Veri Görselleştirme Nedir? Araçlar, Teknikler ve En İyi Uygulamalar için Kapsamlı Rehber

Gizli içgörüleri bulamadan sonsuz veri satırlarında gezindiğinizi hayal edin. Günümüzde birçok işletme için gerçeklik bu—her gün tahmini 402,74 milyon terabayt veri üretiliyor. Peki tüm bunları nasıl anlamlandırırız? Yanıt, veri görselleştirmede yatıyor.

Kuruluşlar ve bireyler, sorunların nedenlerini belirlemek ve uygulanabilir adımları tespit etmek için verilerden yararlanır. Ancak sürekli artan veri miktarıyla birlikte, her şeyi anlamlandırmak giderek zorlaşır. Doğamız gereği desenler arar ve yapı buluruz. Bilgiyi bu şekilde depolar, yeni içgörüler öğreniriz. Gelen veriler görsel olarak anlaşılır bir şekilde sunulmadığında, bu desenleri görmek ve yapı bulmak zor hatta bazen imkansız olabilir.

Bu yazıda, veri görselleştirmenin yukarıdaki sorunu nasıl çözebileceğini inceleyeceğiz. Ayrıca veri görselleştirmenin ne olduğunu, neden önemli olduğunu, becerilerinizi geliştirmeniz için ipuçlarını, yaygın grafik türlerini ve verilerinizi görselleştirmek için araçları tartışacağız. 

Veri Görselleştirme Nedir?

Veri görselleştirme, verilerin grafiksel olarak temsil edilmesi sürecidir. Veriyi görsel bir bağlama çevirmek—grafikler, çizimler, animasyonlar, infografikler vb. ile—anlamına gelir. Bunun ardındaki fikir, verilerdeki eğilimleri, aykırı değerleri ve desenleri daha kolay belirlemektir. Bu kavramı Veri Görselleştirmeyi Anlamak kursumuzda daha ayrıntılı inceliyoruz.

Veri profesyonelleri, verilerden elde edilen temel içgörüleri özetlemek ve bu bilgileri ilgili paydaşlara aktarmak için düzenli olarak görselleştirmelerden yararlanır.

Örneğin, bir veri uzmanı yönetim kadrosu için görselleştirmeler oluşturabilir; yönetim de bu görselleştirmeleri örgütsel yapıyı projekte etmek için kullanabilir. Bir diğer örnek, veri bilimcilerin verilerin altında yatan yapıyı ortaya çıkarmak ve verilerini daha iyi anlamak için görselleştirmelerden yararlanmalarıdır.  

Yukarıda tanımlanan amaca göre, veri görselleştirmenin ne olduğuna dair iki temel çıkarım yapabiliriz: 

1) Veriyi erişilebilir kılma yolu: Bir şeyi erişilebilir kılmanın en iyi yolu onu basit tutmaktır. Buradaki ‘basit’ kelimesi bağlam içinde düşünülmelidir: On yaşındaki birinin kolayca anlayacağı şey, bir doktora sahibinin anlayacağıyla aynı olmayabilir. Dolayısıyla veri görselleştirme, veriyi ilgili herkese erişilebilir kılmak için kullanılan bir tekniktir. 

2) Bir iletişim yöntemi: Bu çıkarım birincisinin uzantısıdır. Etkili iletişim için aynı dili konuşmak gerekir. Bağımsız bir görevde çalışıyor olun ya da bir ekiple, görselleştirmeler onları görebilecek kişiler için ilgi çekici içgörüler sunmalıdır. Bir CEO eyleme dönük adımlar içeren içgörüleri tercih edebilirken, bir makine öğrenimi ekibi modellerinin performansına ilişkin içgörüleri görmek isteyebilir. 

Kısacası, veri görselleştirme, verilerdeki desenleri veya eğilimleri tanımayı kolaylaştırmak için kullanılan bir tekniktir. 

Veri görselleştirme cheat sheet’imiz, veri görselleştirmenin kavramlarına görsel bir bakış sunar

Veri görselleştirme veri bilimciler için neden bu kadar önemli?

