डेटा विज़ुअलाइज़ेशन क्या है? टूल्स, तकनीकों और सर्वोत्तम प्रथाओं की संपूर्ण मार्गदर्शिका

कल्पना कीजिए कि आप डेटा की अंतहीन पंक्तियों को स्क्रॉल कर रहे हैं और उनमें छिपी अंतर्दृष्टियाँ पकड़ में नहीं आ रहीं। आज कई व्यवसायों की यही हकीकत है, जहां रोज़ाना अनुमानित 402.74 मिलियन टेराबाइट डेटा जनरेट होता है। तो हम इस सबका मतलब कैसे निकालें? इसका उत्तर है डेटा विज़ुअलाइज़ेशन।

संगठन और व्यक्ति समस्याओं के कारणों का निर्धारण करने और कारगर कदमों की पहचान करने के लिए डेटा का उपयोग करते हैं। हालांकि, लगातार बढ़ती डेटा मात्रा के साथ, सब समझ पाना और कठिन होता जाता है। हमारी सहज प्रवृत्ति पैटर्न ढूंढ़ने और संरचना बनाने की होती है। हम इसी तरह जानकारी संग्रहीत करते और नई अंतर्दृष्टियाँ सीखते हैं। जब आने वाला डेटा दृश्य रूप से आकर्षक ढंग से प्रस्तुत नहीं किया जाता, तो इन पैटर्नों को देखना और संरचना खोजना कठिन—कभी-कभी असंभव—हो सकता है।

इस लेख में, हम देखेंगे कि डेटा विज़ुअलाइज़ेशन ऊपर बताए गए समस्या का समाधान कैसे कर सकता है। हम यह भी चर्चा करेंगे कि डेटा विज़ुअलाइज़ेशन क्या है, यह क्यों महत्वपूर्ण है, अपने कौशल विकसित करने के सुझाव, सामान्य ग्राफ, और अपने डेटा को विज़ुअलाइज़ करने के टूल्स। 

डेटा विज़ुअलाइज़ेशन क्या है?

डेटा विज़ुअलाइज़ेशन डेटा का ग्राफिकल रूप में निरूपण करने की प्रक्रिया है। यह डेटा को दृश्य संदर्भ में अनुवाद करने का कार्य है, जिसे चार्ट्स, प्लॉट्स, एनीमेशन, इन्फोग्राफिक्स आदि से किया जा सकता है। इसके पीछे विचार यह है कि हमें डेटा में रुझान, अपवाद, और पैटर्न पहचानना आसान हो। हम इस अवधारणा को अपने Understanding Data Visualization कोर्स में और विस्तार से खोजते हैं।

डेटा प्रोफेशनल नियमित रूप से डेटा विज़ुअलाइज़ेशंस का उपयोग करते हैं ताकि डेटा से प्रमुख अंतर्दृष्टियाँ संक्षेपित कर सकें और वह जानकारी संबंधित हितधारकों तक पहुँचा सकें।

उदाहरण के लिए, कोई डेटा प्रोफेशनल प्रबंधन कर्मियों के लिए विज़ुअलाइज़ेशन बनाए, जो फिर संगठनात्मक संरचना का आकलन करने के लिए उनका उपयोग करें। एक और उदाहरण तब है जब डेटा वैज्ञानिक अपने डेटा की अंतर्निहित संरचना उजागर करने के लिए विज़ुअलाइज़ेशन का उपयोग करते हैं, ताकि वे अपने डेटा को बेहतर समझ सकें।  

ऊपर बताए डेटा विज़ुअलाइज़ेशन के उद्देश्य को देखते हुए, दो महत्वपूर्ण निष्कर्ष निकलते हैं: 

1) डेटा को सुलभ बनाने का तरीका: किसी भी चीज़ को सुलभ बनाने का सबसे अच्छा तरीका है चीज़ों को सरल रखना। यहां ‘सरल’ शब्द को संदर्भ में रखना होगा: जो किसी दस-वर्षीय के लिए सीधा-सादा है, वह किसी पीएच.डी. धारक के लिए वैसा नहीं हो सकता। इस प्रकार, डेटा विज़ुअलाइज़ेशन एक तकनीक है जिससे डेटा उस व्यक्ति के लिए सुलभ बनता है जिसके लिए वह मायने रखता है। 

2) संचार का तरीका: यह निष्कर्ष पहले का विस्तार है। प्रभावी संचार के लिए आवश्यक है कि कमरे में मौजूद सभी लोग एक ही भाषा बोल रहे हों। चाहे आप स्वतंत्र रूप से कार्य कर रहे हों या टीम के साथ, विज़ुअलाइज़ेशन ऐसे रोचक इनसाइट्स देने चाहिए जो उन्हें देखने वालों के लिए प्रासंगिक हों। एक CEO कार्य-उन्मुख इनसाइट्स देखना पसंद कर सकता/सकती है, और एक मशीन लर्निंग टीम अपने मॉडलों के प्रदर्शन संबंधी इनसाइट्स देखना पसंद कर सकती है। 

संक्षेप में, डेटा विज़ुअलाइज़ेशन एक तकनीक है जो डेटा में पैटर्न या रुझान पहचानना आसान बनाती है। 

हमारी डेटा विज़ुअलाइज़ेशन चीट शीट डेटा विज़ुअलाइज़ेशन की अवधारणाओं का दृश्य निरूपण देती है

डेटा वैज्ञानिकों के लिए डेटा विज़ुअलाइज़ेशन इतना महत्वपूर्ण क्यों है?

