Veri görselleştirme, veri analizi ve veri biliminde hızla temel bir beceri haline geliyor; finans, eğitim ve sağlık gibi birçok sektörde iyi düzeyde veri görselleştirme yetkinliklerine ihtiyaç var. Bu şaşırtıcı değil: Analistler, giderek artan hacimdeki karmaşık ve çeşitli verilerle uğraşırken, veri görselleştirme bunları anlamlandırmak ve içgörüleri etkili biçimde iletmek için bir dizi teknik sunar.
Tarihsel olarak veri biliminde ikincil bir konu olarak görülse de bugün veri görselleştirme; psikoloji ve sinirbilim gibi farklı disiplinlerden gelen birçok ilginç teknik, araç, teori ve katkıyla zenginleşiyor. Veri görselleştirme sihirbazı olmakla ilgileniyorsanız, DataCamp yanınızda. Önde gelen uzmanların verdiği ve çeşitli popüler teknolojileri kapsayan 30'dan fazla veri görselleştirme kursuna erişmek için veri görselleştirme kurs kataloğumuza göz atın.
Bu makale, veri görselleştirmenin mevcut durumuna genel bir bakış sunuyor. En popüler veri görselleştirme analizlerine, tekniklerine ve araçlarına odaklanacağız. Okumaya devam edin!
İyi Veri Görselleştirmenin Gücü
Veri görselleştirme; grafikler, çizelgeler ve haritalar gibi verilerin görsel temsillerinin kullanılmasını içerir. Görseller, veri bilimcilerin binlerce satır ve sütundan oluşan karmaşık verileri özetleyip anlaşılır ve erişilebilir bir biçimde sunmasını sağlar. Betimsel istatistikler veya tablolara kıyasla görseller; kalıpları, dağılımları, korelasyonları belirlemek ve karmaşık veri kümelerindeki aykırı değerleri tespit etmek de dahil olmak üzere verileri analiz etmenin daha etkili bir yolunu sunar.
Verileri içgörülü grafikler ve çizelgelerle canlandırarak, veri görselleştirme karar alma süreçlerinde hayati bir rol oynar. İster veri analistlerinin bulgularını teknik olmayan paydaşlara aktarması, ister veri bilimcilerin pazarlama amaçlı A/B testleri yürütmesi, ister makine öğrenimi mühendislerinin ChatGPT gibi karmaşık büyük dil modellerindeki olası önyargıları açıklaması olsun, veri görselleştirme veri içgörülerinden karar almaya geçişin anahtarıdır.
Veri görselleştirme kullanılsa da birçok kapsamlı ve ayrıntılı veri analizi, karar vericiler, paydaşlar veya ekip üyeleri fark etmeksizin, izleyiciyi cezbedemediği için çekmecede kalabiliyor.
Sinirbilim gibi disiplinlerdeki ilerlemeler sayesinde bugün, bir veri görselleştirmenin sunuluş biçiminin insanların algısını ciddi biçimde etkileyebileceğini biliyoruz. Bir grafik tasarlarken yaptığınız seçimler –örneğin renkler, yerleşim ve boyut– büyük fark yaratabilir. Veri görselleştirmenin arkasındaki teoriyle ilgileniyor musunuz? Veri Görselleştirmeyi Anlamak kursumuz başlamak için harika bir yer.
Veri görselleştirme, veri içgörülerini iletmede önemli bir rol oynasa da başarılı iletişimin tarifi daha karmaşıktır. Bu, görselleri, anlatıyı ve veriyi kullanarak veri içgörülerini eyleme dönüştürmeyi savunan yenilikçi bir yaklaşım olan veri öykülemesinin arkasındaki fikirdir. Veri öykülemesi hakkında daha fazla bilgi için, Blast Analytics'te İçgörüler ve Veri Anlatımı Kıdemli Direktörü ve Effective Data Storytelling kitabının yazarı Brent Dykes ile görüştüğümüz DataFramed podcastimizi dinleyin.
Veri Görselleştirme Analizi Türleri
Veri görselleştirme, bir değişkendeki veri noktaları arasındaki ilişki veya dağılım gibi, bir veri kümesindeki farklı değişkenlerin davranışını görsel olarak analiz etmek için kullanılır. Aynı anda incelemek istediğiniz değişken sayısına bağlı olarak üç tür veri görselleştirme analizini ayırt edebilirsiniz.
- Tek değişkenli analiz: Aynı anda yalnızca bir değişkenin davranışını özetlemek için kullanılır.
- İki değişkenli analiz: İki değişken arasındaki ilişkiyi incelemeye yardımcı olur.
- Çok değişkenli analiz: Veri uzmanlarının aynı anda ikiden fazla değişkeni analiz etmesini sağlar.
Temel Veri Görselleştirme Teknikleri
Şimdi en popüler veri görselleştirme tekniklerine bakalım!
