La visualizzazione dei dati sta diventando rapidamente una competenza essenziale nell'analisi dei dati e nella data science, ed è richiesta in molti settori, come finanza, istruzione e sanità. Non c'è da stupirsi: poiché gli analisti si confrontano con volumi sempre maggiori di dati complessi e variegati, la data visualization offre un insieme di tecniche per dare loro senso e comunicare efficacemente le intuizioni.
Storicamente considerata un tema minore nella data science, oggi la visualizzazione dei dati si arricchisce di molte tecniche, strumenti, teorie e contributi interessanti da diverse discipline, come psicologia e neuroscienze. Se ti interessa diventare un mago della data visualization, DataCamp ti copre. Dai un'occhiata al nostro catalogo dei corsi di visualizzazione dei dati per accedere a oltre 30 corsi tenuti da esperti di primo piano e dedicati a varie tecnologie popolari.
Questo articolo offre una panoramica dello stato della data visualization. Ci concentreremo sulle analisi, tecniche e strumenti più popolari. Continua a leggere!
La potenza di una buona data visualization
La visualizzazione dei dati prevede l'uso di rappresentazioni grafiche dei dati, come grafici, diagrammi e mappe. I visual permettono ai data scientist di riassumere migliaia di righe e colonne di dati complessi e di presentarli in un formato comprensibile e accessibile. Rispetto alle statistiche descrittive o alle tabelle, i visual offrono un modo più efficace per analizzare i dati, incluso identificare pattern, distribuzioni, correlazioni e individuare outlier in dataset complessi.
Dando vita ai dati con grafici e diagrammi ricchi di insight, la data visualization è fondamentale nei processi decisionali. Che si tratti di data analyst che spiegano i risultati a stakeholder non tecnici, di data scientist che eseguono A/B test per il marketing o di machine learning engineer che illustrano potenziali bias in complessi large language model come ChatGPT, la visualizzazione dei dati è la chiave per passare dagli insight alle decisioni.
Nonostante l'uso della data visualization, molte analisi dei dati accurate e dettagliate finiscono comunque nel cassetto per il semplice motivo che non sono riuscite a catturare l'attenzione del pubblico, che si tratti di decisori, stakeholder o altri membri del team.
Grazie ai progressi di discipline come le neuroscienze, oggi sappiamo che il modo in cui una visualizzazione è rappresentata può influenzare fortemente come viene percepita. Le scelte che fai quando progetti un grafico – per esempio, colori, layout e dimensioni – possono fare una grande differenza. Ti interessa la teoria alla base della data visualization? Il nostro corso Understanding Data Visualization è un ottimo punto di partenza.
Sebbene la visualizzazione abbia un ruolo importante nella comunicazione degli insight, la ricetta per una comunicazione efficace è più complessa. È l'idea alla base del data storytelling, un approccio innovativo che propone di usare visual, narrazione e dati per trasformare gli insight in azione. Per saperne di più sul data storytelling, ascolta il nostro podcast DataFramed, in cui parliamo con Brent Dykes, Senior Director of Insights & Data Storytelling presso Blast Analytics e autore di Effective Data Storytelling.
Tipi di analisi per la visualizzazione dei dati
La data visualization viene usata per analizzare visivamente il comportamento delle diverse variabili in un dataset, come la relazione tra i punti dati in una variabile o la distribuzione. A seconda del numero di variabili che vuoi studiare contemporaneamente, puoi distinguere tre tipi di analisi di visualizzazione dei dati.
- Analisi univariata: usata per riassumere il comportamento di una sola variabile alla volta.
- Analisi bivariata: aiuta a studiare la relazione tra due variabili.
- Analisi multivariata: consente di analizzare più di due variabili contemporaneamente.
Tecniche chiave di data visualization
Esaminiamo ora le tecniche di visualizzazione dei dati più popolari!
Line plot
Tra le visualizzazioni più usate, i line plot sono eccellenti per tracciare l'evoluzione di una variabile nel tempo. Di norma si mettono il tempo sull'asse x e la variabile da analizzare sull'asse y. Per esempio, il line plot qui sotto mostra l'andamento del prezzo delle azioni DJIA durante il 2022.