डेटा साइंस एक बहु-विषयक क्षेत्र है जो शोरयुक्त, संरचित और असंरचित डेटा से ज्ञान और अंतर्दृष्टि निकालने के लिए वैज्ञानिक विधियों, प्रक्रियाओं, एल्गोरिदम और प्रणालियों का उपयोग करता है (गहन व्याख्या के लिए हमारा ‘डेटा साइंस क्या है’ गाइड देखें)। हालांकि, डेटा वैज्ञानिकों की चुनौती यह है कि कच्चे डेटा से सीधे बिंदुओं को जोड़ना हर बार संभव नहीं होता; यहीं पर डेटा विज़ुअलाइज़ेशन अत्यंत मूल्यवान साबित होता है। आइए देखें कि डेटा विज़ुअलाइज़ेशन डेटा वैज्ञानिकों के लिए इतना शक्तिशाली उपकरण क्यों है। 

खोजयोग्यता और सीखना

डेटा वैज्ञानिकों को अपने उपयोग किए जाने वाले डेटा की अच्छी समझ होना आवश्यक है। डेटा विज़ुअलाइज़ेशन डेटा के सबसे सूचनाप्रद पहलुओं को सामने लाना संभव बनाता है, जिससे उनके लिए (और दूसरों के लिए) यह तेजी से और आसानी से समझना संभव होता है कि डेटा में क्या हो रहा है। उदाहरण के लिए, तालिका स्वरूप में दिए गए डेटासेट में रुझान पहचानना, उसे दृश्य रूप में देखने की तुलना में कहीं अधिक जटिल है। इस पर हम आगे लेख में और विस्तार से बात करेंगे। 

स्टोरीटेलिंग 

सूचना साझा करने के लिए सदियों से कहानियों का उपयोग होता आया है। कहानियाँ इसलिए प्रभावी होती हैं क्योंकि वे दर्शकों के साथ भावनात्मक जुड़ाव बनाती हैं। यह जुड़ाव दर्शकों को दूसरों के अनुभवों की गहरी समझ देता है, जिससे जानकारी अधिक यादगार हो जाती है। डेटा स्टोरीटेलिंग विज़ुअलाइज़ेशन का एक रूप है: यह डेटा वैज्ञानिकों को अपने डेटा का अर्थ निकालने और उसे आसानी से समझ में आने वाले प्रारूप में दूसरों के साथ साझा करने में मदद करता है। 

दक्षता 

इनसाइट्स निस्संदेह डाटाबेस से भी निकाले जा सकते हैं (कुछ मामलों में), लेकिन इसमें अत्यधिक एकाग्रता की जरूरत होती है और यह एक बड़ा व्यावसायिक खर्च भी है। ऐसे मामलों में डेटा विज़ुअलाइज़ेशन का उपयोग कहीं अधिक कुशल है। उदाहरण के लिए, यदि लक्ष्य 2024 में घाटा उठाने वाली सभी कंपनियों की पहचान करना है, तो उन सभी कंपनियों को लाल रंग से हाइलाइट करना जिनका लाभ शून्य से कम है, और हरे रंग से हाइलाइट करना जिनका लाभ शून्य से अधिक है, आसान होगा। जो कंपनियाँ बराबरी पर रहीं, वे न्यूट्रल रहेंगी। यह तकनीक प्रत्येक कंपनी को मैन्युअल रूप से चिह्नित करने के लिए डाटाबेस पार्स करने से कहीं अधिक कुशल है। 

सौंदर्यशास्त्र 

कच्चा डेटा सूचनाप्रद हो सकता है, लेकिन यह शायद ही कभी दृश्य रूप से आकर्षक या दिलचस्प होता है। डेटा विज़ुअलाइज़ेशन एक तकनीक है जो सूचनाप्रद, फिर भी नीरस डेटा को सुंदर, सारगर्भित ज्ञान में बदल देती है। डेटा को अधिक दृश्य रूप से आकर्षक बनाना हमारी मूल रूप से दृश्य संवेदनशील प्रकृति के अनुरूप है। दूसरे शब्दों में, जब जानकारी हमारी दृश्य इंद्रियों को उत्तेजित करती है तो हम उसे बहुत तेज़ी से संसाधित करते हैं।  

डेटा विज़ुअलाइज़ेशन कैसे सीखें

डेटा विज़ुअलाइज़ेशन किसी भी डेटा से काम करने वाले व्यक्ति—बिज़नेस एनालिस्ट से लेकर डेटा वैज्ञानिक तक—के लिए एक महत्वपूर्ण कौशल है। इसे साधने से आप इनसाइट्स को प्रभावी ढंग से संप्रेषित कर पाते हैं, जिससे आपके डेटा-आधारित निर्णय और स्पष्ट और प्रभावशाली बनते हैं। यदि आप सोच रहे हैं कि शुरुआत कहाँ से करें, तो हम आपकी डेटा विज़ुअलाइज़ेशन यात्रा के हर चरण में मार्गदर्शन करने के लिए विभिन्न संसाधन प्रदान करते हैं—चाहे आप शुरुआती हों या उन्नत कौशल निखारना चाहते हों।

यहाँ से आप शुरुआत कर सकते हैं:

