्लायर को पकड़ने के लिए आदर्श है।
स्कैटर प्लॉट्स का उपयोग सहसंबंध और कारणात्मक संबंध दोनों दिखाने के लिए किया जा सकता है। यदि आप कारणात्मक संबंध दिखा रहे हैं, तो परंपरा है कि स्वतंत्र चर x-अक्ष पर और आश्रित चर y-अक्ष पर हो। यह परंपरा दर्शक को कारणात्मक संबंध की दिशा बताती है। इसके अतिरिक्त, यदि वास्तव में कारणात्मक संबंध है, तो आपको प्रयुक्त सांख्यिकी तथा p-value चार्ट पर प्रदर्शित करनी चाहिए।
इस स्कैटरप्लॉट में, हमने प्रत्येक बारिश की बूंद के आकार और उसके गिरने की गति के बीच संबंध को प्लॉट किया है। इन दोनों चरों में स्पष्ट सकारात्मक संबंध है, जो दिखाता है कि बड़ी बूंदें अधिक तेज़ी से गिरती हैं।
महत्वपूर्ण बात यह है कि यह ग्राफ़ सहसंबंध दिखा रहा है, और अपने आप में कारणता नहीं दर्शाता। इसलिए हम यह नहीं कह सकते कि बड़ी बूंद तेज़ी से गिरती है क्योंकि वह बड़ी है। ऐसा दावा करने के लिए हमें अतिरिक्त जानकारी चाहिए होगी, जैसे सांख्यिकीय परीक्षण या प्रयोग, और वह अतिरिक्त जानकारी चार्ट पर दर्शानी होगी।
लाइन चार्ट
लाइन चार्ट स्कैटर प्लॉट का रिश्तेदार है। हालाँकि, स्वतंत्र चर आमतौर पर समय होता है, और प्रत्येक डेटा बिंदु अपने आस-पास के बिंदुओं से जुड़ा होता है। टाइम-सीरीज़ डेटा के लिए लाइन चार्ट सर्वोत्तम है, जहाँ आप समय के साथ रुझान या बदलाव को हाईलाइट करना चाहते हैं।
यहाँ हमने एक महीने तक हर दिन पढ़ने में बिताए समय को लाइन चार्ट से प्लॉट किया है। इससे हमें जल्दी दिखता है कि कब हमारी पढ़ने की प्रेरणा घटी और कब हम फिर लय में लौटे। यदि हम इसे कई महीनों तक जारी रखें, तो कोई पैटर्न उभर सकता है।
समय के साथ रुझानों और बदलावों को हाईलाइट करने के और उदाहरणों के लिए देखें Data Visualizations that Capture Trends।
एरिया चार्ट
एरिया चार्ट लाइन चार्ट के बहुत समान है, लेकिन रेखा के नीचे का हिस्सा भरा हुआ होता है। इससे दर्शक के लिए संचयी कुल या वॉल्यूम को समझना आसान हो सकता है। ध्यान दें कि जहाँ आप एक ही चार्ट पर एक से अधिक लाइन प्लॉट प्लॉट कर सकते हैं, वहीं प्रत्येक चार्ट पर केवल एक एरिया प्लॉट ही प्लॉट करना चाहिए। क्योंकि वक्र के नीचे का क्षेत्र शेडेड होता है, एक से अधिक एरिया प्लॉट करने पर क्षेत्र अव्यवस्थित और पढ़ने में कठिन हो सकता है।
यह एरिया चार्ट साल भर में एकत्र किए गए शहद की मात्रा दिखाता है। क्योंकि वक्र के नीचे का क्षेत्र भरा हुआ है, यह दर्शक को सहज रूप से समझने में मदद करता है कि हम वॉल्यूम की बात कर रहे हैं।
समूहित बार चार्ट और स्टैक्ड बार चार्ट
बार चार्ट के दो उप-प्रकार इस तरह बनाए गए हैं कि आप श्रेणियों की तुलना किसी दूसरे चर के पार कर सकें।
पहले, हमारे पास समूहित बार चार्ट हैं। ये विभिन्न उप-श्रेणियों के बीच के अंतर को हाईलाइट करते हैं। y-अक्ष सामान्य बार चार्ट की तरह पढ़ा जाता है। लेकिन x-अक्ष पर बार के क्लस्टर होते हैं, जिन्हें अक्सर रंग या शेड से अलग किया जाता है, जो प्रत्येक समूह के भीतर उपसमूह दिखाते हैं। ये चार्ट बहुत सारा सूचना बहुत तेज़ी से संप्रेषित कर सकते हैं।
यह तब सबसे अच्छा है जब प्रत्येक समूह के लिए केवल कुछ उपसमूह हों (मैं अधिकतम 2–5 की सलाह दूँगा/दूँगी)। इसके अलावा, ध्यान रखें कि यदि आप बहुत अधिक समूह या उपसमूह जोड़ते हैं, तो ये चार्ट क्षैतिज रूप से फैलने लगते हैं, जिससे ये काफ़ी जगह लेते हैं। यदि आप इन्हें डिजिटल रूप में देखने के लिए डिज़ाइन कर रहे हैं, तो मोबाइल स्क्रीन पर इसका रूप देखें।
इस समूहित बार चार्ट में, हमने तीन अलग-अलग किंडरगार्टन कक्षाओं के जूस पसंद को प्लॉट किया है। एक नज़र ही काफ़ी है यह जानने के लिए कि प्रत्येक कक्षा में भेजे जाने वाले जूस बॉक्स कैसे बाँटें।
अब आते हैं स्टैक्ड बार चार्ट पर। ये कई समूहों के पार भाग-से-पूर्ण संबंध दिखाते हैं। यह समूहित बार चार्ट के समान है, क्योंकि हम समूहों के बीच सूक्ष्म अंतरों की तुलना कर सकते हैं।
लेकिन इस चार्ट के दो और लाभ हैं। पहला, यह प्रत्येक श्रेणी के कुल भी दिखाता है। तो आप इन्हें सामान्य बार चार्ट की तरह पढ़ सकते हैं और उपसमूहों के अंतर पढ़ने से पहले श्रेणियों के कुल में अंतर देख सकते हैं। दूसरा, यह चार्ट अधिक संक्षिप्त हो सकता है, और समूहित बार चार्ट की तुलना में कम जगह में अधिक जानकारी दे सकता है।
नुकसान यह है कि कभी-कभी इस ग्राफ़ से सटीक अनुपात निकालना चुनौतीपूर्ण हो सकता है। उस जानकारी के साथ डेटा लेबल जोड़ने से समस्या कम हो सकती है; बस ध्यान रखें कि चार्ट बहुत भीड़भाड़ वाला न हो।
यह स्टैक्ड बार चार्ट विभिन्न आयु वर्गों में पढ़ने की प्राथमिकताएँ दिखाता है। प्रत्येक आयु समूह के भीतर, हम उधार लिए गए प्रत्येक शैली का अनुपात देख सकते हैं। आयु समूहों के पार देखकर, हम यह भी देख सकते हैं कि प्रत्येक शैली का अनुपात कैसे बदलता है और कुल उधार ली गई पुस्तकों की संख्या कैसे बदलती है। उदाहरण के लिए, यह देखना आसान है कि वयस्क कुल मिलाकर सबसे अधिक पुस्तकें उधार लेते हैं, और वरिष्ठ नागरिक नॉनफिक्शन के किशोरों से बड़े प्रशंसक हैं।
हीट मैप
हीट मैप ग्रिड में रंग की तीव्रता से मानों का प्रतिनिधित्व करता है। सहसंबंध, आवृत्ति तालिकाओं, या ऐसे किसी भी परिदृश्य के लिए इसका उपयोग करें जहाँ आपको लगे कि रंग से पैटर्न देखना आसान हो जाएगा।
इस प्रकार के ग्राफ़ के लिए एक महत्वपूर्ण बात याद रखें: ऐसा कलर ग्रेडिएंट चुनें जो समझ में आए। उदाहरण के लिए, लाल को हरे से बड़ा संख्या मानने का कोई अंतर्निहित कारण नहीं है। इसलिए, लाल से हरे तक जाने वाला ग्रेडिएंट शायद सबसे अच्छा विकल्प नहीं है। लेकिन गहरे रंगों को बड़े मानों से और हल्के रंगों को छोटे मानों से सहज रूप से जोड़ना स्वाभाविक है। इसलिए किसी एक रंग के भीतर हल्के-से-गहरे का ग्रेडिएंट चुनना दर्शक को अधिक सहज एहसास देगा कि आप क्या प्लॉट कर रहे हैं।
जब शाब्दिक ऊष्मा मान प्लॉट कर रहे हों तो अपवाद हो सकता है। आमतौर पर, लाल रंग उच्च तापमान और नीला कम तापमान से जोड़ा जाता है। इसलिए यदि आप हीट मैप से ऊष्मा प्लॉट कर रहे हैं, तो लाल से नीले तक का ग्रेडिएंट सहज हो सकता है। हमेशा की तरह, अपने डेटा को ही विज़ुअलाइज़ेशन डिज़ाइन का मार्गदर्शन करने दें।
यह हीटमैप एक सुस्त पालतू बिल्ली की गतिविधि का स्तर दिखाता है—एक सप्ताह में हर दिन, प्रति घंटा। गहरे नीले वे समय दिखाते हैं जब बिल्ली बहुत सक्रिय थी, शायद दौड़ भी रही थी या कूद रही थी। हल्के नीले वे समय दिखाते हैं जब बिल्ली कम सक्रिय थी, संभवतः सो रही थी। रंग से यह देखना आसान हो जाता है कि हमारी बिल्ली रात में ज़्यादा सक्रिय रहती है, दिन में ज़्यादातर सोती है, और दिन में कुछ खेल भी लेती है (शायद मालिक द्वारा शुरू कराया गया)।
यदि आप इन द्वि-चर चार्ट्स को किसी प्रोफेशनल एनालिटिक्स प्लेटफ़ॉर्म में आज़माना चाहते हैं, तो Data Visualization in Power BI और Data Visualization in Tableau दोनों दिखाते हैं कि पैटर्न और रुझानों को स्पष्ट रूप से हाईलाइट करने वाले इंटरैक्टिव डैशबोर्ड कैसे बनाए जाएँ।
बहु-चर (Multivariate) विज़ुअलाइज़ेशन
कभी-कभी हमें दो से अधिक चरों के साथ अधिक जटिल संबंध दिखाने होते हैं। बहु-चर चार्ट तीन या अधिक चरों के बीच संबंध उजागर करने में मदद करते हैं। ये आपको अधिक जटिल डाटासेट्स का अन्वेषण करने देते हैं, जबकि व्याख्येयता बनी रहती है। आइए कुछ सामान्य विकल्प देखें।
बबल चार्ट
बबल चार्ट, स्कैटर प्लॉट के विचार को तीसरे चर को बबल के आकार के रूप में एन्कोड करके बढ़ाता है। यह पढ़ने में आसान विकल्प है क्योंकि अधिकांश लोग पहले से ही स्कैटरप्लॉट की व्याख्या करना जानते हैं। आकार के रूप में एन्कोड किया गया चर सहज लगता है। इस सहजता को अधिकतम करने के लिए, सर्वोत्तम प्रथा है कि बबल का आकार किसी परिमाण (मैग्नीट्यूड) से सहसंबद्ध हो।
आप रंग को एन्कोड करके इसे चौथे चर तक बढ़ा सकते हैं। बस सुनिश्चित करें कि आपके पास वर्णनात्मक लीजेंड और कैप्शन हो ताकि दर्शक आपका चार्ट स्पष्ट रूप से समझ सके।
यह बबल चार्ट अलग-अलग आकार के फूलों वाले बगीचे में लेडीबग्स और एफिड्स की सापेक्ष प्रचुरता दिखाता है। बड़े बबल अधिक एफिड्स के अनुरूप हैं। हम ग्राफ़ में ऊपर की ओर बड़े बबल देख सकते हैं, जो दर्शाते हैं कि जहाँ अधिक लेडीबग्स हैं, वहाँ अधिक एफिड्स हैं। हम यह भी देखते हैं कि छोटे फूलों पर अधिक कीट हैं।