Veri bilimi; gürültülü, yapılandırılmış ve yapılandırılmamış verilerden bilgi ve içgörü çıkarmak için bilimsel yöntemleri, süreçleri, algoritmaları ve sistemleri kullanan disiplinler arası bir alandır (daha kapsamlı bir açıklama için ‘veri bilimi nedir’ rehberimize bakın). Ancak veri bilimcilerin karşılaştığı zorluk, ham verilerle her zaman noktaları birleştirmenin mümkün olmamasıdır; işte veri görselleştirmenin son derece değerli olduğu yer burasıdır. Gelin, veri görselleştirmenin veri bilimciler için neden bu kadar güçlü bir araç olduğuna bakalım. 

Keşfedilebilirlik ve öğrenme

Veri bilimcilerin kullandıkları veriyi iyi anlamaları gerekir. Veri görselleştirme, veri bilimcilerin verilerinin en bilgilendirici yönlerini ortaya çıkarmasını sağlar; böylece kendilerinin (ve başkalarının) veride neler olup bittiğini hızlı ve kolayca kavramasına yardımcı olur. Örneğin, tablo formatında sunulan bir veri setindeki eğilimleri belirlemek, bunu görsel olarak görmekten çok daha zordur. Bununla ilgili ayrıntılara yazının ilerleyen kısımlarında daha fazla değineceğiz. 

Hikaye anlatımı 

Bilgiyi paylaşmak için yüzyıllardır hikayeler kullanılıyor. Hikayeleri etkileyici kılan, izleyiciyle duygusal bir bağ kurmalarıdır. Bu bağ, izleyicinin başkalarının deneyimlerini daha derinlemesine anlamasını sağlar ve bilgiyi daha akılda kalıcı kılar. Veriyle hikaye anlatımı bir görselleştirme biçimidir: Veri bilimcilerin verilerini anlamlandırmasına ve başkalarıyla kolay anlaşılır bir formatta paylaşmasına yardımcı olur. 

Verimlilik 

İçgörüler, bazı durumlarda, veritabanlarından da elde edilebilir; ancak bu çaba yoğun odaklanma gerektirir ve önemli bir iş maliyetidir. Böyle durumlarda veri görselleştirme çok daha verimlidir. Örneğin amaç, 2024’te zarar eden tüm şirketleri belirlemekse, kârı sıfırın altında olanları kırmızıyla, sıfırın üstünde olanları yeşille vurgulamak ve başa baş noktasındaki şirketleri nötr bırakmak daha kolay olur. Bu teknik, veritabanını tek tek şirketleri işaretlemek için elle taramaktan çok daha etkilidir. 

Estetik 

Ham veriler bilgilendirici olabilir, ancak nadiren görsel olarak çekici ya da ilgi çekicidir. Veri görselleştirme, bilgilendirici ama sıkıcı verileri alıp bunları güzel, aydınlatıcı bilgiye dönüştürmek için kullanılan bir tekniktir. Verileri görsel olarak daha cazip hale getirmek, ağırlıklı olarak görsel varlıklar olmamızla örtüşür. Başka bir deyişle, görsel duyularımızı uyaran bilgiyi çok daha hızlı işleriz.  

Veri Görselleştirmeyi Nasıl Öğrenirsiniz

Verilerle çalışan herkes için—iş analistlerinden veri bilimcilere—veri görselleştirme kritik bir beceridir. Bu beceride ustalaşmak, içgörülerinizi etkili biçimde aktarmanızı sağlar; böylece veriye dayalı kararlarınız daha net ve etkili olur. Nereden başlayacağınızı merak ediyorsanız, veri görselleştirme yolculuğunuzun her aşamasında—ister yeni başlayın, ister ileri düzey becerilerinizi keskinleştirmek isteyin—size rehberlik etmek üzere tasarlanmış çeşitli kaynaklar sunuyoruz.