1. बुनियाद से शुरू करें

यदि आप डेटा विज़ुअलाइज़ेशन में बिल्कुल नए हैं, तो उन्नत टूल्स और तकनीकों में उतरने से पहले बुनियादी सिद्धांत समझना आवश्यक है। DataCamp आपको इन बुनियादों से गुजारने के लिए संरचित लर्निंग पाथ्स प्रदान करता है।

• सिफारिशित संसाधन: Understanding Data Visualization. यह कोर्स आपको डेटा विज़ुअलाइज़ेशन की मुख्य अवधारणाओं से परिचित कराता है, सिखाता है कि सरल लेकिन प्रभावी विज़ुअलाइज़ेशंस कैसे डिज़ाइन और व्याख्यायित करें। इसमें आवश्यक चार्ट प्रकार, विज़ुअलाइज़ेशन की सर्वोत्तम प्रथाएँ, और डेटा के बारे में समालोचनात्मक ढंग से सोचने के तरीके शामिल हैं।
• कवर किए गए विषय:
  • मूल चार्ट प्रकार (बार चार्ट, पाई चार्ट, लाइन ग्राफ)
  • डेटा विज़ुअलाइज़ेशन में आम गलतियाँ
  • अपने डेटा के लिए सही चार्ट प्रकार कैसे चुनें

2. कोड-फ्री टूल्स से डेटा विज़ुअलाइज़ करना सीखें

जो लोग अभी प्रोग्रामिंग से परिचित नहीं हैं, उनके लिए हमारे पास ऐसे टूल्स पर कोर्स हैं जो बिना कोड लिखे विज़ुअलाइज़ेशन बनाने देते हैं। ये टूल्स बिज़नेस यूज़र्स, मैनेजर्स, और किसी के लिए भी उपयुक्त हैं जो जल्दी से सारगर्भित विज़ुअलाइज़ेशंस बनाना चाहते हैं।

• सिफारिशित संसाधन: Power BI Fundamentals। Power BI एक शक्तिशाली, कोड-फ्री टूल है जो इंटरैक्टिव डैशबोर्ड और रिपोर्ट्स बनाता है। यह स्किल ट्रैक आपको इसके सहज इंटरफ़ेस का उपयोग कर आकर्षक विज़ुअलाइज़ेशंस बनाना सिखाएगा जो डेटा इनसाइट्स को प्रभावी ढंग से संप्रेषित करें।
• सिफारिशित संसाधन: Tableau Fundamentals. Tableau एक और लोकप्रिय टूल है जो इंटरैक्टिव, दृश्य रूप से आकर्षक डैशबोर्ड बनाता है। ड्रैग-एंड-ड्रॉप फ़ंक्शनैलिटी के साथ आप आसानी से डेटा एक्सप्लोर कर सकते हैं और अंतर्दृष्टिपूर्ण विज़ुअलाइज़ेशंस बना सकते हैं।
• कवर किए गए विषय:
  • इंटरैक्टिव डैशबोर्ड बनाना
  • विज़ुअलाइज़ेशन के लिए डेटा की सफ़ाई और तैयारी
  • विज़ुअल स्टोरीटेलिंग की सर्वोत्तम प्रथाएँ

3. उन्नत विज़ुअलाइज़ेशंस के लिए कोडिंग कौशल विकसित करें

यदि आप कोडिंग के साथ हाथ गंदे करने के लिए तैयार हैं, तो Python या R का उपयोग कर विज़ुअलाइज़ेशंस बनाना सीखना आपकी कस्टमाइज़ेशन और ऑटोमेशन क्षमताओं को काफी बढ़ा सकता है।

• सिफारिशित संसाधन: Data Visualization with Python। Python में शक्तिशाली लाइब्रेरीज़ (जैसे Matplotlib, Seaborn, और Plotly) हैं जिनसे साधारण लाइन ग्राफ से लेकर जटिल इंटरैक्टिव विज़ुअलाइज़ेशंस तक बनाए जा सकते हैं। यह ट्रैक Python-आधारित विज़ुअलाइज़ेशन टूल्स में आपकी मजबूत नींव बनाएगा।
• सिफारिशित संसाधन: Data Visualization with R। R सांख्यिकीय कंप्यूटिंग और डेटा विज़ुअलाइज़ेशन के लिए व्यापक रूप से उपयोग होता है। विशेषकर ggplot2 पैकेज सुंदर और सूचनाप्रद प्लॉट्स बनाने का इंडस्ट्री स्टैंडर्ड है। इस ट्रैक में आप उच्च-गुणवत्ता वाले विज़ुअलाइज़ेशंस बनाना और R की डेटा मैनिपुलेशन क्षमताओं की ताकत समझना सीखेंगे।
• कवर किए गए विषय:
  • Matplotlib, Seaborn और ggplot2 से कस्टम विज़ुअलाइज़ेशन बनाना
  • हिस्टोग्राम, हीटमैप, और स्कैटर प्लॉट जैसे उन्नत चार्ट समझना
  • Plotly और Shiny के साथ इंटरैक्टिव विज़ुअलाइज़ेशन बनाना

4. प्रोजेक्ट्स के माध्यम से अभ्यास करें

बुनियाद सीख लेने के बाद, अभ्यास डेटा विज़ुअलाइज़ेशन में निपुणता पाने की कुंजी है। DataCamp के हैंड्स-ऑन प्रोजेक्ट्स आपको वास्तविक-world डेटासेट्स पर अपने कौशल लागू करने देते हैं, जिससे व्यावहारिक अनुभव मिलता है।

