10 idee di progetti di Data Visualization per tutti i livelli

Progetti di Data Visualization per principianti

I progetti per chi inizia puntano a costruire competenze di base e a prendere confidenza con le visualizzazioni. 

Concentrati sull'apprendere strumenti come Excel e le basi di Matplotlib con grafici semplici come scatter plot, line chart e bar chart. Partire da visualizzazioni facili da capire, che supportino ciò che sai sui dati, è un ottimo modo per costruire fondamenta solide nella data visualization.

In questa fase, valuta di seguire un corso per principianti come Understanding Data Visualization e di lavorare su alcuni progetti.

Progetto 1: Rappresentare i costi dei voli per giorno della settimana

Questa idea di progetto prevede la creazione di uno o più scatter plot con Excel per visualizzare i prezzi dei biglietti aerei nei diversi giorni della settimana. Puoi lavorare con un dataset contenente i costi dei voli per i giorni della settimana, magari creando più grafici per diverse tratte o compagnie aeree. Traccia i prezzi utilizzando la funzione di scatter plot di Excel, con i giorni della settimana sull'asse x e i costi dei biglietti sull'asse y. 

Questo progetto è un ottimo punto di partenza per principianti. Introduce i concetti chiave della data visualization utilizzando il diffusissimo Excel. Permette ai neofiti di lavorare con dati reali, sia pertinenti che potenzialmente utili nella vita quotidiana. 

Il progetto offre un'esperienza pratica nel trasformare dati numerici grezzi in un formato visivo che può rivelare pattern nei prezzi dei voli, come i giorni che tendono a essere più economici o più costosi per viaggiare.

Le competenze e gli strumenti appresi o consolidati completando questo progetto sono:

• Uso di Excel per visualizzare i dati
• Inserimento e organizzazione dei dati
• Comprensione dei diversi tipi di grafico e dei loro usi appropriati
• Esplorazione dei dati e riconoscimento di pattern

       Esplorazione dei dati sui prezzi delle compagnie aeree da TripAdvisor. Fonte immagine: NYCDataScience

Progetto 2: Crea arte di fillotassi con R

Se desideri una guida, il progetto “Creating Floral Patterns Inspired by Phyllotaxis” esplora l'intersezione tra matematica, natura e arte attraverso la data visualization in R. Utilizzando il concetto di fillotassi — la disposizione delle foglie sui fusti — creerai spirali visivamente spettacolari che imitano i pattern naturali di fiori e piante. La fillotassi è un esempio emblematico di come principi matematici come la sequenza di Fibonacci e l'angolo aureo possano descrivere la bellezza naturale. 

Al termine del progetto avrai realizzato una tua opera floreale, utilizzando tecniche di visualizzazione dei dati per mostrare l'eleganza di questi pattern naturali. Questo progetto è perfetto per chi vuole unire creatività e data science, approfondendo al contempo la comprensione dei modelli matematici in natura.

Le competenze di data visualization acquisite in questo progetto sono:

• Creare visualizzazioni in R con strumenti come ggplot2
• Comprendere e implementare la matematica alla base dei pattern naturali
• Migliorare le abilità di coding in R generando e manipolando dati per rappresentare forme armoniose
• Imparare come applicare trasformazioni come rotazioni e scaling per creare design complessi

Progetto 3: Visualizzare la storia dei vincitori del Premio Nobel

Il progetto “Visualizing the History of Nobel Prize Winners” esplora i dati storici relativi a uno dei premi più prestigiosi al mondo. Comporta l'analisi e la visualizzazione dei dati sui laureati del Nobel in diverse categorie, anni e demografie.

Questo progetto è un'ottima scelta per i principianti perché combina manipolazione dei dati con compiti di visualizzazione significativi, utilizzando un dataset interessante e gestibile. 

Il progetto ti permette di esercitarti con varie tecniche di visualizzazione lavorando su dati reali di rilevanza culturale e storica. Introduce inoltre l'importante concetto di usare la data visualization per scoprire e comunicare potenziali bias, insegnando pensiero critico insieme alle competenze tecniche.

Il progetto è disponibile sia in Python sia in R.

Le principali competenze di data visualization acquisite in questo progetto sono:

• Creazione di visualizzazioni di serie storiche per mostrare tendenze su decenni
• Progettazione di bar chart e pie chart per dati categoriali (ad esempio categorie dei premi)
• Sviluppo di heat map o mappe coropletiche per l'analisi geografica
• Uso efficace del colore per rappresentare categorie diverse o evidenziare disparità

Progetti di Data Visualization intermedi

Dopo aver padroneggiato le basi, è il momento di elevare le tue competenze di data visualization con progetti più impegnativi. Questa sezione introduce idee di livello intermedio per ampliare la tua cassetta degli attrezzi e approfondire le capacità analitiche.

Progetto 4: Confrontare le statistiche dei giocatori di baseball

Il progetto “Compare Baseball Player Statistics” offre un'opportunità coinvolgente per applicare e ampliare le competenze di data visualization in Python usando dati sportivi reali. 