रडार चार्ट
रडार चार्ट को एक तरह के वृत्ताकार बार चार्ट की तरह समझ सकते हैं। अलग-अलग गुणों को वृत्त के बाहर व्यवस्थित किया जाता है, और आपका ब्लॉब केंद्र से शुरू होकर प्रत्येक अक्ष पर प्लॉट होता है। यह प्रोफ़ाइल दिखाने या समान आयामों पर कई आइटमों की तुलना करने के लिए अच्छा काम करता है। बहुत अधिक ओवरलैपिंग ब्लॉब्स जोड़ने में सावधानी बरतें, क्योंकि यह अव्यवस्थित और तेज़ी से पढ़ने में कठिन हो सकता है। मैं पारदर्शी शेडिंग का उपयोग करने की भी सिफारिश करता/करती हूँ ताकि आप प्रत्येक ब्लॉब को अन्य के आर-पार आसानी से देख सकें।
यहाँ हम पाँच कौशल अक्षों पर तीन अलग-अलग Dungeons and Dragons कैरेक्टर प्रोफ़ाइल की तुलना कर रहे हैं। यह अलग-अलग पात्रों की क्षमताओं में अंतर दिखाने का स्वच्छ तरीका है।
पैरलल कोऑर्डिनेट्स
यदि आप रडार चार्ट को खोल दें, तो आपको पैरलल कोऑर्डिनेट प्लॉट मिलता है। ये प्लॉट प्रत्येक चर को अपनी अलग ऊर्ध्वाधर धुरी पर दिखाते हैं। जब आपको एक साथ कई सतत चरों की तुलना करनी हो, तो यह बेहतर विकल्प है क्योंकि ओवरलैप कम होते हैं।
आपको सावधानी से सोचना होगा कि आपकी y-अक्ष के मान क्या हों। यदि आपके गुण समान इकाई साझा करते हैं—जैसे ऊपर हमारे कैरेक्टर प्रोफ़ाइल—तो समस्या नहीं। लेकिन यदि गुण सामान्यतः अलग इकाइयों में हैं, तो चार्ट को अधिक पठनीय बनाने के लिए y-अक्ष पर किसी सापेक्ष इकाई तुलना का तरीका ढूँढ़ना पड़ सकता है। लक्ष्य है अलग-अलग रेखाओं की आपस में तुलना करना, न कि प्रत्येक की सटीक मान निकालना।
इस प्लॉट में हम अलग-अलग खिलौना रोबोट मॉडलों के सापेक्ष गुणों की तुलना कर रहे हैं। हम उन चार विशेषताओं पर आसानी से प्रत्येक रोबोट की तुलना कर सकते हैं जिनमें हमें रुचि है। जबकि हम प्रत्येक रोबोट की गति का सटीक मान नहीं निकाल सकते, हम आसानी से देख सकते हैं कि RoboMax, RoboMini से बहुत तेज़ है।
ट्रीमैप
ट्रीमैप पदानुक्रमिक जानकारी दिखाने का एक दृश्यतः आकर्षक तरीका है। यह एक आयत को नेस्टेड टाइलों में विभाजित करता है जिनका आकार मान के साथ बदलता है। अक्सर, अलग-अलग रंग एक और उपविभाजन परत जोड़ते हैं। यह बहु-स्तरों के भीतर पदानुक्रमिक डेटा या भाग-से-पूर्ण संबंध दिखाने के लिए उपयोगी है।
एक सावधानी: हर कोई ट्रीमैप पढ़ना नहीं जानता, इसलिए इन्हें यथासंभव आसान बनाना बेहतर है। बक्सों के बीच स्पष्ट सीमाएँ और अलग-अलग रंग सुनिश्चित करें। मुझे लगता है कि इन चार्ट्स में लीजेंड, लेबल और कैप्शन विशेष रूप से सहायक होते हैं।
यहाँ हमने ट्रीमैप बनाया है जो दिखाता है कि एक काल्पनिक साहसी व्यक्ति एकत्र किए गए सोने को विभिन्न श्रेणियों में कहाँ खर्च करता है। रंग खर्च की श्रेणी दर्शाता है, जबकि आयत का आकार खर्च की सापेक्ष राशि दिखाता है।
सैंकी डायग्राम
सैंकी डायग्राम प्रवाह (flows) को विज़ुअलाइज़ करने के सबसे अच्छे तरीकों में से एक है जो मैंने देखे हैं। यह प्रकार आपके डेटा की यात्रा को शुरुआत से प्रत्येक अंत बिंदु तक दिखाता है। तीरों की सापेक्ष मोटाई दर्शाती है कि मूल मात्रा का कितना भाग किस गंतव्य तक गया। यह ऊर्जा प्रवाह, ग्राहक यात्रा, या किसी भी शाखित पथ वाले सिस्टम को दर्शाने के लिए बढ़िया विकल्प है।
यहाँ हमने एक घर में ऊर्जा उपयोग और ऊर्जा कहाँ खर्च हो रही है, उसे प्लॉट किया है। हम देख सकते हैं कि यह घर हीटिंग और आराम के लिए सबसे अधिक ऊर्जा का उपयोग करता है, जबकि कुकिंग और आराम में अनुपाततः बहुत कम।
कोरोप्लेस्थ मैप
कोरोप्लेस्थ मैप हीट मैप के समान है कि यह भी रंग से जानकारी देता है। हालाँकि, यह भौगोलिक मानचित्र पर ओवरले होता है और यह दिखाता है कि राज्य या काउंटी जैसे भौगोलिक क्षेत्रों में पैटर्न कैसे विकसित होते हैं। आप ऐसे मानचित्र COVID महामारी के दौरान देख चुके होंगे, जो बताते थे कि कहाँ केस बढ़ रहे हैं। इन्हें अमेरिकी राष्ट्रपति चुनावों के बाद भी आमतौर पर देखा जाता है, जो इलेक्टोरल कॉलेज के परिणाम दिखाते हैं।
यहाँ हमने संयुक्त राज्य के प्रत्येक राज्य में अनुमानित वन आवरण दिखाने वाला एक बुनियादी कोरोप्लेस्थ मैप बनाया है। जिन राज्यों में अधिक वन आवरण है, वे कम वाले राज्यों की तुलना में गहरे हरे रंग से रंगे हैं—इसे देखना आसान है।
अच्छे बनाम खराब डेटा विज़ुअलाइज़ेशन
सहायक और भ्रामक चार्ट्स के बीच का अंतर आमतौर पर डिज़ाइन पर आ टिकता है। एक अच्छा विज़ुअलाइज़ेशन डेटा को स्पष्ट करता है; खराब वाला उसे विकृत कर देता है। इस पर व्यापक नज़र के लिए, मैं Edward Tufte की The Visual Display of Quantitative Information की सिफारिश करता/करती हूँ। यह विज़ुअलाइज़ेशन पर सबसे प्रभावशाली पुस्तकों में से एक है और जिसे भी डेटा के साथ नियमित रूप से काम करना पड़ता है, उसकी लाइब्रेरी में होनी चाहिए।
प्रभावी विज़ुअलाइज़ेशन की विशेषताएँ
आपका ग्राफ़ एक नज़र में पढ़ने में आसान होना चाहिए। इसका अर्थ है इसे सरल और सीधा रखना, उपयुक्त होने पर डेटा लेबल जोड़ना, और शीर्षक, लीजेंड और अक्ष लेबल का प्रभावी उपयोग करना। टफ्टी इसे डेटा-टू-इंक अनुपात के रूप में बताते हैं।
आपके विज़ुअलाइज़ेशन यथासंभव सटीक भी होने चाहिए। इसका मतलब है पैमाने या अनुपात में किसी भी विकृति से सावधान रहना। उदाहरण के लिए, अक्षों में ब्रेक का उपयोग करते समय सावधान रहें, और यदि आप उनका उपयोग करते हैं, तो सुनिश्चित करें कि वे उचित रूप से दर्शाए गए हों।
दक्षता के लिए, सुनिश्चित करें कि चार्ट पर जो कुछ भी है, उसकी आवश्यकता है। ग्रिडलाइनों का अति-उपयोग न करें। कुछ ग्राफ़ों में, ग्रिडलाइंस सटीक मान देखने में सहायक होती हैं। हालाँकि, कई, विशेषकर सरल ग्राफ़ों में, वे चार्ट जंक होती हैं। सबसे बुरे मामलों में, वे डेटा को भी ढक सकती हैं। चार्ट जंक के अन्य उदाहरणों में अनावश्यक तस्वीरें या अतिरिक्त रेखाएँ शामिल हैं जो स्पष्टता में योगदान नहीं देतीं।
अंत में, रंगों का उपयोग सोच-समझकर करें। समझें कि रंग संख्याओं जितना ही अर्थ संप्रेषित कर सकते हैं। उदाहरण के लिए, ग्रेडिएंट चुनते समय, आमतौर पर अच्छा होता है कि गहरे रंग बड़े नंबरों और हल्के रंग छोटे नंबरों से मेल खाएँ।
श्रेणीबद्ध डेटा के लिए, उस श्रेणी से सामान्यतः जुड़े रंगों के बारे में सोचें। यह अटपटा लगता अगर हमने ऑरेंज जूस की पसंद दिखाने के लिए हरी बार का उपयोग किया होता।
खराब विज़ुअलाइज़ेशन में आम समस्याएँ
कुछ सामान्य गलतियाँ हैं जिन पर आपको नज़र रखनी चाहिए। पहली पैमाने (स्केल) से जुड़ी है। यह महत्वपूर्ण है कि आप अपने अक्षों के पैमाने और चार्ट तत्वों (बॉक्स/बबल/आदि) के पैमाने पर ध्यान दें। खास बात—जिस भी प्रोग्राम का आप उपयोग कर रहे हैं, उसके डिफ़ॉल्ट प्लॉट्स पर आँख मूँदकर भरोसा न करें। सुनिश्चित करें कि आपके अक्ष शून्य से शुरू होते हैं (बहुत कम अपवादों के साथ), आपके अक्ष सुसंगत हैं, और आपके प्लॉट तत्वों के अनुपात आपके डेटा के लिए समझ में आते हैं।
एक आम समस्या जो मैं अक्सर देखता/देखती हूँ, वह है प्लॉट्स में 3D इफेक्ट्स का उपयोग। ये प्रभाव कूल दिख सकते हैं, लेकिन वे प्लॉट को इस तरह विकृत कर सकते हैं कि पढ़ना अधिक चुनौतीपूर्ण हो जाए। अपने दर्शकों को सरदर्द से बचाएँ और अधिकांश उद्देश्यों के लिए 2-आयामी चार्ट्स पर टिके रहें।
डुअल अक्ष एक और जगह है जहाँ चीजें कठिन हो सकती हैं। विशाल बहुमत मामलों में, यदि आपको दो y-अक्षों की ज़रूरत है, तो संभवतः डेटा को दो प्लॉट्स में विभाजित कर दें। बहुत ही दुर्लभ मामलों में जहाँ डुअल-अक्ष प्लॉट समझ में आता है, सुनिश्चित करें कि यह स्पष्ट हो कि कौन-सा डेटा किस अक्ष से जुड़ा है। मेरा पसंदीदा तरीका रंग से है, जैसे बाएँ अक्ष काला हो और काले डॉट्स से मेल खाए, जबकि दाएँ अक्ष लाल हो और लाल डॉट्स से मेल खाए।
सबसे आसान गलतियों में से एक है अपने चार्ट को ज़रूरत से ज़्यादा भर देना। हम अपने डेटा की पूरी कहानी बताने के उत्साह में और अधिक बार, लेबल या रेखाएँ जोड़ते जाते हैं। लेकिन ऐसा करने से हो सकता है कि आपके दर्शक आपके ग्राफ़ से कुछ भी न ले जाएँ। इसके बजाय, सबसे अच्छा है कि एक सरल कहानी चुनें जो आप चाहते हैं कि दर्शक आपके डेटा से लें—और उसे जितना संभव हो उतना साफ़ और सुरुचिपूर्ण ढंग से प्रदर्शित करें। .