• सिफारिशित संसाधन: Data Visualization Projects। ये गाइडेड प्रोजेक्ट्स आपको वास्तविक डेटासेट्स पर काम करने देते हैं ताकि आप जो सीखा है उसका अभ्यास कर सकें। आप शून्य से विज़ुअलाइज़ेशन बनाएंगे, डेटा एक्सप्लोरेशन की प्रक्रिया और प्रभावी दृश्य संचार के डिज़ाइन—दोनों में अनुभव पाएंगे।
• उदाहरण प्रोजेक्ट्स:
  • Exploring the Evolution of LEGO – Python की Matplotlib और Seaborn का उपयोग कर LEGO सेट उत्पादन में रुझानों की खोज करने वाले विज़ुअलाइज़ेशन बनाना सीखें।
  • Understanding the Gender Gap in College Degrees – विभिन्न कॉलेज मेजर्स में जेंडर असमानता के रुझानों को विज़ुअलाइज़ करने के लिए Python में लाइन चार्ट्स और एरिया प्लॉट्स बनाएं।

5. सीखते रहें और अपडेटेड रहें

डेटा विज़ुअलाइज़ेशन एक विकसित होता क्षेत्र है, जहाँ नए टूल्स और तकनीकें नियमित रूप से सामने आती हैं। DataCamp अपने कोर्सेस को नियमित रूप से अपडेट करता है और नए कोर्स लाता है ताकि आप नवीनतम रुझानों से अवगत रहें।

• सिफारिशित संसाधन: Data Visualization Cheat Sheet। सामान्य रूप से उपयोग होने वाले चार्ट्स, डिज़ाइन की सर्वोत्तम प्रथाएँ, और अपने डेटा व दर्शकों के आधार पर सही विज़ुअलाइज़ेशन चुनने के सुझावों के लिए इसे रेफरेंस के रूप में हाथ में रखें।
• नए टूल्स खोजें: जैसे-जैसे आप आगे बढ़ें, Plotly Dash या D3.js (एक JavaScript लाइब्रेरी) जैसे अत्याधुनिक टूल्स के बारे में सीखकर आगे रहें।

डेटा विज़ुअलाइज़ेशन टूल्स

डेटा प्रोफेशनल, जैसे डेटा साइंटिस्ट्स और डेटा एनालिस्ट्स, आमतौर पर डेटा विज़ुअलाइज़ेशन टूल्स का उपयोग करते हैं, क्योंकि इससे वे अधिक कुशलता से काम कर पाते हैं और अपनी खोजों को अधिक प्रभावी ढंग से संप्रेषित कर पाते हैं।

टूल्स को दो श्रेणियों में बाँटा जा सकता है: 1) कोड-फ्री और 2) कोड-आधारित। आइए प्रत्येक श्रेणी में कुछ लोकप्रिय टूल्स पर नज़र डालते हैं। 

कोड-फ्री टूल्स

आपके संगठन में हर कोई तकनीकी रूप से दक्ष नहीं होगा। फिर भी, प्रोग्राम करने की क्षमता न होना आपको डेटा से इनसाइट्स निकालने से नहीं रोकना चाहिए। आप प्रोग्रामिंग नहीं जानते हों, फिर भी डेटा साक्षर हो सकते हैं—अर्थात ऐसे व्यक्ति जो बेहतर डेटा-आधारित निर्णय लेने के लिए डेटा को पढ़, लिख, संप्रेषित और तर्क कर सके। 

इस प्रकार, कोड-फ्री टूल्स उन लोगों के लिए एक सुलभ समाधान हैं जिनके पास प्रोग्रामिंग का ज्ञान नहीं है (हालाँकि प्रोग्रामिंग कौशल वाले लोग भी इन्हें चुन सकते हैं)। औपचारिक रूप से: कोड-फ्री टूल्स ग्राफ़िकल यूज़र इंटरफ़ेस होते हैं जो मूल स्क्रिप्ट्स चलाकर डेटा को प्रोसेस और संवर्धित करने की क्षमता के साथ आते हैं।

कुछ उदाहरण कोड-फ्री टूल्स में शामिल हैं: 

Power BI

Power BI डेटा विज़ुअलाइज़ेशन और बिज़नेस इंटेलिजेंस के लिए माइक्रोसॉफ्ट का अत्यंत लोकप्रिय समाधान है। यह दुनिया के सबसे लोकप्रिय बिज़नेस इंटेलिजेंस टूल्स में से एक है, जिसका उपयोग रिपोर्टिंग, सेल्फ-सर्विस एनालिटिक्स और प्रेडिक्टिव एनालिटिक्स के लिए होता है। यह प्लेटफ़ॉर्म सर्विस आपके संगठन के डेटा को तेज़ी से साफ़ करने, विश्लेषण करने और इनसाइट्स खोजना शुरू करने में आसानी देती है। 

यदि आप Power BI सीखने में रुचि रखते हैं, तो Datacamp के Power BI Fundamentals स्किल ट्रैक से शुरुआत करने पर विचार करें।  

Tableau

Tableau भी दुनिया के सबसे लोकप्रिय बिज़नेस इंटेलिजेंस टूल्स में से एक है। इसकी सरल ड्रैग-एंड-ड्रॉप फ़ंक्शनैलिटी इसे किसी के लिए भी सुलभ बनाती है ताकि वे इंटरैक्टिव डेटा विज़ुअलाइज़ेशंस का उपयोग कर अपने संगठन के डेटा में इनसाइट्स खोजना शुरू कर सकें। 

