उपयुक्त विज़ुअलाइज़ेशन तकनीक का चयन
हमने उपलब्ध अनेक डेटा विज़ुअलाइज़ेशन तकनीकों का केवल एक छोटा सा उपसमुच्चय प्रस्तुत किया है। आप किस प्रकार का विश्लेषण करना चाहते हैं, इस पर निर्भर करते हुए कुछ ग्राफ़ अन्य की तुलना में अधिक उपयुक्त होंगे।
उदाहरण के लिए, यदि आप समय के साथ डेटा में रुझान और उतार-चढ़ाव दिखाना चाहते हैं, तो लाइन प्लॉट उपयुक्त है। इसके विपरीत, यदि आप किसी चर में डेटा बिंदुओं के वितरण का विश्लेषण करना चाहते हैं, तो हिस्टोग्राम या बॉक्सप्लॉट बेहतर रहेंगे।
यह तय करते समय कि कौन-सी तकनीक उपयोग करें, अपने आप से ये प्रश्न पूछें:
- आप एक साथ कितने चरों का विश्लेषण करना चाहते हैं? उत्तर के आधार पर, आप एकवेरिएट, द्विवेरिएट या बहुवेरिएट विश्लेषण करेंगे।
- आप क्या विश्लेषित करना चाहते हैं? प्रत्येक विज़ुअलाइज़ेशन निम्न घटनाओं में से किसी एक का विश्लेषण करने के लिए उपयुक्त होता है:
- वितरण
- सहसंबंध
- रैंकिंग
- भाग-से-सम्पूर्ण
- विकास/प्रवर्तन
- मानचित्र
- नेटवर्क्स
अभ्यास के साथ, डेटा के प्रकार और पूछे गए प्रश्न के अनुरूप विज़ुअलाइज़ेशन तकनीक का मिलान करना सहज प्रक्रिया बन जाएगा।
डेटा विज़ुअलाइज़ेशन के टूल्स
डेटा विज़ुअलाइज़ेशन टूल्स बिना-कोड वाले बिज़नेस इंटेलिजेंस टूल्स जैसे Power BI और Tableau से लेकर DataWrapper और Google Charts जैसे ऑनलाइन विज़ुअलाइज़ेशन प्लेटफ़ॉर्म तक फैले हुए हैं। डेटा विज्ञान के लिए लोकप्रिय प्रोग्रामिंग भाषाओं, जैसे Python और R, में भी विशिष्ट पैकेज उपलब्ध हैं। इस तरह, डेटा विज़ुअलाइज़ेशन अक्सर कई आकांक्षी डेटा पेशेवरों के लिए प्रवेश-द्वार, या “gateway drug,” के रूप में देखा जाता है।
कोई डेटा विज़ुअलाइज़ेशन टूल चुनते समय, आपको निम्न कारकों पर विचार करना चाहिए:
- लर्निंग कर्व। उपयोग में आसानी और जटिलता के मामले में डेटा विज़ुअलाइज़ेशन टूल्स काफी भिन्न होते हैं। सामान्यतः, जितनी अधिक विशेषताएँ और क्षमताएँ, उतनी ही तीखी सीखने की वक्र। सरल टूल्स गैर-तकनीकी उपयोगकर्ताओं के लिए बेहतर होते हैं, लेकिन वे अधिक सीमाओं के साथ आते हैं।
- लचीलेपन। यदि आप अपनी विज़ुअलाइज़ेशनों के हर छोटे पहलू पर पूरा नियंत्रण चाहते हैं, तो अधिक लचीले टूल्स चुनें। उनसे परिचित होने में अधिक समय लगेगा, लेकिन एक बार अभ्यस्त हो जाने पर आप अत्यंत सौंदर्यपूर्ण और अनुकूलन योग्य विज़ुअलाइज़ेशन बना पाएँगे।
- विज़ुअलाइज़ेशन का प्रकार। डेटा विज़ुअलाइज़ेशन टूल्स को इस आधार पर वर्गीकृत किया जा सकता है कि वे स्वतंत्र प्लॉट्स पर केंद्रित हैं या डैशबोर्ड्स पर। पहली श्रेणी एक समय में एक विज़ुअलाइज़ेशन बनाने के लिए डिज़ाइन की गई है। दूसरी श्रेणी एप्लिकेशन या डैशबोर्ड को मूल इकाई मानती है। Power BI और Tableau जैसे टूल्स इसी श्रेणी में आते हैं।