Çizgi grafikleri
En çok kullanılan görselleştirmelerden biri olan çizgi grafikleri, bir değişkenin zaman içindeki evrimini izlemekte mükemmeldir. Genellikle x eksenine zaman değişkeni, y eksenine de analiz etmek istediğiniz değişken konularak oluşturulurlar. Örneğin, aşağıdaki çizgi grafiği 2022 boyunca DJIA hisse senedi fiyatının seyrini gösteriyor.
Kaynak. DataCamp
Etkileyici çizgi grafikleri oluşturmayı öğrenmek için Python ile MatplotLib'te Çizgi Grafikleri Öğreticimize göz atın.
Çubuk grafikler
Bir çubuk grafik, verileri birden çok kategorinin değerine göre sıralar. Her bir kategorinin değerine orantılı uzunlukta dikdörtgenlerden oluşur. Okunması kolay olduğu için çubuk grafikler yaygındır. İşletmeler, farklı markaların pazar paylarını veya farklı bölgelerin gelirlerini karşılaştırmak gibi karşılaştırmalar yapmak için çubuk grafikleri sıklıkla kullanır. Farklı amaçlara uygun birden fazla çubuk grafik türü vardır.
Dikey çubuk grafikler, yatay çubuk grafikler ve kümelenmiş çubuk grafikler de dahil olmak üzere, her biri farklı bir amaca uygun birden çok çubuk grafik türü vardır.
Dikey, yatay ve kümelenmiş çubuk grafikler.
Python ile Veri Bilimine Giriş kursumuz, çubuk grafikler de dahil olmak üzere çeşitli veri görselleştirme tekniklerini kapsar.
Histogramlar
Histogramlar, verilerin dağılımını analiz etmek için en popüler görselleştirmelerden biridir. Sayısal bir değişkenin dağılımını çubuklarla gösterirler.
Bir histogram oluşturmak için sayısal veriler önce birkaç aralık veya kutuya (bin) bölünür ve her aralığın görülme sıklığı sayılır. Yatay eksen aralığı, dikey eksen ise bir aralığın görülme sıklığını veya yüzdesini temsil eder.
Histogramlar, bir değişkenin dağılımının nasıl çarpık olduğunu veya nerede tepe yaptığını anında gösterir. Dağılımları Yakalayan Veri Görselleştirmeleri başlıklı Data Demystified Serimizden örnekler aşağıdadır.
Kutu ve bıyık grafikleri
Bir değişkenin dağılımını özetlemek için bir başka harika grafik kutu grafiktir. Kutu grafikler, aşağıdaki öğeleri sezgisel ve etkileyici biçimde görmeyi sağlar:
- Medyan. Bir veri kümesinin orta değeri; verilerin %50'si medyandan küçüktür ve %50'si medyandan büyüktür.
- Üst çeyrek. Bir veri kümesinin 75. yüzdelik dilimi; verilerin %75'i üst çeyrekten küçüktür ve %25'i üst çeyrekten büyüktür.
- Alt çeyrek. Bir veri kümesinin 25. yüzdelik dilimi; verilerin %25'i alt çeyrekten küçüktür ve %75'i alt çeyrekten büyüktür.
- Çeyrekler arası aralık. Üst çeyrek eksi alt çeyrek.
- Üst bitişik değer. Yaygın adıyla “maksimum”. Üst çeyrek artı çeyrekler arası aralığın 1,5 katını temsil eder.
- Alt bitişik değer. Yaygın adıyla “minimum”. Alt çeyrek eksi çeyrekler arası aralığın 1,5 katını temsil eder.
- Aykırı değerler. “Maksimum”un üzerindeki veya “minimum”un altındaki herhangi bir değer.
Bir kutu grafiğinin anatomisi. Kaynak: Galarnyk
Örneğin, aşağıdaki seaborn tabanlı kutu grafik, popüler iris veri setinden yararlanarak üç süseni türünde çanak yaprak uzunluğunun dağılımını gösterir. Python'un popüler görselleştirme paketi Seaborn'u kullanarak kutu grafikler ve diğer grafikleri nasıl oluşturacağınızı keşfetmek için Yeni Başlayanlar için Python Seaborn Öğreticimiz mükemmel bir kaynaktır.
Saçılım grafikleri
Saçılım grafikleri, iki sürekli değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Grafikteki her nokta tek bir veri noktasını temsil eder ve noktanın x ve y eksenlerindeki konumu iki değişkenin değerlerini gösterir. Veriyi anlamak ve olası korelasyonları hızla ortaya çıkarmak için veri keşfinde sıkça kullanılır.
Aşağıdaki örnekte, iris veri seti yine kullanılarak çanak yaprak genişliği ile çanak yaprak uzunluğu arasındaki ilişki çizilmiştir.
Saçılım grafikleriyle ilgili daha fazla örnek için İlişkileri Yakalayan Veri Görselleştirmeleri başlıklı Data Demystified Serimizi okuyun. Ayrıca, saçılım grafikleri de dahil olmak üzere çeşitli grafikleri Matplotlib ile çizim öğreticimizde öğrenebilirsiniz.