DataCamp का Tableau Fundamentals स्किल ट्रैक Tableau के साथ शुरुआत करने का एक बेहतरीन तरीका है। 

ChatGPT

ChatGPT बहुत तेज़ी से लोगों की मदद करने वाला टूल बन गया है ताकि वे अपना डेटा विज़ुअलाइज़ कर सकें। जैसा कि हम अपने GPT-4o पर लेख में खोजते हैं, कुछ प्रॉम्प्ट्स के साथ, आप इस टूल का उपयोग अपने डेटा में रुझानों को विज़ुअलाइज़ करने के लिए कर सकते हैं। जेनेरेटिव AI हमारे डेटा के बारे में सोचने का तरीका बदल रहा है, और आगे बहुत कुछ आने वाला है! इस शक्तिशाली टूल का उपयोग कैसे करें, यह सीखने के लिए हमारा ChatGPT Fundamentals स्किल ट्रैक देखें। 

कोड के साथ विज़ुअलाइज़ेशन 

यदि आप अधिक टेक-सेवी हैं, तो आप अपनी डेटा को विज़ुअलाइज़ करने के लिए प्रोग्रामिंग भाषा का उपयोग करना पसंद कर सकते हैं। डेटा उत्पादन में वृद्धि ने Python और R की लोकप्रियता बढ़ाई है, उनके विभिन्न पैकेजों के कारण जो डेटा प्रोसेसिंग को सपोर्ट करते हैं। 

आइए इनमें से कुछ पैकेज देखें। 

Python पैकेज 

Python एक उच्च-स्तरीय, इंटरप्रेटेड, जनरल-पर्पज़ प्रोग्रामिंग भाषा है। यह डेटा विज़ुअलाइज़ेशन के लिए कई उत्कृष्ट ग्राफिंग पैकेज प्रदान करती है, जैसे:

• Matplotlib 
• Seaborn 
• Plotly
• Bokeh

Data Visualization with Python स्किल्स ट्रैक, Python की सबसे लोकप्रिय और मज़बूत डेटा विज़ुअलाइज़ेशन लाइब्रेरीज़ का उपयोग कर आपके डेटा साइंस कौशलों को सुपरचार्ज करने के लिए कोर्सेज़ का एक शानदार अनुक्रम है।

R पैकेज 

R सांख्यिकीय कंप्यूटिंग और ग्राफ़िक्स के लिए एक प्रोग्रामिंग भाषा है। यह डेटा विश्लेषण के लिए बेहतरीन टूल है, क्योंकि इसकी विभिन्न पैकेजों से आप लगभग किसी भी प्रकार का ग्राफ बना सकते हैं। लोकप्रिय R डेटा विज़ुअलाइज़ेशन पैकेजों में शामिल हैं: 

• ggplot2
• Lattice
• highcharter
• Leaflet
• RColorBrewer
• Plotly

Data Visualization with R और Interactive Data Visualization in R स्किल ट्रैक्स देखें ताकि आप R प्रोग्रामिंग भाषा के साथ अपने विज़ुअलाइज़ेशन कौशल को स्तर-ऊपर कर सकें। 

डेटा विज़ुअलाइज़ेशन में उपयोग होने वाले सामान्य ग्राफ

हमने स्थापित किया है कि डेटा विज़ुअलाइज़ेशन डेटा प्रस्तुत करने और संप्रेषित करने का प्रभावी तरीका है। इस खंड में, हम देखेंगे कि Python और डेटा विज़ुअलाइज़ेशन के लिए Matplotlib पैकेज का उपयोग कर कुछ सामान्य प्रकार के चार्ट्स और ग्राफ कैसे बनाए जा सकते हैं—जो अधिकांश विज़ुअलाइज़ेशन कार्यों के लिए प्रभावी शुरुआती बिंदु हैं। हम प्रत्येक ग्राफ के कुछ उपयोग मामलों को भी साझा करेंगे। 

आप पूरा कोड एक्सेस करने के लिए इस DataLab वर्कबुक को देख सकते हैं। 

फ्रीक्वेंसी टेबल

फ्रीक्वेंसी टेबल किसी घटना या मान के घटित होने की संख्या दर्शाने का एक बेहतरीन तरीका है। हम आमतौर पर इन्हें अपने डेटा के लिए वर्णनात्मक आँकड़े खोजने में उपयोग करते हैं। उदाहरण के लिए, हम यह समझना चाह सकते हैं कि किसी एक फीचर का अंतिम निर्णय पर क्या प्रभाव है। 

आइए एक उदाहरण फ्रीक्वेंसी टेबल बनाते हैं। हम UCI मशीन लर्निंग रिपॉज़िटरी के Car Evaluation Data Set और Pandas का उपयोग अपने फ्रीक्वेंसी टेबल के निर्माण के लिए करेंगे।

import pandas as pd"""source: https://heartbeat.comet.ml/exploratory-data-analysis-eda-for-categorical-data-870b37a79b65"""def frequency_table(data:pd.DataFrame, col:str, column:str):    freq_table = pd.crosstab(index=data[col],                            columns=data[column],                                     margins=True)    rel_table = round(freq_table/freq_table.loc["All"], 2)    return freq_table, rel_tablebuying_freq, buying_rel = frequency_table(car_data, "class", "buying")print("Two-way frequency table")print(buying_freq)print("---" * 15)print("Two-way relative frequency table")print(buying_rel)संचालित द्वारा

