50% de desconto no DataCamp Premium. Mais de 700 cursos pela metade do preço. Comece a aprender hoje.
Descrição do curso
Este curso vai ajudar você a levar suas habilidades de visualização de dados além do básico e transformá-las em uma parte poderosa do seu kit de ferramentas de ciência de dados. Ao longo das aulas, usaremos dois conjuntos de dados abertos interessantes para cobrir diferentes tipos de dados (proporções, dados pontuais, distribuições simples e múltiplas) e discutir os prós e contras das visualizações mais comuns. Além disso, veremos algumas alternativas menos comuns para esses tipos de dados e como ajustar as configurações padrão do ggplot para transmitir sua mensagem de forma mais eficiente e eficaz.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Proporções de um todo
Neste capítulo, vamos focar em visualizar proporções de um todo; veremos que os gráficos de pizza não são tão ruins assim, e também vamos falar sobre o waffle chart e barras empilhadas para comparar múltiplas proporções.
- Introdução à Grammar of Graphics50 XP
- Conhecendo os dados de doenças100 XP
- Aquecendo a manipulação de dados100 XP
- O gráfico de pizza e seus amigos50 XP
- O infame P-I-E100 XP
- Limpando o gráfico de pizza100 XP
- Que tal um waffle?100 XP
- Quando usar barras50 XP
- Barras empilhadas básicas100 XP
- Ordenando a pilha para legibilidade100 XP
- Eixo x categórico100 XP
2
Dados pontuais
Agora mudamos o foco para dados de observação única, ou dados pontuais, e veremos quando os gráficos de barras são apropriados e quando não são, o que usar quando não forem, e melhorias gerais baseadas em percepção para seus gráficos.
3
Distribuições simples
Agora seguimos para a visualização de dados de distribuição; mostramos a fragilidade dos histogramas, discutimos quando é melhor mudar para gráficos de densidade por kernel e como fazer ambos funcionarem da melhor forma para seus dados.
4
Comparando distribuições
Para finalizar, vamos comparar múltiplas distribuições entre si. Veremos por que os box plots tradicionais são muito arriscados e como melhorá-los facilmente, além de investigar quando você deve usar alternativas mais avançadas, como o beeswarm plot e os violin plots.
R
Boas práticas de visualização em R
Curso
concluído