Kabarcık grafiği
Saçılım grafikleri, yeni değişkenleri temsil eden unsurlar eklenerek kolayca zenginleştirilebilir. Örneğin, farklı iris türlerinde çanak yaprak genişliği ile çanak yaprak uzunluğu arasındaki ilişkiyi çizmek istersek, aşağıdaki gibi noktalara renk ekleyebiliriz:
Noktaların boyutunu da başka bir değişkene göre değiştirebiliriz. Bu, kabarcık grafiği olarak adlandırılan grafikleri karakterize eder. Örneğin, bu etkileyici grafik bir ülkenin yaşam beklentisi ile GSYİH'sı arasındaki ilişkiyi gösterirken, renkle ülkenin bölgesini, boyutla ülkenin nüfusunu temsil eder.
Kaynak. Gapminder
Kabarcık grafiklerini ve nasıl oluşturulacağını plotly in R ile Orta Düzey Etkileşimli Veri Görselleştirme kursumuzda ele alıyoruz.
Ağaç haritaları
Ağaç haritaları, verilerde parçadan bütüne ilişkileri göstermek için uygundur. Hiyerarşik verileri bir dizi dikdörtgen olarak görüntülerler. Her dikdörtgen, belirli bir değişken içindeki bir kategoridir; dikdörtgenin alanı ise o kategorinin büyüklüğüyle orantılıdır. Pasta grafikleri gibi benzer görselleştirmelere kıyasla ağaç haritaları daha sezgisel ve tercih edilir kabul edilir.
Aşağıda bir örnek bulabilirsiniz.
R ile Duygu Analizi kursumuzda, belge gruplarındaki duyguları görselleştirmek için ağaç haritalarını nasıl kullanacağınızı öğreneceksiniz.
Isı haritaları
Isı haritası, iki değişken arasındaki ilişkiyi görsel olarak özetlemek için kullanılabilen yaygın ve güzel bir matris grafiğidir. İki değişken arasındaki ilişkinin derecesi bir renk koduyla temsil edilir.
Örneğin, Seaborn ile Orta Düzey Veri Görselleştirme Kursumuzdan alınan bu ısı haritası, 1999-2012 döneminde The Daily Show konuklarının mesleklerini analiz ediyor. Beklendiği gibi, oyunculuk ve medya sektörlerinden konuklar en sık katılımcılar.
Isı haritası nasıl oluşturulur hakkında daha fazla bilgi edinmek için, Power BI kullanarak nasıl yapılacağını inceleyen öğreticimize göz atabilirsiniz.
Kelime bulutları
Kelime bulutları, bir metin ya da veri kümesindeki yaygın kelimeleri görselleştirmek için faydalıdır. Çubuk grafiklere benzerler ancak çoğu zaman daha görsel çekiciliğe sahiptirler. Ancak, zaman zaman yorumlanmaları daha zor olabilir. Kelime bulutları şu senaryolarda kullanışlıdır:
- Geniş bir metin kitlesindeki en önemli temaları veya konuları hızla belirlemek.
- Bir yazının genel duyarlılığını veya tonunu anlamak.
- Metinsel bilgi içeren verilerdeki kalıpları veya eğilimleri keşfetmek.
- Temel fikirleri veya kavramları görsel olarak ilgi çekici bir şekilde iletmek.
Kendi kelime bulutunuzu nasıl oluşturacağınızı keşfetmek için Python'da WordCloud Oluşturma Öğreticimize göz atın.
Kaynak. Datacamp
Coğrafi (jeo-uzamsal) haritalar
Her gün üretilen verilerin hatırı sayılır bir bölümü doğası gereği mekânsaldır. Mekânsal veriler –bazen jeo-uzamsal veri veya coğrafi bilgi olarak da anılır– her kaydın belirli bir konumla ilişkilendirildiği verilerdir.
Her mekânsal veri noktası, belirli bir koordinat referans sistemi kullanılarak bir harita üzerinde bulunabilir. Örneğin, GeoPandas Öğreticimizden alınan aşağıdaki görsel Barselona'nın farklı ilçelerini gösteriyor.
Jeo-uzamsal analiz, veri bilimi içinde hızla gelişen bir alandır. Haritalar bu disiplinin kalbinde yer alır. Bugün harita çizmeye başlamak için Python'da Jeo-Uzamsal Verilerle Çalışma Kursumuza göz atın!
Ağ diyagramları
Verilerin çoğu tablolarda saklanır. Ancak bu tek mevcut biçim değildir. Facebook ve Twitter gibi çevrimiçi sosyal ağlardan metro hatları gibi ulaşım ağlarına kadar, ağlar halinde organize edilmiş verileri analiz etmek için grafikler daha uygundur. Ağ analitiği, ağları incelemek için grafiklerden yararlanan veri biliminin bir alt alanıdır.
Ağ grafikleri iki ana bileşenden oluşur: düğümler ve ilişkiler olarak da bilinen kenarlar. Bu, basit bir ağ grafiğine örnektir.
Havalı, değil mi? Ağ grafiklerinin olanakları sınırsızdır. Bu alana yumuşak bir giriş yapmak için Python ile Ağa Giriş Analizi kursumuzu şiddetle öneririz.