Başlamak için şunları yapabilirsiniz:

1. Temellerle başlayın

Veri görselleştirmeye tamamen yeniyseniz, ileri düzey araç ve tekniklere dalmadan önce temelleri anlamanız şarttır. DataCamp, bu temellerde size rehberlik edecek yapılandırılmış öğrenme yolları sağlar.

• Önerilen Kaynak: Understanding Data Visualization. Bu kurs, veri görselleştirmenin temel kavramlarını tanıtır; basit ama etkili görselleştirmeleri nasıl tasarlayacağınızı ve yorumlayacağınızı öğretir. Temel grafik türleri, en iyi görselleştirme uygulamaları ve veriye eleştirel yaklaşım gibi konuları kapsar.
• Ele Alınan Konular:
  • Temel grafik türleri (çubuk grafikler, pasta grafikler, çizgi grafikler)
  • Veri görselleştirmedeki yaygın hatalar
  • Veriniz için doğru grafik türünü seçme

2. Kod gerektirmeyen araçlarla görselleştirme yapmayı öğrenin

Programlamaya henüz aşina olmayanlar için, kod yazmadan görselleştirme oluşturmanıza olanak tanıyan araçlara yönelik kurslarımız var. Bu araçlar, iş kullanıcıları, yöneticiler ve hızlıca içgörü üreten görselleştirmeler oluşturmak isteyen herkes için idealdir.

• Önerilen kaynak: Power BI Fundamentals. Power BI, etkileşimli gösterge tabloları ve raporlar oluşturmak için güçlü ve kod gerektirmeyen bir araçtır. Bu beceri yolu, veriye dayalı içgörüleri etkili biçimde aktaran çarpıcı görselleştirmeler oluşturmak için sezgisel arayüzünü nasıl kullanacağınızı öğretir.
• Önerilen kaynak: Tableau Fundamentals. Tableau, etkileşimli ve görsel açıdan çekici gösterge tabloları oluşturmak için bir diğer popüler araçtır. Sürükle-bırak işleviyle verileri kolayca keşfedebilir ve içgörü dolu görselleştirmeler üretebilirsiniz.
• Ele alınan konular:
  • Etkileşimli gösterge tabloları oluşturma
  • Görselleştirme için veri temizleme ve hazırlama
  • Görsel hikaye anlatımı için en iyi uygulamalar

3. İleri düzey görselleştirmeler için kodlama becerileri geliştirin

Elle çalışmaya hazırsanız, Python veya R ile görselleştirme oluşturmayı öğrenmek özelleştirme ve otomasyon yeteneklerinizi büyük ölçüde genişletir.

• Önerilen kaynak: Data Visualization with Python. Python, basit çizgi grafiklerden karmaşık etkileşimli görselleştirmelere kadar her şey için güçlü kütüphaneler (Matplotlib, Seaborn ve Plotly gibi) sunar. Bu yol, Python tabanlı görselleştirme araçlarında sağlam bir temel oluşturmanıza yardımcı olur.
• Önerilen kaynak: Data Visualization with R. R, istatistiksel hesaplama ve veri görselleştirme için yaygın olarak kullanılır. Özellikle ggplot2 paketi, güzel ve bilgilendirici grafikler üretmede sektör standardıdır. Bu yolda, yüksek kaliteli görselleştirmeler oluşturmayı ve R’ın veri işleme gücünü anlamayı öğreneceksiniz.
• Ele alınan konular:
  • Matplotlib, Seaborn ve ggplot2 ile özel görselleştirmeler oluşturma
  • Histogramlar, ısı haritaları ve saçılım grafikleri gibi ileri düzey grafik türlerini anlama
  • Plotly ve Shiny ile etkileşimli görselleştirmeler geliştirme

4. Projelerle pratik yapın

Temelleri öğrendikten sonra, ustalaşmanın anahtarı pratiktir. DataCamp’in uygulamalı projeleri, becerilerinizi gerçek veri setlerinde uygulamanıza ve pratik deneyim kazanmanıza olanak tanır.