Utilizzando i dati Statcast della Major League Baseball, analizzerai e confronterai i fuoricampo di due giocatori. Questo progetto ti permette di lavorare con dati multidimensionali, combinando informazioni spaziali (posizioni e traiettorie dei colpi) con dati numerici (velocità di uscita, angolo di lancio). Bisogna scegliere tipi di visualizzazione appropriati per rappresentare efficacemente questi dati complessi, tra cui scatter plot, heat map e, possibilmente, visualizzazioni 3D.

Lavorare con dati sportivi aggiunge inoltre un elemento narrativo, incoraggiandoti a usare le visualizzazioni per raccontare similitudini e differenze tra i pattern dei fuoricampo dei giocatori.

Le principali competenze di data visualization apprese e praticate completando questo progetto includono:

• Pulizia e preparazione di dataset sportivi complessi
• Creare narrazioni basate sui dati attraverso lo storytelling visivo
• Lavorare con dati spaziali e visualizzazioni geografiche
• Comprendere diversi tipi di grafici, come heat map e scatter plot, e i loro usi appropriati.

Progetto 5: Analizzare ritardi e cancellazioni di voli

Il progetto “Analyzing Flight Delays and Cancellations” offre un'interessante opportunità per esplorare dati aeronautici reali dal Pacific Northwest. Analizza un dataset completo di informazioni sui voli per individuare pattern e fattori che contribuiscono a ritardi e cancellazioni. 

Userai tecniche di data wrangling in Python per ripulire e preparare i dati. Poi, con Matplotlib, applicherai vari metodi di visualizzazione per rivelare insight su compagnie aeree, aeroporti, condizioni meteo e altre variabili che influenzano le interruzioni dei voli.

Questo progetto si basa sulle conoscenze di data visualization di base introducendo analisi di dati più complesse e multidimensionali. Richiede di lavorare contemporaneamente con serie storiche, informazioni geografiche e più variabili interrelate. 

Se segui questo progetto guidato, creerai visualizzazioni avanzate che comunicano efficacemente le relazioni tra vari fattori e le interruzioni dei voli, includendo potenzialmente elementi interattivi per un'esplorazione più approfondita. Il progetto introduce anche la sfida di gestire e visualizzare grandi dataset, incoraggiandoti a usare efficacemente tecniche di aggregazione e sintesi dei dati.

Le principali competenze di data visualization che questo progetto svilupperà sono:

• Creare visualizzazioni di serie temporali per mostrare i pattern di ritardi e cancellazioni nel tempo
• Sviluppare dashboard interattive per esplorare molteplici aspetti dei dati sui voli
• Integrare analisi statistiche con le visualizzazioni (ad esempio, heatmap di correlazione)

Progetto 6: Visualizzare frequenza cardiaca e malattie cardiache

Il progetto "What is Your Heart Rate Telling You?" utilizza il dataset Cleveland Heart Disease per esplorare il tema cruciale delle malattie cardiache. In questo progetto userai R per analizzare la relazione tra frequenza cardiaca massima durante l'esercizio e rischio di malattie cardiache, tenendo conto degli effetti delle variabili confondenti. Applicando la regressione logistica multipla, scoprirai insight preziosi su questa complessa condizione di salute.

Si richiede di creare visualizzazioni che non solo mostrino i dati grezzi, ma illustrino anche relazioni statistiche e risultati dei modelli. Dovrai progettare visualizzazioni che comunichino in modo efficace concetti statistici complessi a un pubblico generale, trasformando l'analisi dei dati in storytelling visivo.

Il progetto introduce anche la sfida di visualizzare gli effetti delle variabili confondenti, spingendo a sviluppare visualizzazioni più avanzate e multivariabili. Queste visualizzazioni metteranno in evidenza le relazioni sfumate tra le diverse variabili e il rischio di malattie cardiache.

Prerequisiti: conoscenza del Tidyverse e comprensione del test di ipotesi in R.

Competenze chiave di data visualization sviluppate:

• Visualizzare relazioni tra variabili per mostrare trend e pattern.
• Illustrare le relazioni tra più variabili contemporaneamente, fornendo una panoramica chiara di come interagiscono.
• Mostrare i risultati del modello per comunicare intensità e direzione delle relazioni della regressione logistica.

Progetto 7: Aspettativa di vita globale con ggplot2

Esplora gpplot2 con il progetto “Exploring global life expectancy trends”. Comprendere ggplot2 è parte integrante dell'essere data scientist, poiché racchiude molti concetti fondamentali condivisi con altri strumenti di visualizzazione, come Matplotlib. 

I dati sull'aspettativa di vita globale coprono un'ampia gamma di demografie, paesi e periodi. Una ricchezza di informazioni è pronta per essere visualizzata in vari scatter plot e diagrammi suggestivi.

Usa questo progetto come opportunità per consolidare la tua comprensione di ggplot2. Concentrati sulla meccanica di creazione dei grafici, come l'area del grafico, le faccette e la griglia. Crea grafici belli e incisivi regolando manualmente i grafici per raccontare una storia più completa. 

Data la natura tecnica approfondita di questo progetto, dovresti comprendere le basi di ggplot2 ed avere un po' di esperienza nella pulizia dei dati con R.