- कीमत। डेटा विज़ुअलाइज़ेशन टूल चुनते समय कीमत एक महत्वपूर्ण कारक है। आपकी ज़रूरतों और बजट के आधार पर कुछ टूल्स अन्य की तुलना में बेहतर काम करेंगे।
डेटा विज़ुअलाइज़ेशन के तेज़-तर्रार क्षेत्र में, नए टूल्स हर दिन इकोसिस्टम में जुड़ रहे हैं। अपनी ज़रूरत के अनुरूप टूल चुनना चुनौतीपूर्ण हो सकता है। इसलिए हमने 12 बेहतरीन डेटा विज़ुअलाइज़ेशन टूल्स पर एक लेख तैयार किया है, जो निर्णय लेने में आपकी मदद कर सकता है।
प्रभावी डेटा विज़ुअलाइज़ेशन के लिए सर्वोत्तम अभ्यास
डेटा विज़ुअलाइज़ेशन का मुख्य उद्देश्य जटिलता कम करना और स्पष्टता प्रदान करना है। सही डेटा विज़ुअलाइज़ेशन तकनीक चुनना सफलता के लिए आवश्यक है, लेकिन विचार करने के लिए कई अन्य कारक भी हैं। अपने दर्शकों के साथ डेटा अंतर्दृष्टियों को प्रभावी ढंग से संप्रेषित करने के लिए यहाँ कुछ डिजाइन संबंधी सर्वोत्तम अभ्यास दिए गए हैं।
- अपने दर्शकों पर विचार करें। स्वर्णिम नियम के रूप में, आपको हमेशा उस दर्शक के प्रति सहानुभूतिशील होना चाहिए जिसे आपका विज़ुअलाइज़ेशन संबोधित कर रहा है। इसका अर्थ है उनके विषय-ज्ञान, तकनीकी जानकारी के स्तर और रुचियों की अच्छी समझ होना।
- अनावश्यक अव्यवस्था हटाएँ। अपठनीय, भरे हुए विज़ुअलाइज़ेशन से बचने के लिए, स्वयं से पूछें कि जो आप शामिल कर रहे हैं वह दर्शकों के लिए प्रासंगिक है या नहीं, और जहाँ तक हो सके अनावश्यक तत्वों को हटा दें।
- फ़ॉन्ट्स पर ध्यान दें। भले ही अलग-अलग फ़ॉन्ट और आकारों का उपयोग करना आकर्षक लग सकता है, सामान्य नियम के तौर पर एक ही फ़ॉन्ट पर टिके रहें और तीन से अधिक आकार न रखें। फ़ॉन्ट पदानुक्रम का पालन करें—शीर्षकों को बॉडी से बड़ा रखें, और प्रमुख तत्वों व शीर्षकों को उजागर करने के लिए बोल्ड टाइपफ़ेस का उपयोग करें।
- रंगों का सोच-समझकर उपयोग करें। रंग किसी भी डेटा विज़ुअलाइज़ेशन का सबसे ध्यान खींचने वाला पहलू होता है। इसलिए, अपनी विज़ुअलाइज़ेशन की रंग योजना सावधानी से चुनें। इसका अर्थ है अपनी सभी विज़ुअलाइज़ेशनों में एक सुसंगत रंग पैलेट रखना और समूहों, महत्व के स्तरों तथा सूचना पदानुक्रम के विभिन्न प्रकारों को अलग दिखाने के लिए रंग का व्यवस्थित उपयोग करना।
विज़ुअलाइज़ेशन को उचित रूप से एक कला माना जा सकता है। अंतर्ज्ञान और अच्छा स्वाद फर्क ला सकते हैं, लेकिन आपको इसके पीछे के सिद्धांतों पर भी विचार करना चाहिए। प्रभावी डेटा विज़ुअलाइज़ेशन के सर्वोत्तम अभ्यासों के बारे में अधिक जानने के लिए हमारा Data Storytelling & Communication Cheat Sheet अवश्य देखें। यदि आप डैशबोर्ड्स के साथ काम कर रहे हैं, तो Best Practices for Designing Dashboards पर यह लेख भी पढ़ने योग्य है।