भ्रामक विज़ुअलाइज़ेशन कैसे पहचानें
दुर्भाग्य से, किसी एजेंडा को बेचने के लिए हेरफेर किए गए चार्ट्स मिलना असामान्य नहीं है। यह विज्ञापन, राजनीति और सोशल मीडिया में आम है। जब भी आप कोई ग्राफ़ देखें, उसे सतही तौर पर स्वीकार करने से पहले आलोचनात्मक रूप से जाँचें।
आलोचनात्मक मूल्यांकन का पहला तरीका है इस लेख के पिछले अनुभागों को देखना और जाँचना कि क्या संदिग्ध ग्राफ़ उन सर्वोत्तम प्रथाओं का पालन करता है जिन पर हमने चर्चा की है। यदि नहीं, तो ग्राफ़ भ्रामक हो सकता है—चाहे अनजाने में ही क्यों न हो।
इसके बाद, अधिक कपटी आशयों पर विचार करें। अपने आप से ये प्रश्न पूछें:
- स्रोत कौन है, और उसका एजेंडा क्या है?
- क्या आपको जो प्रभाव मिलता है, वह वास्तविक संख्याओं से मेल खाता है?
- टाइमलाइन वहीं से शुरू और समाप्त क्यों होती है जहाँ से होती है?
- क्या जिन मदों की तुलना की जा रही है, वे सचमुच तुलनीय हैं?
- क्या कोई डेटा गायब है या कम महत्व दिया गया है?
- क्या सहसंबंध को कारणता के रूप में प्रस्तुत किया जा रहा है?
सभी भ्रामक विज़ुअलाइज़ेशन दुर्भावनापूर्ण आशय से नहीं होते। लेकिन खामियाँ पहचानना और निष्कर्षों को एक चुटकी नमक के साथ लेना महत्वपूर्ण है।
समावेशी डिज़ाइन पर एक टिप्पणी
अपने स्वयं के विज़ुअलाइज़ेशन बनाते समय याद रखें कि डिज़ाइन विकल्प यह भी तय करते हैं कि कौन आपके कार्य को देख सकता है। अपने दर्शकों को व्यापक बनाने के लिए, सोचें कि अपने ग्राफ़ को सुलभ कैसे बनाया जाए। उदाहरण के लिए, आप कलरब्लाइंड-सेफ़ पैलेट और बड़े, पठनीय फ़ॉन्ट का उपयोग करके चार्ट की दृश्य पठनीयता में सुधार कर सकते हैं। सार्थक alt टेक्स्ट और कैप्शन का उपयोग भी दृष्टिबाधित दर्शकों के लिए पहुँच में सुधार कर सकता है।
इतिहास से प्रसिद्ध विज़ुअलाइज़ेशन
इतिहास में कुछ विज़ुअलाइज़ेशन ऐसे हैं जिन्होंने डेटा विज़ुअलाइज़ेशन के क्षेत्र को नाटकीय रूप से आकार दिया है। कुछ ने बिल्कुल नए ग्राफ़ प्रकार ईजाद किए; कुछ ने घटनाओं, समाजों या प्रणालियों को समझने का हमारा तरीका बदल दिया। आइए कुछ सबसे प्रसिद्ध ऐतिहासिक चार्ट्स और उन्होंने भविष्य के ग्राफ़र्स को कैसे प्रेरित किया, देखें।
विलियम प्लेफेयर के आविष्कार (1786–1801)
हमारे मानक चार्ट प्रकार यूँ ही नहीं प्रकट हो गए। कई चार्ट जिन पर हमने चर्चा की, उनकी शुरुआत स्कॉटिश इंजीनियर और राजनीतिक अर्थशास्त्री विलियम प्लेफेयर से हुई, जो 18वीं सदी के उत्तरार्ध में काम कर रहे थे। 1786 में, प्लेफेयर ने The Commercial and Political Atlas प्रकाशित किया, जिसमें उन्होंने आर्थिक डेटा को समझने के लिए लाइन ग्राफ़ और बार चार्ट पेश किए। कुछ साल बाद, उन्होंने The Statistical Breviary में पाई चार्ट प्रस्तुत किया।
यह ग्राफ़ व्यापक रूप से पहला लाइन ग्राफ़ माना जाता है, जिसे 1786 में विलियम प्लेफेयर ने प्रस्तुत किया। चित्र स्रोत: Wikipedia।
उस समय, अधिकांश संख्यात्मक जानकारी घनी तालिकाओं में प्रस्तुत की जाती थी जिन्हें जल्दी समझना कठिन था। प्लेफेयर का मानना था कि दृश्य रूप रुझानों और तुलना को तुरंत स्पष्ट कर सकते हैं—यहाँ तक कि बिना गणितीय प्रशिक्षण वाले पाठकों के लिए भी।
पहला बार ग्राफ़ माना जाने वाला यह ग्राफ़ 1786 में विलियम प्लेफेयर द्वारा प्रकाशित किया गया। चित्र स्रोत: Wikipedia।
प्लेफेयर के कार्य को प्रभावशाली बनाने वाली बात केवल नए चार्ट प्रकारों का आविष्कार नहीं थी, बल्कि यह अंतर्दृष्टि भी थी कि लोग जानकारी को कैसे ग्रहण करते हैं। उन्होंने संख्याओं को दृश्य गुणों से मैप किया, जिससे दर्शक एक नज़र में मानों की तुलना कर सके। उनके चार्ट्स का इस्तेमाल अक्सर राजनीतिक और आर्थिक तर्क देने के लिए किया जाता था, जैसे राष्ट्रीय ऋण या समय के साथ व्यापार संतुलन में बदलाव।
प्लेफेयर का काम आधुनिक सांख्यिकीय ग्राफ़िक्स की नींव बना और शुरुआती याद दिलाता है कि स्पष्ट विज़ुअल एन्कोडिंग्स लोगों के डेटा के बारे में तर्क करने के तरीके को मूल रूप से बदल सकती हैं।
संभवतः पहला पाई चार्ट, 1789 में विलियम प्लेफेयर द्वारा प्रकाशित। स्रोत: Wikipedia।
चार्ल्स मिनार्ड का नेपोलियन के रूसी अभियान का मानचित्र (1869)
1812 में, नेपोलियन ने रूस पर आक्रमण किया और विनाशकारी हार का सामना किया। लगभग 50 साल बाद, सेवानिवृत्त सिविल इंजीनियर चार्ल्स मिनार्ड ने यह प्रतिष्ठित मानचित्र बनाया जो सेना की प्रगति, पीछे हटना और आकार में दुखद गिरावट दिखाता है।
स्रोत: brilliantmaps.