Fonte. DataCamp
Per imparare a creare line plot efficaci, dai un'occhiata al nostro tutorial Line Plots in MatplotLib with Python.
Bar plot
Un bar chart classifica i dati in base al valore di più categorie. È composto da rettangoli la cui lunghezza è proporzionale al valore di ciascuna categoria. I grafici a barre sono diffusi perché sono facili da leggere. Le aziende li usano comunemente per fare confronti, come confrontare la quota di mercato di diversi brand o i ricavi di diverse regioni. Esistono più tipi di grafici a barre, ciascuno adatto a uno scopo diverso.
Ci sono diversi tipi di bar chart, ognuno adatto a uno scopo diverso, tra cui bar plot verticali, orizzontali e raggruppati.
Bar plot verticali, orizzontali e raggruppati.
Il nostro corso Introduction to Data Science in Python copre una serie di tecniche di visualizzazione dei dati, tra cui i bar plot.
Istogrammi
Gli istogrammi sono tra le visualizzazioni più popolari per analizzare la distribuzione dei dati. Mostrano la distribuzione di una variabile numerica tramite barre.
Per costruire un istogramma, i dati numerici vengono prima suddivisi in intervalli o bin, e si conta la frequenza di occorrenza di ciascun intervallo. L'asse orizzontale mostra l'intervallo, mentre l'asse verticale rappresenta la frequenza o la percentuale di occorrenze di un intervallo.
Gli istogrammi mostrano subito come è asimmetrica la distribuzione di una variabile o dove presenta picchi. Ecco alcuni esempi dalla nostra serie Data Demystified sulle visualizzazioni che catturano le distribuzioni.
Box plot
Un altro ottimo grafico per riassumere la distribuzione di una variabile è il boxplot. I boxplot offrono un modo intuitivo ed efficace per individuare i seguenti elementi:
- Mediana. Il valore centrale di un dataset, rispetto al quale il 50% dei dati è inferiore e il 50% è superiore.
- Quartile superiore. Il 75° percentile di un dataset, rispetto al quale il 75% dei dati è inferiore e il 25% è superiore.
- Quartile inferiore. Il 25° percentile di un dataset, rispetto al quale il 25% dei dati è inferiore e il 75% è superiore.
- Intervallo interquartile. Il quartile superiore meno il quartile inferiore.
- Valore adiacente superiore. O colloquialmente, il "massimo". Rappresenta il quartile superiore più 1,5 volte l'intervallo interquartile.
- Valore adiacente inferiore. O colloquialmente, il "minimo". Rappresenta il quartile inferiore meno 1,5 volte l'intervallo interquartile.
- Outlier. Qualsiasi valore al di sopra del "massimo" o al di sotto del "minimo".
Anatomia di un box plot. Fonte: Galarnyk
Per esempio, il seguente boxplot basato su seaborn mostra la distribuzione della lunghezza del sepalo in tre varietà di iris, utilizzando il popolare dataset iris. Il nostro Python Seaborn Tutorial For Beginners è una risorsa perfetta per scoprire come creare boxplot e altri grafici usando Seaborn, il popolare pacchetto di visualizzazione di Python.
Scatter plot
Gli scatter plot vengono usati per visualizzare la relazione tra due variabili continue. Ogni punto del grafico rappresenta un singolo dato, e la posizione del punto sugli assi x e y rappresenta i valori delle due variabili. Viene spesso usato nell'esplorazione dei dati per comprendere il dataset ed evidenziare rapidamente potenziali correlazioni.
Nel seguente esempio si utilizza ancora il dataset iris per tracciare la relazione tra larghezza e lunghezza del sepalo.
Per altri esempi di scatter plot, leggi la nostra serie Data Demystified sulle visualizzazioni che catturano le relazioni. Puoi anche imparare a creare vari tipi di grafici, inclusi gli scatter plot, nel nostro tutorial sul plotting con Matplotlib.