डेटा विज़ुअलाइज़ेशन तकनीकों में महारत कैसे हासिल करें
हमें उम्मीद है कि आपको यह लेख पसंद आया होगा। अब जब आपको डेटा विज़ुअलाइज़ेशन की स्थिति की समझ मिल गई है, तो अभ्यास का समय है। DataCamp आपकी मदद के लिए है। नीचे आपको अपनी डेटा विज़ुअलाइज़ेशन यात्रा में मार्गदर्शन करने के लिए और संसाधन मिलेंगे:
- Data Visualization with Python स्किल ट्रैक
- Data Visualization with R स्किल ट्रैक
- Data Visualization in Power BI कोर्स
- Data Visualization in Tableau कोर्स
मैं एक स्वतंत्र डेटा विश्लेषक हूँ और दुनिया भर की कंपनियों व संगठनों के साथ डेटा साइंस परियोजनाओं पर सहयोग करता/करती हूँ। मैं 2+ वर्षों के अनुभव वाला/वाली डेटा साइंस प्रशिक्षक भी हूँ। मैं नियमित रूप से अंग्रेज़ी और स्पेनिश में डेटा साइंस से संबंधित लेख लिखता/लिखती हूँ, जिनमें से कुछ DataCamp, Towards Data Science और Analytics Vidhya जैसी स्थापित वेबसाइटों पर प्रकाशित हुए हैं। राजनीतिक विज्ञान और क़ानून की पृष्ठभूमि वाले/वाली डेटा वैज्ञानिक के रूप में, मेरा लक्ष्य लोक नीति, क़ानून और प्रौद्योगिकी के संगम पर काम करना है—विचारों की शक्ति का उपयोग करके ऐसे अभिनव समाधान और कथाएँ विकसित करना जो हमें तात्कालिक चुनौतियों, विशेषकर जलवायु संकट, से निपटने में मदद कर सकें। मैं स्वयं-अध्येता, सतत सीखने वाला/वाली और बहुविषयक दृष्टिकोण का प्रबल समर्थक/समर्थक हूँ। नई चीज़ें सीखने में कभी देर नहीं होती।
डेटा विज़ुअलाइज़ेशन डेटा विश्लेषण और डेटा विज्ञान में तेजी से एक आवश्यक कौशल बनता जा रहा है, और वित्त, शिक्षा व स्वास्थ्य सेवा जैसी कई उद्योगों में अच्छे डेटा विज़ुअलाइज़ेशन कौशल की ज़रूरत होती है। यह आश्चर्यजनक नहीं है: जैसे-जैसे विश्लेषक जटिल और विविध डेटा की बढ़ती मात्रा से जूझ रहे हैं, डेटा विज़ुअलाइज़ेशन उसे समझने और अंतर्दृष्टियों को प्रभावी ढंग से संप्रेषित करने की तकनीकों का एक सेट प्रदान करता है।
ऐतिहासिक रूप से डेटा विज्ञान में एक गौण विषय माने जाने के बावजूद, आज डेटा विज़ुअलाइज़ेशन में मनोविज्ञान और तंत्रिका-विज्ञान जैसी विभिन्न विधाओं से आई दिलचस्प तकनीकों, टूल्स, सिद्धांतों और योगदानों के साथ समृद्धि आई है। यदि आप डेटा विज़ुअलाइज़ेशन में माहिर बनना चाहते हैं, तो DataCamp आपकी मदद के लिए तैयार है। हमारे डेटा विज़ुअलाइज़ेशन कोर्स कैटलॉग पर नज़र डालें और अग्रणी विशेषज्ञों द्वारा पढ़ाए गए 30 से अधिक डेटा विज़ुअलाइज़ेशन कोर्स तक पहुँचें, जो लोकप्रिय तकनीकों की एक विविधता को कवर करते हैं।
यह लेख डेटा विज़ुअलाइज़ेशन की वर्तमान स्थिति का एक अवलोकन प्रस्तुत करता है। हम सबसे लोकप्रिय डेटा विज़ुअलाइज़ेशन विश्लेषणों, तकनीकों और टूल्स पर ध्यान केंद्रित करेंगे। पढ़ते रहें!