यह सैंकी डायग्राम का एक प्रारंभिक उदाहरण है, जहाँ बैंड की चौड़ाई सैनिकों की संख्या दर्शाती है। यह दिशा, तापमान, भूगोल और समय को एक मानचित्र पर ओवरले करता है, जो आक्रमण की प्रभावशाली कहानी कहता है। यह मात्रात्मक डेटा को भावनात्मक नैरेटिव में बदलने का सुरुचिपूर्ण उदाहरण है और दिखाता है कि कई चर बिना भ्रम पैदा किए एक साथ रह सकते हैं। इसे संभवतः अब तक के सबसे पहचानने योग्य ऐतिहासिक चार्ट्स में से एक माना जाता है।
फ़्लोरेंस नाइटिंगेल का रोज़ डायग्राम (1858)
एक और प्रसिद्ध युद्ध चार्ट सांख्यिकीविद् और आधुनिक नर्सिंग की संस्थापक फ़्लोरेंस नाइटिंगेल से आया। उन्होंने पोलर एरिया चार्ट, जिसे रोज़ डायग्राम भी कहते हैं, का उपयोग यह दिखाने के लिए किया कि क्रीमियन युद्ध में अधिक मौतें रोके जा सकने वाली बीमारियों—जैसे हैज़ा और टाइफस—से हुईं, न कि वास्तविक युद्ध घावों से।
स्रोत: https://www.historyofinformation.com/
डायग्राम में प्रत्येक वेज एक माह का प्रतिनिधित्व करता है, और रंग मृत्यु के कारणों में अंतर करते हैं। रोके जा सकने वाली बीमारियों से मौतें नीले रंग में हैं, युद्ध घावों से लाल में, और अन्य सभी कारण काले में।
अप्रैल 1855 में, एक सैनिटरी कमीशन सैन्य अस्पताल में स्वच्छता सुधारने पहुँचा। परिणामस्वरूप मौतों में नाटकीय कमी आई, जो नाइटिंगेल के चार्ट में प्रमुखता से दिखी। इस विज़ुअलाइज़ेशन ने सरकारी अधिकारियों को सैन्य और नागरिक दोनों अस्पतालों में स्वच्छता सुधार लागू करने के लिए राज़ी किया।
जॉन स्नो का हैज़ा मानचित्र (1854)
एक और सार्वजनिक स्वास्थ्य जीत जॉन स्नो के लंदन में हैज़ा मौतों की मैपिंग से मिली। 1854 में, लंदन के सोहो ज़िले में विनाशकारी हैज़ा प्रकोप हुआ, जिसने कुछ ही हफ्तों में 600 से अधिक लोगों की जान ले ली। स्नो ने लंदन की सड़कों के मानचित्र पर हैज़ा मौतों को बार्स के रूप में और वॉटर पंप्स को वृत्तों के रूप में प्लॉट किया।
स्रोत: londonmuseum.org।
उनके मानचित्र ने Broad Street वॉटर पंप के आसपास मौतों के क्लस्टर दिखाए। अधिकारियों ने उस वॉटर पंप से हैंडल हटा दिया, जिससे वह अनुपयोगी हो गया, और प्रकोप थम गया। इस मानचित्र ने स्थानीय प्रकोप को सुलझाने में मदद की। आज, यह याद दिलाता है कि सही विज़ुअलाइज़ेशन चुनना उसके प्रभाव को कैसे बदल सकता है; उदाहरण के लिए, स्कैटरप्लॉट से प्रकोप के कारण का पता नहीं चलता। स्नो ने परिवर्तन लाने के लिए सही विज़ुअलाइज़ेशन का उपयोग किया।
Étienne-Jules Marey की ट्रेन समय-सारिणी (1885)
मेरा व्यक्तिगत पसंदीदा ऐतिहासिक चार्ट 1885 की यह ट्रेन समय-सारिणी है। यह एक ग्राफ़ पेरिस से ल्यों तक जाने वाली हर ट्रेन, उसकी गति, ठहराव, और कब वह किसी दूसरी ट्रेन को पार करेगी, सब दिखाता है। समय x-अक्ष पर है, और प्रत्येक स्टेशन y-अक्ष पर अपनी दूरी के अनुपात में रखा गया है। प्रत्येक ट्रेन एक तिरछी रेखा के रूप में दर्शाई गई है। अधिक ढलान वाली रेखाएँ तेज़ ट्रेनों को दर्शाती हैं, और क्षैतिज हिस्से दिखाते हैं कि ट्रेन स्टेशन पर है।
स्रोत: commons.wikimedia.org
आम तौर पर, यह जानकारी भारी-भरकम टेक्स्ट वाली टाइमटेबल के रूप में प्रस्तुत होती। इसके बजाय, इस ग्राफ़ ने स्थान और समय की जानकारी को सुरुचिपूर्ण ढंग से संयोजित किया, जिससे रेलवे प्रबंधकों को शेड्यूलिंग टकरावों और यहाँ तक कि ट्रेन टक्करों को भी रोकने में मदद मिली! यह याद दिलाता है कि एक सुडौल विज़ुअलाइज़ेशन कितनी अधिक जानकारी संप्रेषित कर सकता है।
W.E.B. Du Bois के डेटा पोर्ट्रेट्स (1900)
20वीं सदी के मोड़ पर, समाजशास्त्री और सिविल राइट्स कार्यकर्ता W.E.B. Du Bois ने 1900 के पेरिस एक्सपोज़िशन के लिए साहसिक और मौलिक चार्ट्स की एक श्रृंखला बनाने में शोधकर्ताओं की टीम का नेतृत्व किया। इन विज़ुअलाइज़ेशनों ने मुक्ति के सिर्फ एक पीढ़ी बाद अश्वेत अमेरिकियों की सामाजिक, आर्थिक और शैक्षिक स्थितियों का दस्तावेज़ीकरण किया। उस समय जब नस्लवादी छद्म-विज्ञान जन-चर्चा पर हावी था, Du Bois ने हानिकारक रूढ़ियों का सीधे डेटा से सामना किया।
WEB Du Bois के Data Portraits से यह चार्ट नाटकीय रूप से दिखाता है कि Emancipation Proclamation ने अफ्रीकी अमेरिकियों का जीवन कैसे बदला। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
चार्ट्स में साक्षरता, संपत्ति स्वामित्व, रोज़गार, जनसंख्या वृद्धि और प्रवास पैटर्न जैसे विषय शामिल थे। कई हाथ से बनाए और रंगे गए थे, जिनमें चमकदार रंग और अपरंपरागत लेआउट थे। कुछ चार्ट बार या पाई चार्ट जैसे दिखते हैं, जबकि अन्य सर्पिल, रेडियल लेआउट और अमूर्त रचनाओं के साथ प्रयोग करते हैं। परंपरा पर टिके रहने के बजाय, Du Bois ने संप्रेषण और प्रभाव को प्राथमिकता दी।
यह संशोधित पाई चार्ट 20वीं सदी की शुरुआत में अश्वेत और श्वेत अमेरिकियों द्वारा की जाने वाली नौकरियाँ दिखाता है। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
Du Bois का उद्देश्य तटस्थता नहीं था। चार्ट्स स्पष्ट रूप से मनाने, शिक्षित करने और डेटा के माध्यम से अश्वेत अमेरिकियों की मानवता और उपलब्धियों की पुष्टि करने के लिए डिज़ाइन किए गए थे। ऐसा करते हुए, Du Bois ने दिखाया कि विज़ुअलाइज़ेशन केवल संख्याएँ प्रस्तुत करना नहीं है; यह वास्तविकता को फ्रेम करना, कहानियाँ कहना, और यह आकार देना है कि समाज खुद को कैसे समझते हैं। अब ये चार्ट इस पुस्तक में संकलित हैं W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century।
WEB Du Bois अपने तर्क को स्थापित करने के लिए उग्र चार्ट प्रकारों से डरते नहीं थे—जैसे यह सर्पिल चार्ट जो 1890 में अश्वेत अमेरिकियों के जनसंख्या वितरण को दिखाता है। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
निष्कर्ष
विज़ुअलाइज़ेशन निष्पक्ष नहीं है; आपका हर चुनाव दर्शकों की डेटा के पीछे की कहानी की व्याख्या को आकार देता है। यह जानने के लिए कि अपने डेटा की कहानी प्रभावी ढंग से कैसे सुनाई जाए, हमाराData Storytelling & Communication Cheat Sheet देखें।
व्यावहारिक सलाह के लिए कि किन टूल्स का उपयोग करें, 2025 के 12 of the Best Data Visualization Tools in 2025 का हमारा अवलोकन एक बढ़िया संसाधन है। और यदि आप इन जटिल चार्ट्स को इंटरैक्टिव और वेब-रेडी बनाने के लिए तैयार हैं, तो Interactive Data Visualization with Bokeh आपको Python में प्रतिक्रियाशील, ब्राउज़र-अनुकूल विज़ुअलाइज़ेशन बनाना सिखाता है।
कच्चे डेटा को देखना ऐसा हो सकता है जैसे किसी तस्वीर को एक-एक पिक्सल करके समझने की कोशिश करना। अपने डेटा को ग्राफ़ में बदलने से आप ज़ूम-आउट करके पूरी तस्वीर एक नज़र में देख पाते हैं। विज़ुअलाइज़ेशन स्टेकहोल्डर्स को डेटा दिखाने का एक आसान मार्केटिंग टूल भी है। ये लोगों को पैटर्न, संबंध और अंतर्दृष्टियाँ तुरंत दिखा देते हैं। यह डेटा को अर्थपूर्ण बनाने के सबसे तेज़ तरीकों में से एक है।
इस गाइड में, हम सामान्य चार्ट प्रकारों और उन्हें कब उपयोग करना चाहिए, पर चलेंगे। हम देखेंगे कि एक अच्छे विज़ुअलाइज़ेशन को भ्रामक से क्या अलग करता है और ऐसे कई प्रतिष्ठित उदाहरणों को भी देखेंगे जिन्होंने इस क्षेत्र को आकार दिया। अंत तक, आपको यह बेहतर समझ होगी कि स्पष्ट और ईमानदार कहानी कहने वाले डेटा विज़ुअलाइज़ेशन कैसे बनाए और आंके जाएँ।
यदि आप बिलकुल शुरुआत कर रहे हैं, तो Introduction to Data Visualization with Julia प्लॉटिंग और डेटा स्टोरीटेलिंग की बुनियादी बातें सीखने का शुरुआती-अनुकूल तरीका प्रदान करता है।
डेटा विज़ुअलाइज़ेशन के प्रकार
डेटा विज़ुअलाइज़ेशन को शामिल चर की संख्या के आधार पर श्रेणीबद्ध किया जा सकता है। क्या आप केवल एक ही चर के वितरण पर नज़दीकी नज़र डाल रहे हैं? क्या आप दो चरों के बीच संबंध का वर्णन करना चाहते हैं? या आपको कई चरों के बीच अंतःक्रियाओं में रुचि है? आइए इन प्रत्येक परिदृश्यों और उनके लिए उपलब्ध चार्ट विकल्पों को देखते हैं।
इन सभी चार्ट प्रकारों को दिमाग़ में व्यवस्थित रखने में मदद के लिए, मैं यह उपयोगी Data Visualization Cheat Sheet सुझाता/सुझाती हूँ। यह एक त्वरित संदर्भ देता है ताकि आप देख सकें कि किस प्रकार के डेटा के लिए कौन सा चार्ट सबसे अच्छा काम करता है। आपको यह भी देखना चाहिए Data Visualization Techniques for Every Use-Case।
एक-चर (Univariate) विज़ुअलाइज़ेशन
चलें सबसे सरल मामले से शुरू करते हैं: आपके पास केवल एक ही चर है जिसमें आप रुचि रखते हैं। एक-चर विज़ुअलाइज़ेशन आपको एक ही चर पर ध्यान केंद्रित करने देते हैं। ये एक नज़र में उसके वितरण, आवृत्ति या संरचना को समझने में मदद करते हैं। आइए सबसे आम प्रकारों पर नज़र डालें।
बार चार्ट
बार चार्ट विभिन्न श्रेणियों की तुलना करता है। प्रत्येक श्रेणी अपनी अलग बार होती है, और उस श्रेणी की गिनती बार की ऊँचाई के रूप में दिखाई जाती है।