बार ग्राफ

बार ग्राफ सबसे सरल, फिर भी प्रभावी विज़ुअलाइज़ेशंस में से एक है। इसे आमतौर पर श्रेणियों के बीच अंतर की तुलना करने के लिए उपयोग किया जाता है। उदाहरण के लिए, हम धोखाधड़ी वाले और गैर-धोखाधड़ी वाले मामलों की संख्या को विज़ुअलाइज़ करने के लिए बार ग्राफ का उपयोग कर सकते हैं। बार ग्राफ का एक और उपयोग मामला किसी फ़िल्म की प्रत्येक स्टार रेटिंग की आवृत्ति को विज़ुअलाइज़ करना हो सकता है।  

यहाँ Python में बार ग्राफ कैसे बनाएँगे: 

"""Starter code from tutorials pointsee: https://bit.ly/3x9Z6HU"""import matplotlib.pyplot as plt# Dataset creation.programming_languages = ['C', 'C++', 'Java', 'Python', 'PHP', "Other", "None"]employees_frequency = [23, 17, 35, 29, 12, 5, 38]# Bar graph creation.fig, ax = plt.subplots(figsize=(10, 5))plt.bar(programming_languages, employees_frequency)plt.title("The number of employees competent in a programming langauge")plt.xlabel("Programming languages")plt.ylabel("Frequency")plt.show()संचालित द्वारा

पाई चार्ट

पाई चार्ट एक और सरल और कुशल विज़ुअलाइज़ेशन टूल है। इनका उपयोग आमतौर पर किसी संपूर्ण के हिस्सों को विज़ुअलाइज़ और तुलना करने के लिए किया जाता है। उदाहरण के लिए, पाई चार्ट का अच्छा उपयोग मामला स्मार्टफ़ोन्स के मार्केट शेयर का प्रतिनिधित्व करना होगा। आइए इसे Python में लागू करें।  

"""Example to demonstrate how a pie chart can be used to represent the marketshare for smartphones.Note: These are not real figures. They were created for demonstration purposes."""import numpy as npfrom matplotlib import pyplot as plt# Dataset creation.smartphones = ["Apple", "Samsung", "Huawei", "Google", "Other"]market_share = [50, 30, 5, 12, 2]# Pie chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.pie(market_share,        labels = smartphones,        autopct='%1.2f%%')plt.title("Smartphone Marketshare for April 2021 - April 2022",          fontsize=14)plt.show()संचालित द्वारा

लाइन ग्राफ और एरिया चार्ट

लाइन ग्राफ समय के साथ डेटा में रुझान या प्रगति को विज़ुअलाइज़ करने के लिए बेहतरीन हैं। उदाहरण के लिए, हम जुलाई महीने में स्नीकर्स की बिक्री की संख्या को लाइन ग्राफ से विज़ुअलाइज़ कर सकते हैं। 

import matplotlib.pyplot as plt# Data creation.sneakers_sold = [10, 12, 8, 7, 7, 10]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Line graph creationfig, ax = plt.subplots(figsize=(10, 6))plt.plot(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()संचालित द्वारा

एरिया चार्ट लाइन ग्राफ का विस्तार है, लेकिन अंतर यह है कि रेखा के नीचे के क्षेत्र को किसी रंग या पैटर्न से भरा जाता है। 

ऊपर दिए गए ठीक वही डेटा को एरिया चार्ट में प्लॉट किया गया है: 

# Area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.fill_between(dates, sneakers_sold)plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.show()संचालित द्वारा

एकाधिक वेरिएबल्स में समय के साथ हुए बदलाव दिखाने के लिए स्टैक्ड एरिया चार्ट देखना भी काफी सामान्य है। उदाहरण के लिए, हम कुल बिक्री के बजाय जुलाई महीने में बिके स्नीकर्स के ब्रांड्स को स्टैक्ड एरिया चार्ट से विज़ुअलाइज़ कर सकते हैं। 

# Data creation.sneakers_sold = [[3, 4, 2, 4, 3, 1], [3, 2, 6, 1, 3, 5], [4, 6, 0, 2, 1, 4]]dates = ["Jul '1", "Jul '7", "Jul '14", "Jul '21", "Jul '28", "Jul '31"]# Multiple area chart creationfig, ax = plt.subplots(figsize=(10, 6))plt.stackplot(dates, sneakers_sold, labels=["Nike", "Adidas", "Puma"])plt.title("Sneakers sold in Jul")plt.ylim(0, 15) # Change the range of y-axis.plt.xlabel("Dates")plt.ylabel("Number of sales")plt.legend()plt.show()संचालित द्वारा

प्रत्येक प्लॉट बिल्कुल वही डेटा अलग-अलग तरीके से दिखा रहा है। 

हिस्टोग्राम

हिस्टोग्राम किसी संख्यात्मक चर के वितरण का प्रतिनिधित्व करने के लिए उपयोग होते हैं। 

import numpy as npimport matplotlib.pyplot as pltdata = np.random.sample(size=100) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))plt.hist(data, bins=6)plt.title("The distribution of data")plt.xlabel("Data")plt.ylabel("Frequency")plt.show()संचालित द्वारा