अच्छे डेटा विज़ुअलाइज़ेशन की शक्ति
डेटा विज़ुअलाइज़ेशन में डेटा के ग्राफिकल निरूपणों का उपयोग शामिल है, जैसे ग्राफ, चार्ट और मानचित्र। विज़ुअल्स डेटा वैज्ञानिकों को जटिल डेटा की हजारों पंक्तियों और स्तंभों का सार बताकर उसे समझने योग्य और सुलभ प्रारूप में रखने में सक्षम बनाते हैं। वर्णनात्मक आँकड़ों या तालिकाओं की तुलना में, विज़ुअल्स डेटा का विश्लेषण करने का अधिक प्रभावी तरीका प्रदान करते हैं—पैटर्न, वितरण, सहसंबंध पहचानने और जटिल डेटासेट में आउट्लायर खोजने सहित।
सूझबूझ भरे प्लॉट्स और चार्ट्स के ज़रिए डेटा को जीवंत बनाकर, डेटा विज़ुअलाइज़ेशन निर्णय लेने की प्रक्रिया में अहम भूमिका निभाता है। चाहे वह डेटा विश्लेषक हों जो गैर-तकनीकी हितधारकों के लिए अपने निष्कर्षों को सरल बना रहे हों, मार्केटिंग उद्देश्यों के लिए डेटा वैज्ञानिकों द्वारा A/B परीक्षण करना हो, या मशीन लर्निंग इंजीनियरों द्वारा ChatGPT जैसे जटिल बड़े भाषा मॉडलों में संभावित पक्षपात समझाना हो—डेटा विज़ुअलाइज़ेशन डेटा अंतर्दृष्टि से निर्णय लेने तक पहुँचने की कुंजी है।
डेटा विज़ुअलाइज़ेशन के उपयोग के बावजूद, कई बारीक और विस्तृत डेटा विश्लेषण अंततः दराज़ में ही रह जाते हैं, केवल इसलिए कि वे अपने दर्शकों—निर्णयकर्ताओं, हितधारकों, या टीम के अन्य सदस्यों—को प्रभावित नहीं कर पाए।
तंत्रिका-विज्ञान जैसी विधाओं में प्रगति के कारण, आज हम जानते हैं कि किसी डेटा विज़ुअलाइज़ेशन को किस तरह प्रस्तुत किया जाता है, यह लोगों की उसकी धारणा को काफी प्रभावित कर सकता है। जब आप कोई ग्राफ डिजाइन करते हैं—जैसे रंग, लेआउट और आकार—तो आपकी पसंद बड़ा फर्क डाल सकती है। डेटा विज़ुअलाइज़ेशन के पीछे के सिद्धांत में रुचि है? हमारा Understanding Data Visualization कोर्स शुरुआत के लिए बेहतरीन है।
हालाँकि डेटा विज़ुअलाइज़ेशन डेटा अंतर्दृष्टियों को संप्रेषित करने में महत्वपूर्ण भूमिका निभाता है, सफल संचार की विधि और भी जटिल है। यही विचार डेटा स्टोरीटेलिंग के पीछे है—एक नवीन दृष्टिकोण जो विज़ुअल्स, नैरेटिव, और डेटा का उपयोग करके अंतर्दृष्टियों को क्रिया में बदलने की वकालत करता है। डेटा स्टोरीटेलिंग के बारे में और जानने के लिए हमारा DataFramed पॉडकास्ट देखें, जहाँ हम Blast Analytics में Insights & Data Storytelling के सीनियर डायरेक्टर और Effective Data Storytelling के लेखक Brent Dykes से बात करते हैं।
डेटा विज़ुअलाइज़ेशन विश्लेषण के प्रकार
डेटा विज़ुअलाइज़ेशन का उपयोग किसी डेटासेट में विभिन्न चरों के व्यवहार का दृष्टिगत रूप से विश्लेषण करने के लिए किया जाता है, जैसे किसी चर में डेटा बिंदुओं के बीच संबंध या वितरण। एक साथ आप कितने चरों का अध्ययन करना चाहते हैं, इसके आधार पर डेटा विज़ुअलाइज़ेशन विश्लेषण के तीन प्रकार अलग किए जा सकते हैं।
मुख्य डेटा विज़ुअलाइज़ेशन तकनीकें
अब सबसे लोकप्रिय डेटा विज़ुअलाइज़ेशन तकनीकों पर नज़र डालते हैं!