कभी-कभी आप बार चार्ट को उसकी साइड पर भी देख सकते हैं, जहाँ बार ऊर्ध्वाधर के बजाय क्षैतिज रूप से बढ़ते हैं। मेरे अनुभव में, क्षैतिज बार चार्ट तब सबसे उपयोगी होते हैं जब आप कई श्रेणियों की तुलना कर रहे हों और बार ऊपर से नीचे की ओर लंबी से छोटी क्रम में हों। केवल कुछ श्रेणियों के लिए, मुझे ऊर्ध्वाधर बार चार्ट पसंद हैं।
पाई चार्ट
पाई चार्ट किसी पूर्ण के अनुपातों को वृत्त के टुकड़ों के रूप में दिखाता है। पाई चार्ट का इस्तेमाल करना या न करना, डेटा पेशेवरों के बीच अक्सर बहस का कारण होता है। वृत्त के हिस्सों की व्याख्या करना हमारे दिमाग़ के लिए आमतौर पर आयत के हिस्सों का अनुमान लगाने से कठिन होता है।
सोचिए कि सेब की पाई के दो टुकड़े बराबर हैं या नहीं, इस पर भाई-बहनों के बीच कितनी बहसें हुई होंगी। फिर भी, पाई चार्ट लोकप्रिय हैं, आंशिक रूप से क्योंकि उनकी गोलाकार आकृति समान रूप से आयताकार डैशबोर्ड के रूप-रंग को तोड़ने में मदद कर सकती है।
पाई चार्ट का उपयोग चुनते समय, पहले, केवल तब उपयोग करें जब तुलना करने के लिए कुछ ही श्रेणियाँ हों। बहुत सारी श्रेणियाँ शामिल करने पर यह भारी और पढ़ने में कठिन हो जाता है। दूसरे, प्रत्येक स्लाइस पर वास्तविक प्रतिशत जोड़ें। इससे यह सुनिश्चित होता है कि यदि पाठक को आपस में स्लाइसों की तुलना करने में कठिनाई हो, तो भी वह ग्राफ़ को समझ सके।
डोनट चार्ट
डोनट चार्ट, पाई चार्ट का करीबी रिश्तेदार है। इसलिए, वही सावधानियाँ लागू होती हैं: केवल कुछ श्रेणियों की तुलना करते समय उपयोग करें, और व्याख्या में मदद के लिए चार्ट पर संख्यात्मक अनुपात दिखाएँ।
डोनट चार्ट का एक व्यावहारिक लाभ यह है कि यह मध्य में लेबल के लिए जगह प्रदान करता है। यदि आपका डैशबोर्ड भीड़भाड़ वाला हो रहा है तो यह स्थान बचा सकता है। यह देखने में आकर्षक भी है और पाई चार्ट में कमी रहने वाली एक अतिरिक्त शोभा जोड़ सकता है।
हिस्टोग्राम
हिस्टोग्राम किसी वितरण के आकार को दर्शाने के लिए उपयोगी है। यह संख्यात्मक मानों को बिन्स में समूहित करता है और प्रत्येक बिन में आने वाले मानों की संख्या को प्लॉट करता है। यह सबसे अधिक प्रचुर मान देखने और आउट्लायर पहचानने का उपयोगी तरीका हो सकता है।
हालाँकि यह बार चार्ट जैसा दिख सकता है, लेकिन एक प्रमुख बिंदु पर यह अलग है: x-अक्ष एक सतत चर है, न कि असतत।
यहाँ बगीचे में सूरजमुखी के पौधों की ऊँचाइयों का हिस्टोग्राम है। हम देख सकते हैं कि हमारे अधिकांश पौधे 22 सेमी और 28 सेमी के बीच हैं। कुछ 15 सेमी जितने छोटे हैं, और कुछ लगभग 34 सेमी तक हैं।
घनत्व प्लॉट
घनत्व प्लॉट को एक स्मूद किए गए हिस्टोग्राम के रूप में समझा जा सकता है, जिसे सतत वक्र के रूप में दिखाया जाता है। यह अंतर्निहित वितरण की एक अधिक परिष्कृत तस्वीर दे सकता है। ध्यान देना ज़रूरी है कि y-अक्ष वास्तव में गिनतियाँ नहीं दिखाता, बल्कि घनत्व दिखाता है, जो यह दर्शाता है कि किसी दिए गए मान के आसपास डेटा कितना केंद्रित है। वक्र के नीचे का कुल क्षेत्रफल हमेशा 1 के बराबर होता है।
यह प्लॉट वितरण के आकार को देखने के लिए उपयोगी है, न कि इसके निरपेक्ष मानों को। एक ही प्लॉट पर कई वितरणों को प्लॉट करके, आप उन्हें एक-दूसरे से तुलना भी कर सकते हैं। अव्यवस्था से बचने के लिए, मैं वितरणों की संख्या 3 या कम रखने की सलाह देता/देती हूँ। साथ ही, भ्रम से बचने के लिए, विशेषकर पास-पास के वितरणों में, सबसे अच्छा है कि प्रत्येक रेखा अलग रंग या शेड में हो।
यहाँ हमने प्रति विज़िट दो अलग-अलग पुस्तकालयों में पढ़ने में बिताए समय को प्लॉट किया है। दोनों वितरणों की घनत्वों को साथ प्लॉट करके, हम देख सकते हैं कि जब आगंतुक Moonlight Library में आते हैं, तो वे Sunlight Library की तुलना में अधिक समय पढ़ने में बिताते हैं।
बॉक्स प्लॉट
यदि आप कई वितरणों की आपस में तुलना करना चाहते हैं, तो बॉक्स प्लॉट पर विचार कर सकते हैं। बॉक्स प्लॉट वितरणों को उनके माध्यक, चतुर्थक और किसी भी आउट्लायर के माध्यम से सारांशित करता है। ये अत्यंत उपयोगी ग्राफ़ हैं जो बहुत सारा सूचना बहुत तेज़ी से दिखा सकते हैं। ये मूलतः एक नज़र में कई डाटासेट्स की पूरी परास (स्कोप) आपस में तुलना करके संप्रेषित करते हैं।
एक सामान्य नियम के रूप में, यदि दो वितरणों के बॉक्स आपस में ओवरलैप नहीं करते, तो वे एक-दूसरे से महत्वपूर्ण रूप से भिन्न हो सकते हैं। जबकि यदि वे ओवरलैप करते हैं, तो संभवतः वे महत्वपूर्ण रूप से भिन्न नहीं हैं। बेशक, सुनिश्चित होने के लिए T-Test जैसे सांख्यिकीय परीक्षण की आवश्यकता होती है, लेकिन बॉक्स प्लॉट जल्दी विज़ुअल संकेत देता है कि किन वितरणों की तुलना करनी चाहिए।
इस बॉक्स प्लॉट में, हमने तीन जादुई विद्यालयों के टेस्ट स्कोर के वितरण को दिखाया है। एक नज़र में, हम देख सकते हैं कि किन विद्यालयों के औसत टेस्ट स्कोर अपने प्रतिस्पर्धियों की तुलना में अधिक हैं। आउट्लायर देखकर यह भी आसानी से पता चलता है कि किन विद्यालयों में असाधारण छात्र हैं या कौन से छात्र अपने साथियों से पिछड़ रहे हैं। यह साधारण ग्राफ़ बहुत उपयोगी जानकारी बहुत जल्दी संप्रेषित करता है।
द्वि-चर (Bivariate) विज़ुअलाइज़ेशन
अब तक, हमने केवल एक चर दिखाने वाले ग्राफ़ देखे हैं। लेकिन यदि आप दो चरों के बीच संबंध दिखाना चाहें तो? द्वि-चर चार्ट्स वही हैं जिनकी आपको तलाश है। ये रुझान, पैटर्न और सहसंबंध पकड़ने में उपयोगी होते हैं।
स्कैटर प्लॉट
स्कैटर प्लॉट शायद सबसे सर्वव्यापी प्लॉट है। ये दो संख्यात्मक अक्षों पर आपके प्रत्येक डेटा बिंदु की स्थिति को सरल तरीके से दर्शाते हैं। यह संबंधों, क्लस्टरों और आउट्लायर को पकड़ने के लिए आदर्श है।
स्कैटर प्लॉट्स का उपयोग सहसंबंध और कारणात्मक संबंध दोनों दिखाने के लिए किया जा सकता है। यदि आप कारणात्मक संबंध दिखा रहे हैं, तो परंपरा है कि स्वतंत्र चर x-अक्ष पर और आश्रित चर y-अक्ष पर हो। यह परंपरा दर्शक को कारणात्मक संबंध की दिशा बताती है। इसके अतिरिक्त, यदि वास्तव में कारणात्मक संबंध है, तो आपको प्रयुक्त सांख्यिकी तथा p-value चार्ट पर प्रदर्शित करनी चाहिए।
इस स्कैटरप्लॉट में, हमने प्रत्येक बारिश की बूंद के आकार और उसके गिरने की गति के बीच संबंध को प्लॉट किया है। इन दोनों चरों में स्पष्ट सकारात्मक संबंध है, जो दिखाता है कि बड़ी बूंदें अधिक तेज़ी से गिरती हैं।
महत्वपूर्ण बात यह है कि यह ग्राफ़ सहसंबंध दिखा रहा है, और अपने आप में कारणता नहीं दर्शाता। इसलिए हम यह नहीं कह सकते कि बड़ी बूंद तेज़ी से गिरती है क्योंकि वह बड़ी है। ऐसा दावा करने के लिए हमें अतिरिक्त जानकारी चाहिए होगी, जैसे सांख्यिकीय परीक्षण या प्रयोग, और वह अतिरिक्त जानकारी चार्ट पर दर्शानी होगी।
लाइन चार्ट
लाइन चार्ट स्कैटर प्लॉट का रिश्तेदार है। हालाँकि, स्वतंत्र चर आमतौर पर समय होता है, और प्रत्येक डेटा बिंदु अपने आस-पास के बिंदुओं से जुड़ा होता है। टाइम-सीरीज़ डेटा के लिए लाइन चार्ट सर्वोत्तम है, जहाँ आप समय के साथ रुझान या बदलाव को हाईलाइट करना चाहते हैं।
यहाँ हमने एक महीने तक हर दिन पढ़ने में बिताए समय को लाइन चार्ट से प्लॉट किया है। इससे हमें जल्दी दिखता है कि कब हमारी पढ़ने की प्रेरणा घटी और कब हम फिर लय में लौटे। यदि हम इसे कई महीनों तक जारी रखें, तो कोई पैटर्न उभर सकता है।
समय के साथ रुझानों और बदलावों को हाईलाइट करने के और उदाहरणों के लिए देखें Data Visualizations that Capture Trends।
एरिया चार्ट
एरिया चार्ट लाइन चार्ट के बहुत समान है, लेकिन रेखा के नीचे का हिस्सा भरा हुआ होता है। इससे दर्शक के लिए संचयी कुल या वॉल्यूम को समझना आसान हो सकता है। ध्यान दें कि जहाँ आप एक ही चार्ट पर एक से अधिक लाइन प्लॉट प्लॉट कर सकते हैं, वहीं प्रत्येक चार्ट पर केवल एक एरिया प्लॉट ही प्लॉट करना चाहिए। क्योंकि वक्र के नीचे का क्षेत्र शेडेड होता है, एक से अधिक एरिया प्लॉट करने पर क्षेत्र अव्यवस्थित और पढ़ने में कठिन हो सकता है।
यह एरिया चार्ट साल भर में एकत्र किए गए शहद की मात्रा दिखाता है। क्योंकि वक्र के नीचे का क्षेत्र भरा हुआ है, यह दर्शक को सहज रूप से समझने में मदद करता है कि हम वॉल्यूम की बात कर रहे हैं।
समूहित बार चार्ट और स्टैक्ड बार चार्ट
बार चार्ट के दो उप-प्रकार इस तरह बनाए गए हैं कि आप श्रेणियों की तुलना किसी दूसरे चर के पार कर सकें।
पहले, हमारे पास समूहित बार चार्ट हैं। ये विभिन्न उप-श्रेणियों के बीच के अंतर को हाईलाइट करते हैं। y-अक्ष सामान्य बार चार्ट की तरह पढ़ा जाता है। लेकिन x-अक्ष पर बार के क्लस्टर होते हैं, जिन्हें अक्सर रंग या शेड से अलग किया जाता है, जो प्रत्येक समूह के भीतर उपसमूह दिखाते हैं। ये चार्ट बहुत सारा सूचना बहुत तेज़ी से संप्रेषित कर सकते हैं।