स्कैटर प्लॉट

स्कैटर प्लॉट दो विभिन्न वेरिएबल्स के बीच संबंध को विज़ुअलाइज़ करने के लिए उपयोग होते हैं। डेटा की समग्र दिशा दिखाने के लिए बेस्ट-फिट लाइन जोड़ना भी आम है। स्कैटर प्लॉट का एक उदाहरण उपयोग मामला यह दर्शाना हो सकता है कि तापमान आइसक्रीम की बिक्री को कैसे प्रभावित करता है। 

import numpy as npimport matplotlib.pyplot as plt# Data creation.temperature = np.array([30, 21, 19, 25, 28, 28]) # Degree's celsiusice_cream_sales = np.array([482, 393, 370, 402, 412, 450])# Calculate the line of best fitX_reshape = temperature.reshape(temperature.shape[0], 1)X_reshape = np.append(X_reshape, np.ones((temperature.shape[0], 1)), axis=1)y_reshaped = ice_cream_sales.reshape(ice_cream_sales.shape[0], 1)theta = np.linalg.inv(X_reshape.T.dot(X_reshape)).dot(X_reshape.T).dot(y_reshaped)best_fit = X_reshape.dot(theta)# Create and plot scatter chartfig, ax = plt.subplots(figsize=(10, 6))plt.scatter(temperature, ice_cream_sales)plt.plot(temperature, best_fit, color="red")plt.title("The impact of weather on ice cream sales")plt.xlabel("Temperature (Celsius)")plt.ylabel("Ice cream sales")plt.show()संचालित द्वारा

हीटमैप

हीटमैप दो मदों के बीच तीव्रता दर्शाने के लिए रंग-कोडिंग योजना का उपयोग करते हैं। हीटमैप का एक उपयोग मामला मौसम पूर्वानुमान दिखाना हो सकता है (जैसे, लाल क्षेत्रों में भारी वर्षा होगी)। आप वेब ट्रैफ़िक और लगभग किसी भी त्रि-आयामी डेटा को दर्शाने के लिए भी हीटमैप का उपयोग कर सकते हैं। 

Python में हीटमैप कैसे बनाया जाए, यह प्रदर्शित करने के लिए हम एक और लाइब्रेरी Seaborn का उपयोग करेंगे—जो Matplotlib पर आधारित उच्च-स्तरीय डेटा विज़ुअलाइज़ेशन लाइब्रेरी है।  

import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltdata = np.random.rand(8, 10) # Graph will change with each runfig, ax = plt.subplots(figsize=(10, 6))sns.heatmap(data)plt.title("Random Uniform Data")plt.show()संचालित द्वारा

ट्रीमैप

ट्रीमैप नेस्टेड आयतों के साथ पदानुक्रमित डेटा का प्रतिनिधित्व करने के लिए उपयोग होते हैं। ये बड़ी संख्या में श्रेणियों के बीच पार्ट-टू-होल संबंधों को विज़ुअलाइज़ करने के लिए बेहतरीन हैं, जैसे बिक्री डेटा में।  

Python में अपना ट्रीमैप बनाने में मदद के लिए, हम Plotly नामक एक और लाइब्रेरी का उपयोग करेंगे, जिसका उपयोग इंटरैक्टिव ग्राफ बनाने के लिए किया जाता है। 

"""Source: https://plotly.com/python/treemaps/"""import plotly.express as pximport numpy as npdf = px.data.gapminder().query("year == 2007")fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',                  color='lifeExp', hover_data=['iso_alpha'],                  color_continuous_scale='RdBu',                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))fig.show()संचालित द्वारा

प्रभावी डेटा विज़ुअलाइज़ेशन के लिए 3 टिप्स

डेटा विज़ुअलाइज़ेशन एक कला है। अपने कौशल विकसित करने में समय और अभ्यास लगेगा। यहाँ तीन टिप्स हैं जो आपको सही दिशा में आगे बढ़ने में मदद करेंगी: 

टिप #1: एक विशिष्ट प्रश्न पूछें 

प्रभावी डेटा विज़ुअलाइज़ेशन बनाने का पहला और सबसे महत्वपूर्ण कदम है आपके मन में स्पष्ट और विशिष्ट प्रश्न होना। इसके बिना, आप ऐसे विज़ुअलाइज़ेशन बना सकते हैं जो फोकस्ड न हों और उनकी व्याख्या करना कठिन हो।

• उदाहरण: यदि आप बिक्री डेटा का विश्लेषण कर रहे हैं, तो “इस वर्ष बिक्री का रुझान कैसा है?” पूछने के बजाय अधिक विशिष्ट बनें: “Q2 की तुलना में Q3 में अमेरिका में प्रोडक्ट X की ऑनलाइन बिक्री कैसे बदली?”