लाइन प्लॉट्स
सबसे अधिक उपयोग होने वाले विज़ुअलाइज़ेशनों में से एक, लाइन प्लॉट समय के साथ किसी चर के बदलाव को ट्रैक करने में उत्कृष्ट हैं। आमतौर पर इन्हें x-अक्ष पर समय चर और y-अक्ष पर वह चर रखकर बनाया जाता है जिसे आप विश्लेषित करना चाहते हैं। उदाहरण के लिए, नीचे दिया गया लाइन प्लॉट 2022 के दौरान DJIA स्टॉक प्राइस के बदलाव को दर्शाता है।
स्रोत: DataCamp
प्रभावशाली लाइन प्लॉट्स बनाना सीखने के लिए हमारा Line Plots in MatplotLib with Python Tutorial देखें।
बार प्लॉट्स
बार चार्ट कई श्रेणियों के मान के अनुसार डेटा को रैंक करता है। यह आयतों से बना होता है, जिनकी लंबाई प्रत्येक श्रेणी के मान के अनुपात में होती है। बार चार्ट इसलिए व्यापक हैं क्योंकि वे पढ़ने में आसान होते हैं। व्यवसाय अक्सर विभिन्न ब्रांडों के मार्केट शेयर या अलग-अलग क्षेत्रों के राजस्व जैसी तुलनाएँ करने के लिए बार चार्ट का उपयोग करते हैं। अलग-अलग उद्देश्यों के अनुरूप बार चार्ट के कई प्रकार होते हैं।
बार चार्ट के कई प्रकार होते हैं, जो अलग-अलग उद्देश्य के लिए उपयुक्त हैं—जैसे वर्टिकल बार प्लॉट्स, होरिज़ॉन्टल बार प्लॉट्स और क्लस्टर्ड बार प्लॉट्स।
वर्टिकल, होरिज़ॉन्टल और क्लस्टर्ड बार प्लॉट्स।
हमारा Introduction to Data Science in Python कोर्स बार प्लॉट्स सहित कई डेटा विज़ुअलाइज़ेशन तकनीकों को कवर करता है।
हिस्टोग्राम
हिस्टोग्राम डेटा के वितरण का विश्लेषण करने के लिए सबसे लोकप्रिय विज़ुअलाइज़ेशनों में से एक हैं। वे संख्यात्मक चर के वितरण को बार्स के माध्यम से दिखाते हैं।
हिस्टोग्राम बनाने के लिए, संख्यात्मक डेटा को पहले कई रेंज या बिन्स में विभाजित किया जाता है, और प्रत्येक रेंज की आवृत्ति गिनी जाती है। क्षैतिज अक्ष रेंज दिखाता है, जबकि ऊर्ध्वाधर अक्ष किसी रेंज की आवृत्ति या प्रतिशत दर्शाता है।
हिस्टोग्राम तुरंत दिखा देते हैं कि किसी चर का वितरण किस ओर झुका हुआ है या उसकी चोटी कहाँ है। यहाँ हमारे Data Demystified Series on Data Visualizations that Capture Distributions से उदाहरण दिए गए हैं।
बॉक्स और व्हिस्कर प्लॉट्स
किसी चर के वितरण का सार बताने के लिए एक और शानदार प्लॉट बॉक्सप्लॉट है। बॉक्सप्लॉट निम्न तत्वों को पहचानने का सहज और प्रभावी तरीका प्रदान करते हैं:
बॉक्स प्लॉट की संरचना। स्रोत: Galarnyk
उदाहरण के लिए, निम्नलिखित seaborn-आधारित बॉक्सप्लॉट लोकप्रिय iris डेटासेट के आधार पर, iris पौधों की तीन किस्मों में sepal length का वितरण दिखाता है। हमारा Python Seaborn Tutorial For Beginners Python के लोकप्रिय विज़ुअलाइज़ेशन पैकेज Seaborn से बॉक्सप्लॉट और अन्य ग्राफ कैसे बनाएँ, यह सीखने के लिए उत्तम संसाधन है।