यह तब सबसे अच्छा है जब प्रत्येक समूह के लिए केवल कुछ उपसमूह हों (मैं अधिकतम 2–5 की सलाह दूँगा/दूँगी)। इसके अलावा, ध्यान रखें कि यदि आप बहुत अधिक समूह या उपसमूह जोड़ते हैं, तो ये चार्ट क्षैतिज रूप से फैलने लगते हैं, जिससे ये काफ़ी जगह लेते हैं। यदि आप इन्हें डिजिटल रूप में देखने के लिए डिज़ाइन कर रहे हैं, तो मोबाइल स्क्रीन पर इसका रूप देखें।
इस समूहित बार चार्ट में, हमने तीन अलग-अलग किंडरगार्टन कक्षाओं के जूस पसंद को प्लॉट किया है। एक नज़र ही काफ़ी है यह जानने के लिए कि प्रत्येक कक्षा में भेजे जाने वाले जूस बॉक्स कैसे बाँटें।
अब आते हैं स्टैक्ड बार चार्ट पर। ये कई समूहों के पार भाग-से-पूर्ण संबंध दिखाते हैं। यह समूहित बार चार्ट के समान है, क्योंकि हम समूहों के बीच सूक्ष्म अंतरों की तुलना कर सकते हैं।
लेकिन इस चार्ट के दो और लाभ हैं। पहला, यह प्रत्येक श्रेणी के कुल भी दिखाता है। तो आप इन्हें सामान्य बार चार्ट की तरह पढ़ सकते हैं और उपसमूहों के अंतर पढ़ने से पहले श्रेणियों के कुल में अंतर देख सकते हैं। दूसरा, यह चार्ट अधिक संक्षिप्त हो सकता है, और समूहित बार चार्ट की तुलना में कम जगह में अधिक जानकारी दे सकता है।
नुकसान यह है कि कभी-कभी इस ग्राफ़ से सटीक अनुपात निकालना चुनौतीपूर्ण हो सकता है। उस जानकारी के साथ डेटा लेबल जोड़ने से समस्या कम हो सकती है; बस ध्यान रखें कि चार्ट बहुत भीड़भाड़ वाला न हो।
यह स्टैक्ड बार चार्ट विभिन्न आयु वर्गों में पढ़ने की प्राथमिकताएँ दिखाता है। प्रत्येक आयु समूह के भीतर, हम उधार लिए गए प्रत्येक शैली का अनुपात देख सकते हैं। आयु समूहों के पार देखकर, हम यह भी देख सकते हैं कि प्रत्येक शैली का अनुपात कैसे बदलता है और कुल उधार ली गई पुस्तकों की संख्या कैसे बदलती है। उदाहरण के लिए, यह देखना आसान है कि वयस्क कुल मिलाकर सबसे अधिक पुस्तकें उधार लेते हैं, और वरिष्ठ नागरिक नॉनफिक्शन के किशोरों से बड़े प्रशंसक हैं।
हीट मैप
हीट मैप ग्रिड में रंग की तीव्रता से मानों का प्रतिनिधित्व करता है। सहसंबंध, आवृत्ति तालिकाओं, या ऐसे किसी भी परिदृश्य के लिए इसका उपयोग करें जहाँ आपको लगे कि रंग से पैटर्न देखना आसान हो जाएगा।
इस प्रकार के ग्राफ़ के लिए एक महत्वपूर्ण बात याद रखें: ऐसा कलर ग्रेडिएंट चुनें जो समझ में आए। उदाहरण के लिए, लाल को हरे से बड़ा संख्या मानने का कोई अंतर्निहित कारण नहीं है। इसलिए, लाल से हरे तक जाने वाला ग्रेडिएंट शायद सबसे अच्छा विकल्प नहीं है। लेकिन गहरे रंगों को बड़े मानों से और हल्के रंगों को छोटे मानों से सहज रूप से जोड़ना स्वाभाविक है। इसलिए किसी एक रंग के भीतर हल्के-से-गहरे का ग्रेडिएंट चुनना दर्शक को अधिक सहज एहसास देगा कि आप क्या प्लॉट कर रहे हैं।
जब शाब्दिक ऊष्मा मान प्लॉट कर रहे हों तो अपवाद हो सकता है। आमतौर पर, लाल रंग उच्च तापमान और नीला कम तापमान से जोड़ा जाता है। इसलिए यदि आप हीट मैप से ऊष्मा प्लॉट कर रहे हैं, तो लाल से नीले तक का ग्रेडिएंट सहज हो सकता है। हमेशा की तरह, अपने डेटा को ही विज़ुअलाइज़ेशन डिज़ाइन का मार्गदर्शन करने दें।
यह हीटमैप एक सुस्त पालतू बिल्ली की गतिविधि का स्तर दिखाता है—एक सप्ताह में हर दिन, प्रति घंटा। गहरे नीले वे समय दिखाते हैं जब बिल्ली बहुत सक्रिय थी, शायद दौड़ भी रही थी या कूद रही थी। हल्के नीले वे समय दिखाते हैं जब बिल्ली कम सक्रिय थी, संभवतः सो रही थी। रंग से यह देखना आसान हो जाता है कि हमारी बिल्ली रात में ज़्यादा सक्रिय रहती है, दिन में ज़्यादातर सोती है, और दिन में कुछ खेल भी लेती है (शायद मालिक द्वारा शुरू कराया गया)।
यदि आप इन द्वि-चर चार्ट्स को किसी प्रोफेशनल एनालिटिक्स प्लेटफ़ॉर्म में आज़माना चाहते हैं, तो Data Visualization in Power BI और Data Visualization in Tableau दोनों दिखाते हैं कि पैटर्न और रुझानों को स्पष्ट रूप से हाईलाइट करने वाले इंटरैक्टिव डैशबोर्ड कैसे बनाए जाएँ।
बहु-चर (Multivariate) विज़ुअलाइज़ेशन
कभी-कभी हमें दो से अधिक चरों के साथ अधिक जटिल संबंध दिखाने होते हैं। बहु-चर चार्ट तीन या अधिक चरों के बीच संबंध उजागर करने में मदद करते हैं। ये आपको अधिक जटिल डाटासेट्स का अन्वेषण करने देते हैं, जबकि व्याख्येयता बनी रहती है। आइए कुछ सामान्य विकल्प देखें।
बबल चार्ट
बबल चार्ट, स्कैटर प्लॉट के विचार को तीसरे चर को बबल के आकार के रूप में एन्कोड करके बढ़ाता है। यह पढ़ने में आसान विकल्प है क्योंकि अधिकांश लोग पहले से ही स्कैटरप्लॉट की व्याख्या करना जानते हैं। आकार के रूप में एन्कोड किया गया चर सहज लगता है। इस सहजता को अधिकतम करने के लिए, सर्वोत्तम प्रथा है कि बबल का आकार किसी परिमाण (मैग्नीट्यूड) से सहसंबद्ध हो।
आप रंग को एन्कोड करके इसे चौथे चर तक बढ़ा सकते हैं। बस सुनिश्चित करें कि आपके पास वर्णनात्मक लीजेंड और कैप्शन हो ताकि दर्शक आपका चार्ट स्पष्ट रूप से समझ सके।
यह बबल चार्ट अलग-अलग आकार के फूलों वाले बगीचे में लेडीबग्स और एफिड्स की सापेक्ष प्रचुरता दिखाता है। बड़े बबल अधिक एफिड्स के अनुरूप हैं। हम ग्राफ़ में ऊपर की ओर बड़े बबल देख सकते हैं, जो दर्शाते हैं कि जहाँ अधिक लेडीबग्स हैं, वहाँ अधिक एफिड्स हैं। हम यह भी देखते हैं कि छोटे फूलों पर अधिक कीट हैं।
रडार चार्ट
रडार चार्ट को एक तरह के वृत्ताकार बार चार्ट की तरह समझ सकते हैं। अलग-अलग गुणों को वृत्त के बाहर व्यवस्थित किया जाता है, और आपका ब्लॉब केंद्र से शुरू होकर प्रत्येक अक्ष पर प्लॉट होता है। यह प्रोफ़ाइल दिखाने या समान आयामों पर कई आइटमों की तुलना करने के लिए अच्छा काम करता है। बहुत अधिक ओवरलैपिंग ब्लॉब्स जोड़ने में सावधानी बरतें, क्योंकि यह अव्यवस्थित और तेज़ी से पढ़ने में कठिन हो सकता है। मैं पारदर्शी शेडिंग का उपयोग करने की भी सिफारिश करता/करती हूँ ताकि आप प्रत्येक ब्लॉब को अन्य के आर-पार आसानी से देख सकें।
यहाँ हम पाँच कौशल अक्षों पर तीन अलग-अलग Dungeons and Dragons कैरेक्टर प्रोफ़ाइल की तुलना कर रहे हैं। यह अलग-अलग पात्रों की क्षमताओं में अंतर दिखाने का स्वच्छ तरीका है।
पैरलल कोऑर्डिनेट्स
यदि आप रडार चार्ट को खोल दें, तो आपको पैरलल कोऑर्डिनेट प्लॉट मिलता है। ये प्लॉट प्रत्येक चर को अपनी अलग ऊर्ध्वाधर धुरी पर दिखाते हैं। जब आपको एक साथ कई सतत चरों की तुलना करनी हो, तो यह बेहतर विकल्प है क्योंकि ओवरलैप कम होते हैं।
आपको सावधानी से सोचना होगा कि आपकी y-अक्ष के मान क्या हों। यदि आपके गुण समान इकाई साझा करते हैं—जैसे ऊपर हमारे कैरेक्टर प्रोफ़ाइल—तो समस्या नहीं। लेकिन यदि गुण सामान्यतः अलग इकाइयों में हैं, तो चार्ट को अधिक पठनीय बनाने के लिए y-अक्ष पर किसी सापेक्ष इकाई तुलना का तरीका ढूँढ़ना पड़ सकता है। लक्ष्य है अलग-अलग रेखाओं की आपस में तुलना करना, न कि प्रत्येक की सटीक मान निकालना।
इस प्लॉट में हम अलग-अलग खिलौना रोबोट मॉडलों के सापेक्ष गुणों की तुलना कर रहे हैं। हम उन चार विशेषताओं पर आसानी से प्रत्येक रोबोट की तुलना कर सकते हैं जिनमें हमें रुचि है। जबकि हम प्रत्येक रोबोट की गति का सटीक मान नहीं निकाल सकते, हम आसानी से देख सकते हैं कि RoboMax, RoboMini से बहुत तेज़ है।
ट्रीमैप
ट्रीमैप पदानुक्रमिक जानकारी दिखाने का एक दृश्यतः आकर्षक तरीका है। यह एक आयत को नेस्टेड टाइलों में विभाजित करता है जिनका आकार मान के साथ बदलता है। अक्सर, अलग-अलग रंग एक और उपविभाजन परत जोड़ते हैं। यह बहु-स्तरों के भीतर पदानुक्रमिक डेटा या भाग-से-पूर्ण संबंध दिखाने के लिए उपयोगी है।
एक सावधानी: हर कोई ट्रीमैप पढ़ना नहीं जानता, इसलिए इन्हें यथासंभव आसान बनाना बेहतर है। बक्सों के बीच स्पष्ट सीमाएँ और अलग-अलग रंग सुनिश्चित करें। मुझे लगता है कि इन चार्ट्स में लीजेंड, लेबल और कैप्शन विशेष रूप से सहायक होते हैं।
यहाँ हमने ट्रीमैप बनाया है जो दिखाता है कि एक काल्पनिक साहसी व्यक्ति एकत्र किए गए सोने को विभिन्न श्रेणियों में कहाँ खर्च करता है। रंग खर्च की श्रेणी दर्शाता है, जबकि आयत का आकार खर्च की सापेक्ष राशि दिखाता है।
सैंकी डायग्राम
सैंकी डायग्राम प्रवाह (flows) को विज़ुअलाइज़ करने के सबसे अच्छे तरीकों में से एक है जो मैंने देखे हैं। यह प्रकार आपके डेटा की यात्रा को शुरुआत से प्रत्येक अंत बिंदु तक दिखाता है। तीरों की सापेक्ष मोटाई दर्शाती है कि मूल मात्रा का कितना भाग किस गंतव्य तक गया। यह ऊर्जा प्रवाह, ग्राहक यात्रा, या किसी भी शाखित पथ वाले सिस्टम को दर्शाने के लिए बढ़िया विकल्प है।
यहाँ हमने एक घर में ऊर्जा उपयोग और ऊर्जा कहाँ खर्च हो रही है, उसे प्लॉट किया है। हम देख सकते हैं कि यह घर हीटिंग और आराम के लिए सबसे अधिक ऊर्जा का उपयोग करता है, जबकि कुकिंग और आराम में अनुपाततः बहुत कम।
कोरोप्लेस्थ मैप