• Önerilen kaynak: Veri Görselleştirme Projeleri. Bu rehberli projeler, öğrendiklerinizi uygulamanız için size gerçek veri setleri sunar. Görselleştirmeleri sıfırdan oluşturur, hem veri keşfi sürecinde hem de etkili görsel iletişim tasarımında deneyim kazanırsınız.
• Örnek projeler:
  • LEGO’nun Evrimini Keşfetmek – Python’un Matplotlib ve Seaborn kütüphanelerini kullanarak LEGO set üretimindeki eğilimleri keşfeden veri görselleştirmeleri oluşturmayı öğrenin.
  • Üniversite Derecelerinde Cinsiyet Farkını Anlamak – Farklı bölümlerdeki cinsiyet dengesizliği eğilimlerini görselleştirmek için Python ile çizgi ve alan grafikler oluşturun.

5. Öğrenmeye devam edin ve güncel kalın

Veri görselleştirme, düzenli olarak yeni araç ve tekniklerin ortaya çıktığı gelişen bir alandır. DataCamp, en son eğilimlerden haberdar olmanız için kurslarını düzenli olarak günceller ve yenilerini sunar.

• Önerilen kaynak: Veri Görselleştirme Cheat Sheet. Sıklıkla kullanılan grafikler, tasarım için en iyi uygulamalar ve verinize ve hedef kitlenize göre doğru görselleştirmeyi seçme ipuçları için bu cheat sheet’i elinizin altında bulundurun.
• Yeni araçları keşfedin: Yolculuğunuzda ilerledikçe Plotly Dash veya D3.js (bir JavaScript kütüphanesi) gibi öncü araçları öğrenerek önde kalın.

Veri Görselleştirme Araçları

Veri bilimciler ve veri analistleri gibi veri profesyonelleri, daha verimli çalışmak ve bulgularını daha etkili biçimde iletmek için genellikle veri görselleştirme araçlarından yararlanır.

Araçlar iki kategoriye ayrılabilir: 1) kod gerektirmeyen ve 2) kod tabanlı. Her kategorideki bazı popüler araçlara göz atalım. 

Kod gerektirmeyen araçlar

Kuruluşunuzdaki herkes teknoloji uzmanı olmayacaktır. Ancak programlama bilmemek, veriden içgörü çıkarmanızı engellememelidir. Programlama yetkinliğiniz olmasa da veri okuryazarı olabilirsiniz—veriyle okuyabilen, yazabilen, iletişim kurabilen ve mantık yürütebilen; böylece daha iyi veriye dayalı kararlar alabilen biri. 

Dolayısıyla kod gerektirmeyen araçlar, programlama bilgisi olmayanlar için erişilebilir bir çözüm sunar (programlama becerisi olanlar da elbette kullanmayı tercih edebilir). Daha resmî olarak: Kod gerektirmeyen araçlar, veriyi işlemek ve zenginleştirmek için yerel betikleri çalıştırma yeteneğiyle birlikte gelen grafiksel kullanıcı arayüzleridir.

Bazı kod gerektirmeyen araç örnekleri şunlardır: 

Power BI

Power BI, veri görselleştirme ve iş zekâsı için son derece popüler bir Microsoft çözümüdür. Raporlama, self servis analitik ve öngörüsel analitik için dünyanın en popüler iş zekâsı araçları arasındadır. Bu platform hizmeti, kuruluşunuzun verilerini hızla temizlemeyi, analiz etmeyi ve içgörü bulmaya başlamayı kolaylaştırır. 

Power BI öğrenmek istiyorsanız, Datacamp’in Power BI Fundamentals beceri yoluyla başlamayı düşünebilirsiniz.  

Tableau

Tableau da dünyanın en popüler iş zekâsı araçlarından biridir. Basit sürükle-bırak işlevselliği, kuruluşunuzun verilerinde etkileşimli görselleştirmelerle içgörüler bulmayı herkes için erişilebilir kılar. 

DataCamp’in Tableau Fundamentals beceri yolu, Tableau’ya başlamak için harika bir yoldur. 