Questo progetto si concentra sulle seguenti competenze chiave:

• Personalizzazioni avanzate di ggplot2
• Creazione di grafica riutilizzabile per altri progetti
• Comprendere la meccanica di come si costruiscono i grafici, come faccette e griglie
• Raccontare una storia aggiungendo più layer a grafici semplici

Progetti di Data Visualization avanzati

Il passaggio dall'intermedio all'avanzato combina abilità tecniche crescenti con strumenti più raffinati e uno storytelling migliore. Questi progetti avanzati si concentrano sull'applicare concetti simili a quelli precedenti a nuove tecnologie come GeoPandas, unite a interattività e narrazione più sofisticate. 

Con più competenze, hai più libertà di creare visualizzazioni che si adattino al meglio alla tua storia. Per questo motivo, queste idee saranno meno prescrittive e offriranno opzioni più ampie.

Progetto 8: Diagramma di Sankey in PowerBI per tracciare il flusso delle sottoscrizioni

Il diagramma di Sankey è uno strumento potente per mostrare il flusso di una popolazione. Questo tipo di grafico è particolarmente complesso da realizzare con metodi di coding tradizionali, quindi utilizzare uno strumento come PowerBI semplifica notevolmente il lavoro. Sebbene sia necessario un notevole data wrangling per costruire il modello dati corretto, il programma genera facilmente il grafico di Sankey.

Questo esempio mostra come i contatti iniziali possano diventare abbonati senza passare da un periodo di prova. Qui l'attenzione è sullo sviluppo delle nostre competenze DAX in PowerBI. Richiede l'unpivoting dei dati, la creazione di modelli dati dinamici e la formattazione dei dati per generare il grafico desiderato.

Esempio di grafico Sankey. Fonte immagine sqlbi

Le competenze su cui concentrarsi qui sono:

• Data wrangling
• Funzioni DAX di PowerBI
• Data modeling in PowerBI
• Generazione di grafici Sankey 

Progetto 9: Dashboard Spotify in Tableau

Una dashboard Spotify in Tableau è un ottimo modo per sviluppare competenze avanzate in Tableau grazie alla ricchezza dei dati musicali di Spotify. Questo progetto si basa sulle conoscenze acquisite nel progetto intermedio, in cui abbiamo classificato la musica. 

Un progetto di questo tipo si concentra sulla creazione di una storia coinvolgente utilizzando i metadati musicali di Spotify. È una buona occasione per esercitarsi a raccogliere dati tramite le API di Spotify, organizzarli e creare una dashboard divertente. Dovrebbe includere selettori per filtrare per genere, artista, anno e timbro. Aggiungi una pagina nella “storia” di Tableau focalizzata su una canzone specifica e genera un radar chart. Metti in pratica molte diverse competenze Tableau per creare una dashboard completa in grado di interessare gli appassionati di musica.

Le competenze principali esercitate sono le seguenti:

• Meccaniche avanzate di Tableau, come radar chart e azioni
• Creazione di “storie” in Tableau
• Raccolta dati tramite API
• Storytelling con i dati

Progetto 10: Visualizzare l'utilizzo del servizio con GeoPandas

Una tecnica avanzata di visualizzazione è l'uso di dati spaziali. Molti dati sono intrinsecamente spaziali, dai CAP dei clienti ai tracciati GPS. Imparare un pacchetto specializzato come GeoPandas in Python può darti un set di competenze unico. 

Prova un progetto con GeoPandas per creare mappe, visualizzazioni e analisi spaziali. Ad esempio, utilizzare un dataset come i dati CitiBike può offrire un'ottima opportunità per capire come creare mappe, i diversi tipi di proiezioni cartografiche esistenti e come osservare i dati da una prospettiva diversa.

Poiché si tratta di una competenza più specializzata, concentrati prima su analizzare i dati geospaziali in Python per capire come sono generalmente strutturati i dati geospaziali. 

Inizia creando mappe semplici e tracciando le posizioni delle stazioni utilizzando la proiezione geografica appropriata. Poi aggiungi a quelle mappe dati come informazioni sull'uso e ore di punta. Come per gli altri grafici, parti dalle basi e costruisci aggiungendo più layer. Puoi anche creare heat map che mostrino gli hotspot di utilizzo.

Le competenze affinate con questo progetto sono:

• Competenze di analisi geospaziale
• Conoscenza di GeoPandas in Python
• Creare mappe e comprendere come vengono generate in Python

Tabella riepilogativa dei progetti di Data Visualization

Ecco un breve riepilogo di ciascun progetto e delle competenze sviluppate.

Conclusione

Costruire un portfolio di data visualization è importante per sviluppare le tue competenze tecniche e di storytelling. I datori di lavoro cercano professionisti dei dati con il potenziale per generare analisi complesse e comunicarle efficacemente agli stakeholder! 

Mantieni vive queste competenze provando i progetti sopra menzionati e ripassa con le varie risorse DataCamp:

• Understanding Data Visualization
• Data Visualization with Python
• Data Visualization PowerBI
• Introduction to Matplotlib
• Excel Data Visualization
• Dashboards in Tableau