कोरोप्लेस्थ मैप हीट मैप के समान है कि यह भी रंग से जानकारी देता है। हालाँकि, यह भौगोलिक मानचित्र पर ओवरले होता है और यह दिखाता है कि राज्य या काउंटी जैसे भौगोलिक क्षेत्रों में पैटर्न कैसे विकसित होते हैं। आप ऐसे मानचित्र COVID महामारी के दौरान देख चुके होंगे, जो बताते थे कि कहाँ केस बढ़ रहे हैं। इन्हें अमेरिकी राष्ट्रपति चुनावों के बाद भी आमतौर पर देखा जाता है, जो इलेक्टोरल कॉलेज के परिणाम दिखाते हैं।
यहाँ हमने संयुक्त राज्य के प्रत्येक राज्य में अनुमानित वन आवरण दिखाने वाला एक बुनियादी कोरोप्लेस्थ मैप बनाया है। जिन राज्यों में अधिक वन आवरण है, वे कम वाले राज्यों की तुलना में गहरे हरे रंग से रंगे हैं—इसे देखना आसान है।
अच्छे बनाम खराब डेटा विज़ुअलाइज़ेशन
सहायक और भ्रामक चार्ट्स के बीच का अंतर आमतौर पर डिज़ाइन पर आ टिकता है। एक अच्छा विज़ुअलाइज़ेशन डेटा को स्पष्ट करता है; खराब वाला उसे विकृत कर देता है। इस पर व्यापक नज़र के लिए, मैं Edward Tufte की The Visual Display of Quantitative Information की सिफारिश करता/करती हूँ। यह विज़ुअलाइज़ेशन पर सबसे प्रभावशाली पुस्तकों में से एक है और जिसे भी डेटा के साथ नियमित रूप से काम करना पड़ता है, उसकी लाइब्रेरी में होनी चाहिए।
प्रभावी विज़ुअलाइज़ेशन की विशेषताएँ
आपका ग्राफ़ एक नज़र में पढ़ने में आसान होना चाहिए। इसका अर्थ है इसे सरल और सीधा रखना, उपयुक्त होने पर डेटा लेबल जोड़ना, और शीर्षक, लीजेंड और अक्ष लेबल का प्रभावी उपयोग करना। टफ्टी इसे डेटा-टू-इंक अनुपात के रूप में बताते हैं।
आपके विज़ुअलाइज़ेशन यथासंभव सटीक भी होने चाहिए। इसका मतलब है पैमाने या अनुपात में किसी भी विकृति से सावधान रहना। उदाहरण के लिए, अक्षों में ब्रेक का उपयोग करते समय सावधान रहें, और यदि आप उनका उपयोग करते हैं, तो सुनिश्चित करें कि वे उचित रूप से दर्शाए गए हों।
दक्षता के लिए, सुनिश्चित करें कि चार्ट पर जो कुछ भी है, उसकी आवश्यकता है। ग्रिडलाइनों का अति-उपयोग न करें। कुछ ग्राफ़ों में, ग्रिडलाइंस सटीक मान देखने में सहायक होती हैं। हालाँकि, कई, विशेषकर सरल ग्राफ़ों में, वे चार्ट जंक होती हैं। सबसे बुरे मामलों में, वे डेटा को भी ढक सकती हैं। चार्ट जंक के अन्य उदाहरणों में अनावश्यक तस्वीरें या अतिरिक्त रेखाएँ शामिल हैं जो स्पष्टता में योगदान नहीं देतीं।
अंत में, रंगों का उपयोग सोच-समझकर करें। समझें कि रंग संख्याओं जितना ही अर्थ संप्रेषित कर सकते हैं। उदाहरण के लिए, ग्रेडिएंट चुनते समय, आमतौर पर अच्छा होता है कि गहरे रंग बड़े नंबरों और हल्के रंग छोटे नंबरों से मेल खाएँ।
श्रेणीबद्ध डेटा के लिए, उस श्रेणी से सामान्यतः जुड़े रंगों के बारे में सोचें। यह अटपटा लगता अगर हमने ऑरेंज जूस की पसंद दिखाने के लिए हरी बार का उपयोग किया होता।
खराब विज़ुअलाइज़ेशन में आम समस्याएँ
कुछ सामान्य गलतियाँ हैं जिन पर आपको नज़र रखनी चाहिए। पहली पैमाने (स्केल) से जुड़ी है। यह महत्वपूर्ण है कि आप अपने अक्षों के पैमाने और चार्ट तत्वों (बॉक्स/बबल/आदि) के पैमाने पर ध्यान दें। खास बात—जिस भी प्रोग्राम का आप उपयोग कर रहे हैं, उसके डिफ़ॉल्ट प्लॉट्स पर आँख मूँदकर भरोसा न करें। सुनिश्चित करें कि आपके अक्ष शून्य से शुरू होते हैं (बहुत कम अपवादों के साथ), आपके अक्ष सुसंगत हैं, और आपके प्लॉट तत्वों के अनुपात आपके डेटा के लिए समझ में आते हैं।
एक आम समस्या जो मैं अक्सर देखता/देखती हूँ, वह है प्लॉट्स में 3D इफेक्ट्स का उपयोग। ये प्रभाव कूल दिख सकते हैं, लेकिन वे प्लॉट को इस तरह विकृत कर सकते हैं कि पढ़ना अधिक चुनौतीपूर्ण हो जाए। अपने दर्शकों को सरदर्द से बचाएँ और अधिकांश उद्देश्यों के लिए 2-आयामी चार्ट्स पर टिके रहें।
डुअल अक्ष एक और जगह है जहाँ चीजें कठिन हो सकती हैं। विशाल बहुमत मामलों में, यदि आपको दो y-अक्षों की ज़रूरत है, तो संभवतः डेटा को दो प्लॉट्स में विभाजित कर दें। बहुत ही दुर्लभ मामलों में जहाँ डुअल-अक्ष प्लॉट समझ में आता है, सुनिश्चित करें कि यह स्पष्ट हो कि कौन-सा डेटा किस अक्ष से जुड़ा है। मेरा पसंदीदा तरीका रंग से है, जैसे बाएँ अक्ष काला हो और काले डॉट्स से मेल खाए, जबकि दाएँ अक्ष लाल हो और लाल डॉट्स से मेल खाए।
सबसे आसान गलतियों में से एक है अपने चार्ट को ज़रूरत से ज़्यादा भर देना। हम अपने डेटा की पूरी कहानी बताने के उत्साह में और अधिक बार, लेबल या रेखाएँ जोड़ते जाते हैं। लेकिन ऐसा करने से हो सकता है कि आपके दर्शक आपके ग्राफ़ से कुछ भी न ले जाएँ। इसके बजाय, सबसे अच्छा है कि एक सरल कहानी चुनें जो आप चाहते हैं कि दर्शक आपके डेटा से लें—और उसे जितना संभव हो उतना साफ़ और सुरुचिपूर्ण ढंग से प्रदर्शित करें। .
भ्रामक विज़ुअलाइज़ेशन कैसे पहचानें
दुर्भाग्य से, किसी एजेंडा को बेचने के लिए हेरफेर किए गए चार्ट्स मिलना असामान्य नहीं है। यह विज्ञापन, राजनीति और सोशल मीडिया में आम है। जब भी आप कोई ग्राफ़ देखें, उसे सतही तौर पर स्वीकार करने से पहले आलोचनात्मक रूप से जाँचें।
आलोचनात्मक मूल्यांकन का पहला तरीका है इस लेख के पिछले अनुभागों को देखना और जाँचना कि क्या संदिग्ध ग्राफ़ उन सर्वोत्तम प्रथाओं का पालन करता है जिन पर हमने चर्चा की है। यदि नहीं, तो ग्राफ़ भ्रामक हो सकता है—चाहे अनजाने में ही क्यों न हो।
इसके बाद, अधिक कपटी आशयों पर विचार करें। अपने आप से ये प्रश्न पूछें:
सभी भ्रामक विज़ुअलाइज़ेशन दुर्भावनापूर्ण आशय से नहीं होते। लेकिन खामियाँ पहचानना और निष्कर्षों को एक चुटकी नमक के साथ लेना महत्वपूर्ण है।
समावेशी डिज़ाइन पर एक टिप्पणी
अपने स्वयं के विज़ुअलाइज़ेशन बनाते समय याद रखें कि डिज़ाइन विकल्प यह भी तय करते हैं कि कौन आपके कार्य को देख सकता है। अपने दर्शकों को व्यापक बनाने के लिए, सोचें कि अपने ग्राफ़ को सुलभ कैसे बनाया जाए। उदाहरण के लिए, आप कलरब्लाइंड-सेफ़ पैलेट और बड़े, पठनीय फ़ॉन्ट का उपयोग करके चार्ट की दृश्य पठनीयता में सुधार कर सकते हैं। सार्थक alt टेक्स्ट और कैप्शन का उपयोग भी दृष्टिबाधित दर्शकों के लिए पहुँच में सुधार कर सकता है।
इतिहास से प्रसिद्ध विज़ुअलाइज़ेशन
इतिहास में कुछ विज़ुअलाइज़ेशन ऐसे हैं जिन्होंने डेटा विज़ुअलाइज़ेशन के क्षेत्र को नाटकीय रूप से आकार दिया है। कुछ ने बिल्कुल नए ग्राफ़ प्रकार ईजाद किए; कुछ ने घटनाओं, समाजों या प्रणालियों को समझने का हमारा तरीका बदल दिया। आइए कुछ सबसे प्रसिद्ध ऐतिहासिक चार्ट्स और उन्होंने भविष्य के ग्राफ़र्स को कैसे प्रेरित किया, देखें।
विलियम प्लेफेयर के आविष्कार (1786–1801)
हमारे मानक चार्ट प्रकार यूँ ही नहीं प्रकट हो गए। कई चार्ट जिन पर हमने चर्चा की, उनकी शुरुआत स्कॉटिश इंजीनियर और राजनीतिक अर्थशास्त्री विलियम प्लेफेयर से हुई, जो 18वीं सदी के उत्तरार्ध में काम कर रहे थे। 1786 में, प्लेफेयर ने The Commercial and Political Atlas प्रकाशित किया, जिसमें उन्होंने आर्थिक डेटा को समझने के लिए लाइन ग्राफ़ और बार चार्ट पेश किए। कुछ साल बाद, उन्होंने The Statistical Breviary में पाई चार्ट प्रस्तुत किया।
यह ग्राफ़ व्यापक रूप से पहला लाइन ग्राफ़ माना जाता है, जिसे 1786 में विलियम प्लेफेयर ने प्रस्तुत किया। चित्र स्रोत: Wikipedia।
उस समय, अधिकांश संख्यात्मक जानकारी घनी तालिकाओं में प्रस्तुत की जाती थी जिन्हें जल्दी समझना कठिन था। प्लेफेयर का मानना था कि दृश्य रूप रुझानों और तुलना को तुरंत स्पष्ट कर सकते हैं—यहाँ तक कि बिना गणितीय प्रशिक्षण वाले पाठकों के लिए भी।
पहला बार ग्राफ़ माना जाने वाला यह ग्राफ़ 1786 में विलियम प्लेफेयर द्वारा प्रकाशित किया गया। चित्र स्रोत: Wikipedia।
प्लेफेयर के कार्य को प्रभावशाली बनाने वाली बात केवल नए चार्ट प्रकारों का आविष्कार नहीं थी, बल्कि यह अंतर्दृष्टि भी थी कि लोग जानकारी को कैसे ग्रहण करते हैं। उन्होंने संख्याओं को दृश्य गुणों से मैप किया, जिससे दर्शक एक नज़र में मानों की तुलना कर सके। उनके चार्ट्स का इस्तेमाल अक्सर राजनीतिक और आर्थिक तर्क देने के लिए किया जाता था, जैसे राष्ट्रीय ऋण या समय के साथ व्यापार संतुलन में बदलाव।
प्लेफेयर का काम आधुनिक सांख्यिकीय ग्राफ़िक्स की नींव बना और शुरुआती याद दिलाता है कि स्पष्ट विज़ुअल एन्कोडिंग्स लोगों के डेटा के बारे में तर्क करने के तरीके को मूल रूप से बदल सकती हैं।
संभवतः पहला पाई चार्ट, 1789 में विलियम प्लेफेयर द्वारा प्रकाशित। स्रोत: Wikipedia।
चार्ल्स मिनार्ड का नेपोलियन के रूसी अभियान का मानचित्र (1869)
1812 में, नेपोलियन ने रूस पर आक्रमण किया और विनाशकारी हार का सामना किया। लगभग 50 साल बाद, सेवानिवृत्त सिविल इंजीनियर चार्ल्स मिनार्ड ने यह प्रतिष्ठित मानचित्र बनाया जो सेना की प्रगति, पीछे हटना और आकार में दुखद गिरावट दिखाता है।
स्रोत: brilliantmaps.