Bubble plot
Gli scatter plot possono essere facilmente arricchiti aggiungendo nuovi elementi che rappresentano nuove variabili. Per esempio, se vogliamo tracciare la relazione tra larghezza e lunghezza del sepalo nelle diverse varietà di iris, possiamo semplicemente aggiungere colori ai punti, come segue:
Possiamo anche cambiare la dimensione dei punti in base a un'altra variabile. Questo è ciò che caratterizza i cosiddetti bubble plot. Per esempio, questo grafico straordinario mostra la relazione tra l'aspettativa di vita e il PIL di un paese, aggiungendo il colore per rappresentare la regione del paese e la dimensione per rappresentarne la popolazione.
Fonte. Gapminder
Trattiamo i bubble plot e come crearli nel nostro corso Intermediate Interactive Data Visualization with plotly in R.
Treemap
I treemap sono adatti a mostrare relazioni parte-tutto nei dati. Visualizzano dati gerarchici come un insieme di rettangoli. Ogni rettangolo è una categoria all'interno di una variabile, mentre l'area del rettangolo è proporzionale alla dimensione di quella categoria. Rispetto a visualizzazioni simili, come i grafici a torta, i treemap sono considerati più intuitivi e preferibili.
Di seguito trovi un esempio.
Nel nostro corso Sentiment Analysis in R imparerai a usare i treemap per visualizzare il sentiment in gruppi di documenti.
Heatmap
Una heatmap è una comune e bellissima matrice grafica che può essere usata per riassumere graficamente la relazione tra due variabili. Il grado di correlazione tra due variabili è rappresentato da un codice colore.
Per esempio, questa heatmap tratta dal nostro corso Intermediate Data Visualization with Seaborn analizza la professione degli ospiti del Daily Show nel periodo 1999-2012. Come previsto, gli ospiti provenienti dai settori della recitazione e dei media sono i più frequenti.
Per saperne di più su come creare una heatmap, puoi consultare il nostro tutorial che esplora come realizzarla con Power BI.
Word cloud
Le word cloud sono utili per visualizzare le parole ricorrenti in un testo o in un set di dati. Sono simili ai bar plot ma spesso più gradevoli alla vista. Tuttavia, a volte le word cloud possono essere più difficili da interpretare. Le word cloud sono utili nei seguenti scenari:
- Identificare rapidamente i temi o gli argomenti più importanti in un ampio corpus di testo.
- Comprendere il sentiment complessivo o il tono di un testo.
- Esplorare pattern o trend in dati che contengono informazioni testuali.
- Comunicare le idee o i concetti chiave in modo visivamente coinvolgente.
Dai un'occhiata al nostro tutorial Generating WordClouds in Python per scoprire come creare la tua word cloud.
Fonte. Datacamp
Mappe geospaziali
Una quota considerevole dei dati generati ogni giorno è intrinsecamente spaziale. I dati spaziali – noti anche come dati geospaziali o informazioni geografiche – sono dati per i quali a ciascun record è associata una posizione specifica.
Ogni punto di dato spaziale può essere localizzato su una mappa utilizzando un determinato sistema di riferimento delle coordinate. Per esempio, l'immagine qui sotto, tratta dal nostro tutorial su GeoPandas, mostra i diversi distretti di Barcellona.
L'analisi geospaziale è un campo in rapida evoluzione all'interno della data science. Le mappe sono il cuore di questa disciplina. Dai un'occhiata al nostro corso Working with Geospatial Data in Python per iniziare a disegnare mappe oggi stesso!
Diagrammi di rete
La maggior parte dei dati è archiviata in tabelle. Tuttavia, non è l'unico formato disponibile. I cosiddetti grafi sono più adatti per analizzare dati organizzati in reti, dalle reti sociali online, come Facebook e Twitter, alle reti di trasporto, come le linee della metropolitana. La network analytics è il sottodominio della data science che utilizza i grafi per studiare le reti.
I grafi di rete sono costituiti da due componenti principali: nodi e archi, noti anche come relazioni. Questo è un esempio di semplice grafo di rete.
Forte, vero? Le possibilità dei grafi di rete sono infinite. Per un'introduzione leggera a questo campo, ti consigliamo vivamente il nostro corso Introduction to Network Analysis in Python.