स्कैटर प्लॉट्स
स्कैटर प्लॉट्स का उपयोग दो सतत चरों के बीच संबंध को दर्शाने के लिए किया जाता है। प्लॉट पर प्रत्येक बिंदु एक एकल डेटा बिंदु का प्रतिनिधित्व करता है, और x तथा y-अक्ष पर उसकी स्थिति उन दो चरों के मान दर्शाती है। डेटा अन्वेषण में इन्हें अक्सर डेटा समझने और संभावित सहसंबंधों को शीघ्रता से सतह पर लाने के लिए उपयोग किया जाता है।
निम्न उदाहरण में फिर से iris डेटासेट लेकर sepal width और sepal length के बीच संबंध को प्लॉट किया गया है।
स्कैटर प्लॉट्स के और उदाहरणों के लिए हमारा Data Demystified Series on Data Visualizations that Capture Relationships पढ़ें। आप हमारे Matplotlib के साथ प्लॉटिंग ट्यूटोरियल में स्कैटर प्लॉट्स सहित विभिन्न प्लॉट बनाना भी सीख सकते हैं।
बबल प्लॉट
स्कैटर प्लॉट्स में नए चरों का प्रतिनिधित्व करने वाले नए तत्व जोड़कर आसानी से विस्तार किया जा सकता है। उदाहरण के लिए, यदि हम iris की विभिन्न किस्मों में sepal width और sepal length के बीच संबंध को प्लॉट करना चाहें, तो हम बिंदुओं में रंग जोड़ सकते हैं, इस प्रकार:
हम बिंदुओं का आकार भी किसी अन्य चर के अनुसार बदल सकते हैं। यही तथाकथित बबल प्लॉट्स की विशेषता है। उदाहरण के लिए, यह शानदार ग्राफ किसी देश की जीवन प्रत्याशा और GDP के बीच संबंध दिखाता है, जहाँ रंग देश के क्षेत्र का और आकार देश की जनसंख्या का प्रतिनिधित्व करता है।
स्रोत: Gapminder
हम अपने Intermediate Interactive Data Visualization with plotly in R कोर्स में बबल प्लॉट्स और उन्हें कैसे बनाया जाए, कवर करते हैं।
ट्रीमैप्स
ट्रीमैप्स डेटा में भाग-से-सम्पूर्ण संबंध दिखाने के लिए उपयुक्त हैं। वे पदानुक्रमित डेटा को आयतों के सेट के रूप में प्रदर्शित करते हैं। प्रत्येक आयत किसी दिए गए चर के भीतर एक श्रेणी होती है, जबकि आयत का क्षेत्र उस श्रेणी के आकार के अनुपात में होता है। समान विज़ुअलाइज़ेशनों, जैसे पाई चार्ट, की तुलना में, ट्रीमैप्स अधिक सहज और वांछनीय माने जाते हैं।
नीचे एक उदाहरण दिया गया है।
हमारे Sentiment Analysis in R कोर्स में, आप दस्तावेज़ समूहों में भावना को विज़ुअलाइज़ करने के लिए ट्रीमैप्स का उपयोग करना सीखेंगे।
हीटमैप्स
हीटमैप दो चरों के बीच संबंध को ग्राफिक रूप में संक्षेपित करने के लिए प्रयुक्त एक सामान्य और आकर्षक मैट्रिक्स प्लॉट है। दो चरों के बीच सहसंबंध की मात्रा एक रंग कोड द्वारा दर्शाई जाती है।