यह सैंकी डायग्राम का एक प्रारंभिक उदाहरण है, जहाँ बैंड की चौड़ाई सैनिकों की संख्या दर्शाती है। यह दिशा, तापमान, भूगोल और समय को एक मानचित्र पर ओवरले करता है, जो आक्रमण की प्रभावशाली कहानी कहता है। यह मात्रात्मक डेटा को भावनात्मक नैरेटिव में बदलने का सुरुचिपूर्ण उदाहरण है और दिखाता है कि कई चर बिना भ्रम पैदा किए एक साथ रह सकते हैं। इसे संभवतः अब तक के सबसे पहचानने योग्य ऐतिहासिक चार्ट्स में से एक माना जाता है।
फ़्लोरेंस नाइटिंगेल का रोज़ डायग्राम (1858)
एक और प्रसिद्ध युद्ध चार्ट सांख्यिकीविद् और आधुनिक नर्सिंग की संस्थापक फ़्लोरेंस नाइटिंगेल से आया। उन्होंने पोलर एरिया चार्ट, जिसे रोज़ डायग्राम भी कहते हैं, का उपयोग यह दिखाने के लिए किया कि क्रीमियन युद्ध में अधिक मौतें रोके जा सकने वाली बीमारियों—जैसे हैज़ा और टाइफस—से हुईं, न कि वास्तविक युद्ध घावों से।
स्रोत: https://www.historyofinformation.com/
डायग्राम में प्रत्येक वेज एक माह का प्रतिनिधित्व करता है, और रंग मृत्यु के कारणों में अंतर करते हैं। रोके जा सकने वाली बीमारियों से मौतें नीले रंग में हैं, युद्ध घावों से लाल में, और अन्य सभी कारण काले में।
अप्रैल 1855 में, एक सैनिटरी कमीशन सैन्य अस्पताल में स्वच्छता सुधारने पहुँचा। परिणामस्वरूप मौतों में नाटकीय कमी आई, जो नाइटिंगेल के चार्ट में प्रमुखता से दिखी। इस विज़ुअलाइज़ेशन ने सरकारी अधिकारियों को सैन्य और नागरिक दोनों अस्पतालों में स्वच्छता सुधार लागू करने के लिए राज़ी किया।
जॉन स्नो का हैज़ा मानचित्र (1854)
एक और सार्वजनिक स्वास्थ्य जीत जॉन स्नो के लंदन में हैज़ा मौतों की मैपिंग से मिली। 1854 में, लंदन के सोहो ज़िले में विनाशकारी हैज़ा प्रकोप हुआ, जिसने कुछ ही हफ्तों में 600 से अधिक लोगों की जान ले ली। स्नो ने लंदन की सड़कों के मानचित्र पर हैज़ा मौतों को बार्स के रूप में और वॉटर पंप्स को वृत्तों के रूप में प्लॉट किया।
स्रोत: londonmuseum.org।
उनके मानचित्र ने Broad Street वॉटर पंप के आसपास मौतों के क्लस्टर दिखाए। अधिकारियों ने उस वॉटर पंप से हैंडल हटा दिया, जिससे वह अनुपयोगी हो गया, और प्रकोप थम गया। इस मानचित्र ने स्थानीय प्रकोप को सुलझाने में मदद की। आज, यह याद दिलाता है कि सही विज़ुअलाइज़ेशन चुनना उसके प्रभाव को कैसे बदल सकता है; उदाहरण के लिए, स्कैटरप्लॉट से प्रकोप के कारण का पता नहीं चलता। स्नो ने परिवर्तन लाने के लिए सही विज़ुअलाइज़ेशन का उपयोग किया।
Étienne-Jules Marey की ट्रेन समय-सारिणी (1885)
मेरा व्यक्तिगत पसंदीदा ऐतिहासिक चार्ट 1885 की यह ट्रेन समय-सारिणी है। यह एक ग्राफ़ पेरिस से ल्यों तक जाने वाली हर ट्रेन, उसकी गति, ठहराव, और कब वह किसी दूसरी ट्रेन को पार करेगी, सब दिखाता है। समय x-अक्ष पर है, और प्रत्येक स्टेशन y-अक्ष पर अपनी दूरी के अनुपात में रखा गया है। प्रत्येक ट्रेन एक तिरछी रेखा के रूप में दर्शाई गई है। अधिक ढलान वाली रेखाएँ तेज़ ट्रेनों को दर्शाती हैं, और क्षैतिज हिस्से दिखाते हैं कि ट्रेन स्टेशन पर है।
स्रोत: commons.wikimedia.org
आम तौर पर, यह जानकारी भारी-भरकम टेक्स्ट वाली टाइमटेबल के रूप में प्रस्तुत होती। इसके बजाय, इस ग्राफ़ ने स्थान और समय की जानकारी को सुरुचिपूर्ण ढंग से संयोजित किया, जिससे रेलवे प्रबंधकों को शेड्यूलिंग टकरावों और यहाँ तक कि ट्रेन टक्करों को भी रोकने में मदद मिली! यह याद दिलाता है कि एक सुडौल विज़ुअलाइज़ेशन कितनी अधिक जानकारी संप्रेषित कर सकता है।
W.E.B. Du Bois के डेटा पोर्ट्रेट्स (1900)
20वीं सदी के मोड़ पर, समाजशास्त्री और सिविल राइट्स कार्यकर्ता W.E.B. Du Bois ने 1900 के पेरिस एक्सपोज़िशन के लिए साहसिक और मौलिक चार्ट्स की एक श्रृंखला बनाने में शोधकर्ताओं की टीम का नेतृत्व किया। इन विज़ुअलाइज़ेशनों ने मुक्ति के सिर्फ एक पीढ़ी बाद अश्वेत अमेरिकियों की सामाजिक, आर्थिक और शैक्षिक स्थितियों का दस्तावेज़ीकरण किया। उस समय जब नस्लवादी छद्म-विज्ञान जन-चर्चा पर हावी था, Du Bois ने हानिकारक रूढ़ियों का सीधे डेटा से सामना किया।
WEB Du Bois के Data Portraits से यह चार्ट नाटकीय रूप से दिखाता है कि Emancipation Proclamation ने अफ्रीकी अमेरिकियों का जीवन कैसे बदला। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
चार्ट्स में साक्षरता, संपत्ति स्वामित्व, रोज़गार, जनसंख्या वृद्धि और प्रवास पैटर्न जैसे विषय शामिल थे। कई हाथ से बनाए और रंगे गए थे, जिनमें चमकदार रंग और अपरंपरागत लेआउट थे। कुछ चार्ट बार या पाई चार्ट जैसे दिखते हैं, जबकि अन्य सर्पिल, रेडियल लेआउट और अमूर्त रचनाओं के साथ प्रयोग करते हैं। परंपरा पर टिके रहने के बजाय, Du Bois ने संप्रेषण और प्रभाव को प्राथमिकता दी।
यह संशोधित पाई चार्ट 20वीं सदी की शुरुआत में अश्वेत और श्वेत अमेरिकियों द्वारा की जाने वाली नौकरियाँ दिखाता है। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
Du Bois का उद्देश्य तटस्थता नहीं था। चार्ट्स स्पष्ट रूप से मनाने, शिक्षित करने और डेटा के माध्यम से अश्वेत अमेरिकियों की मानवता और उपलब्धियों की पुष्टि करने के लिए डिज़ाइन किए गए थे। ऐसा करते हुए, Du Bois ने दिखाया कि विज़ुअलाइज़ेशन केवल संख्याएँ प्रस्तुत करना नहीं है; यह वास्तविकता को फ्रेम करना, कहानियाँ कहना, और यह आकार देना है कि समाज खुद को कैसे समझते हैं। अब ये चार्ट इस पुस्तक में संकलित हैं W.E.B. Du Bois's data portraits : visualizing Black America : the color line at the turn of the twentieth century।
WEB Du Bois अपने तर्क को स्थापित करने के लिए उग्र चार्ट प्रकारों से डरते नहीं थे—जैसे यह सर्पिल चार्ट जो 1890 में अश्वेत अमेरिकियों के जनसंख्या वितरण को दिखाता है। चित्र स्रोत: How W.E.B. Du Bois used data visualization to confront prejudice in the early 20th century।
निष्कर्ष
विज़ुअलाइज़ेशन निष्पक्ष नहीं है; आपका हर चुनाव दर्शकों की डेटा के पीछे की कहानी की व्याख्या को आकार देता है। यह जानने के लिए कि अपने डेटा की कहानी प्रभावी ढंग से कैसे सुनाई जाए, हमाराData Storytelling & Communication Cheat Sheet देखें।
व्यावहारिक सलाह के लिए कि किन टूल्स का उपयोग करें, 2025 के 12 of the Best Data Visualization Tools in 2025 का हमारा अवलोकन एक बढ़िया संसाधन है। और यदि आप इन जटिल चार्ट्स को इंटरैक्टिव और वेब-रेडी बनाने के लिए तैयार हैं, तो Interactive Data Visualization with Bokeh आपको Python में प्रतिक्रियाशील, ब्राउज़र-अनुकूल विज़ुअलाइज़ेशन बनाना सिखाता है।