ऐसा सटीक प्रश्न विज़ुअलाइज़ेशन को सीधे उसी का उत्तर देने पर केंद्रित करता है, और अनावश्यक जानकारी से बचाता है जो दर्शक को भ्रमित या अभिभूत कर सकती है।

• खराब उदाहरण: एक भरा हुआ डैशबोर्ड जो पिछले पाँच वर्षों की सभी क्षेत्रों, प्रोडक्ट प्रकारों और सेल्स चैनलों की कुल बिक्री दिखाता है।
• अच्छा उदाहरण: केवल Q2 बनाम Q3 अमेरिका की ऑनलाइन बिक्री पर केंद्रित एक सरल बार चार्ट, किसी विशिष्ट प्रोडक्ट के लिए।

टिप #2: उपयुक्त विज़ुअलाइज़ेशन चुनें

सभी विज़ुअलाइज़ेशन समान नहीं होते। गलत चार्ट प्रकार चुनने से आपका संदेश विकृत हो सकता है और दर्शक भ्रमित हो सकते हैं। हर चार्ट प्रकार की अपनी शक्तियाँ हैं और वह विशिष्ट प्रकार के डेटा के लिए उपयुक्त होता है।

• उदाहरण: यदि आप किसी संपूर्ण के अनुपात दिखाना चाहते हैं, तो पाई चार्ट उपयुक्त हो सकता है। लेकिन यदि आप समय के साथ बदलावों की तुलना कर रहे हैं, तो लाइन चार्ट या बार ग्राफ अधिक उपयुक्त होंगे।

सही चार्ट प्रकार चुनना:

• बार चार्ट: विभिन्न श्रेणियों की तुलना करते समय उपयोग करें।
• लाइन ग्राफ: समय के साथ रुझान दिखाने के लिए सर्वश्रेष्ठ।
• पाई चार्ट: संपूर्ण के अनुपात दिखाने के लिए आदर्श।
• स्कैटर प्लॉट: दो वेरिएबल्स के बीच संबंध पहचानने के लिए उपयोगी।
• खराब उदाहरण: समय के साथ राजस्व में बदलाव दिखाने के लिए पाई चार्ट का उपयोग करना।
• अच्छा उदाहरण: मासिक राजस्व में बदलाव हाइलाइट करने के लिए लाइन ग्राफ का उपयोग करना, जिससे रुझान आसानी से दिखें।

मुख्य बात: स्पष्टता बढ़ाने के लिए चार्ट प्रकार को उस विशिष्ट प्रश्न या डेटा से मिलाएँ जिस पर आप काम कर रहे हैं।

टिप #3: सबसे महत्वपूर्ण जानकारी को हाइलाइट करें

विज़ुअलाइज़ेशन बनाते समय, दर्शकों का ध्यान प्रमुख इनसाइट्स पर ले जाना आवश्यक है। रंग, आकार और डिज़ाइन तत्वों का प्रभावी उपयोग आपको सबसे महत्वपूर्ण बातों पर जोर देने में मदद कर सकता है।

• उदाहरण: मान लीजिए आप कई प्रोडक्ट्स के राजस्व डेटा दिखा रहे हैं। सर्वाधिक बिकने वाले प्रोडक्ट्स के लिए बोल्ड रंगों और अन्य के लिए म्यूटेड टोन का उपयोग करके, आप दर्शकों के लिए सबसे महत्वपूर्ण जानकारी पर फोकस करना आसान बना देते हैं।

महत्वपूर्ण जानकारी को हाइलाइट करने के तरीके:

• कॉन्ट्रास्टिंग रंगों का उपयोग: महत्वपूर्ण डेटा पॉइंट्स को अलग रंगों से हाइलाइट करें।
• आकार में विविधता: प्रमुख डेटा पॉइंट्स को बड़ा या बोल्ड बनाएं।
• एनोटेशन: चार्ट पर ही संक्षिप्त टेक्स्ट स्पष्टीकरण या हाइलाइट जोड़ें ताकि प्रमुख क्षेत्रों पर ध्यान जाए।
• खराब उदाहरण: एक स्कैटर प्लॉट जिसमें हर पॉइंट का रंग और आकार समान है, जिससे पैटर्न या प्रमुख पॉइंट्स पहचानना कठिन है।
• अच्छा उदाहरण: एक स्कैटर प्लॉट जिसमें आउटलायर्स या रुझानों पर जोर देने के लिए बड़े, बोल्ड पॉइंट्स हों, और तीव्रता दर्शाने के लिए रंग ग्रेडिएंट्स हों।

मुख्य बात: रंग, आकार और लेबल जैसी सूक्ष्म डिज़ाइन पसंदें आपके दर्शकों की प्रमुख इनसाइट्स को जल्दी समझने की क्षमता को काफी बढ़ा सकती हैं।

अंतिम विचार

सब कुछ मिलाकर देखें, तो प्रभावी विज़ुअलाइज़ेशन हमारी स्वाभाविक प्रवृत्तियों—पैटर्न पहचानने की—पर आधारित होता है। रंगों, आकृतियों, आकार आदि का उपयोग उस सबसे महत्वपूर्ण जानकारी पर जोर देने की अत्यंत प्रभावी तकनीक है जिसे आप दिखाना चाहते हैं।

डेटा विज़ुअलाइज़ेशन एक कला है; इसे अच्छी तरह करना एक विशिष्ट प्रश्न पूछने, उपयोग के लिए उपयुक्त विज़ुअलाइज़ेशन चुनने, और सबसे महत्वपूर्ण जानकारी को हाइलाइट करने पर निर्भर करता है। यदि आपकी पहली कोशिश सबसे अच्छी न हो तो निराश न हों; कौशल निखारने में समय और अभ्यास लगता है और DataCamp के डेटा विज़ुअलाइज़ेशन कोर्सेस की विस्तृत श्रृंखला आपको एक माहिर डेटा विज़ुअलाइज़र बनने में मदद करने का उत्कृष्ट संसाधन है।