उदाहरण के लिए, हमारे Intermediate Data Visualization with Seaborn Course से लिया गया यह हीटमैप 1999-2012 की अवधि के दौरान The Daily Show के अतिथियों के पेशों का विश्लेषण करता है। अपेक्षित रूप से, अभिनय और मीडिया उद्योगों से आने वाले अतिथि सबसे अधिक रहे हैं।
यह हीटमैप कैसे बनायें जानने के लिए हमारा Power BI का उपयोग करके हीटमैप बनाने पर आधारित ट्यूटोरियल देखें।
वर्ड क्लाउड्स
वर्ड क्लाउड्स किसी टेक्स्ट या डेटा सेट में प्रचलित शब्दों को विज़ुअलाइज़ करने के लिए उपयोगी हैं। वे बार प्लॉट्स के समान होते हैं, लेकिन अक्सर अधिक आकर्षक दिखते हैं। हालाँकि, कभी-कभी वर्ड क्लाउड्स की व्याख्या करना कठिन हो सकता है। वर्ड क्लाउड्स निम्न स्थितियों में उपयोगी हैं:
अपना खुद का वर्ड क्लाउड बनाने के लिए हमारा Generating WordClouds in Python Tutorial देखें।
स्रोत: Datacamp
भौगोलिक मानचित्र
हर दिन उत्पन्न होने वाले डेटा का एक बड़ा हिस्सा स्वभावतः स्थान-आधारित होता है। स्थानिक डेटा—जिसे कभी-कभी भू-स्थानिक डेटा या भौगोलिक सूचना भी कहा जाता है—वह डेटा है जिसमें प्रत्येक रिकॉर्ड एक विशिष्ट स्थान से संबद्ध होता है।
हर स्थानिक डेटा बिंदु को किसी न किसी समन्वय संदर्भ प्रणाली का उपयोग करके मानचित्र पर स्थित किया जा सकता है। उदाहरण के लिए, नीचे दी गई छवि, हमारे GeoPandas Tutorial से ली गई है, जो बार्सिलोना के विभिन्न जिलों को दिखाती है।
भौगोलिक विश्लेषण डेटा विज्ञान के भीतर तेजी से विकसित होता क्षेत्र है। इस विधा के केंद्र में मानचित्र होते हैं। हमारा Working with Geospatial Data in Python कोर्स देखें और आज ही मानचित्र बनाना शुरू करें!
नेटवर्क डायग्राम
ज्यादातर डेटा तालिकाओं में संग्रहीत होता है। हालाँकि, यह एकमात्र प्रारूप नहीं है। तथाकथित ग्राफ़ उन डेटा का विश्लेषण करने के लिए अधिक उपयुक्त हैं जो नेटवर्क्स में व्यवस्थित होते हैं—ऑनलाइन सोशल नेटवर्क्स, जैसे Facebook और Twitter, से लेकर परिवहन नेटवर्क्स, जैसे मेट्रो लाइनों तक। नेटवर्क एनालिटिक्स डेटा विज्ञान का वह उपक्षेत्र है जो नेटवर्क्स का अध्ययन करने के लिए ग्राफ़ों का उपयोग करता है।
नेटवर्क ग्राफ़ दो मुख्य घटकों से मिलकर बनते हैं: नोड्स और एजेज़, जिन्हें रिलेशनशिप्स भी कहा जाता है। यह एक सरल नेटवर्क ग्राफ़ का उदाहरण है।
कमाल है न? नेटवर्क ग्राफ़्स की संभावनाएँ अनंत हैं। इस क्षेत्र में सहज परिचय के लिए, हम अपना Introduction to Network Analysis in Python कोर्स अत्यधिक सुझाते हैं।