ChatGPT

ChatGPT, insanların verilerini görselleştirmesine yardımcı olan bir araca hızla dönüştü. GPT-4o hakkındaki yazımızda da incelediğimiz gibi, birkaç komutla verinizdeki eğilimleri görselleştirmek için bu aracı kullanabilirsiniz. Üretken yapay zekâ, verilerimizi ele alış biçimimizi değiştiriyor ve daha fazlası yolda! Bu güçlü aracı nasıl kullanacağınızı öğrenmek için ChatGPT Fundamentals beceri yolumuza göz atın. 

Kodla görselleştirme 

Daha teknoloji meraklısıysanız, verilerinizi görselleştirmek için bir programlama dili kullanmayı tercih edebilirsiniz. Veri üretimindeki artış, Python ve R’ın veri işleme destekleyen çeşitli paketleri sayesinde popülerliğini artırdı. 

Bu paketlerden bazılarına bakalım. 

Python paketleri 

Python, yüksek seviyeli, yorumlamalı, genel amaçlı bir programlama dilidir. Veri görselleştirme için şu gibi birçok başarılı çizim paketi sunar:

• Matplotlib 
• Seaborn 
• Plotly
• Bokeh

Data Visualization with Python beceri yolu, Python’un en popüler ve sağlam veri görselleştirme kütüphaneleriyle veri bilimi becerilerinizi güçlendirmek için harika bir ders dizisidir.

R paketleri 

R, istatistiksel hesaplama ve grafikler için bir programlama dilidir. Çeşitli paketleriyle neredeyse her tür grafiği oluşturabildiğiniz için veri analizi için harika bir araçtır. Popüler R veri görselleştirme paketleri şunlardır: 

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

Data Visualization with R ve Interactive Data Visualization in R beceri yollarına göz atarak R programlama diliyle görselleştirme becerilerinizi geliştirin. 

Veri Görselleştirmede Kullanılan Yaygın Grafikler

Veri görselleştirmenin verileri sunmanın ve onlarla iletişim kurmanın etkili bir yolu olduğunu belirledik. Bu bölümde, Python ve veri görselleştirme için Matplotlib paketini kullanarak çoğu görselleştirme görevi için etkili bir başlangıç noktası olan bazı yaygın grafik türlerini nasıl oluşturabileceğimizi ele alacağız. Ayrıca her bir grafik için kullanım örnekleri paylaşacağız. 

Tüm koda erişmek için bu DataLab çalışma kitabına göz atabilirsiniz. 

Frekans tablosu

Frekans tablosu, bir olayın ya da değerin kaç kez gerçekleştiğini temsil etmenin harika bir yoludur. Genellikle verilerimiz için betimsel istatistikler bulmak amacıyla kullanırız. Örneğin, bir özelliğin nihai karar üzerindeki etkisini anlamak isteyebiliriz. 

Örnek bir frekans tablosu oluşturalım. UCI Makine Öğrenimi deposundaki Car Evaluation Data Set’i ve frekans tablomuzu oluşturmak için Pandas’ı kullanacağız.

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)

Çubuk grafik

Çubuk grafik, en basit ama en etkili görselleştirmelerden biridir. Genellikle kategoriler arasındaki farkları karşılaştırmak için kullanılır. Örneğin, sahtecilik içeren vakalar ile içermeyen vakaların sayısını görselleştirmek için bir çubuk grafik kullanabiliriz. Bir başka kullanım, bir filmin her bir yıldız derecelendirmesinin frekanslarını görselleştirmek olabilir.  

Python’da çubuk grafiği şöyle oluştururuz: 

"""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()

Pasta grafikler

Pasta grafikler de basit ve verimli bir görselleştirme aracıdır. Genellikle bir bütünün parçalarını görselleştirmek ve karşılaştırmak için kullanılır. Örneğin, akıllı telefon pazar payını temsil etmek pasta grafik için iyi bir kullanım olur. Bunu Python’da uygulayalım.  

"""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()

Çizgi grafikler ve alan grafikleri

Çizgi grafikler, zaman içinde verilerdeki eğilimleri veya ilerlemeyi görselleştirmek için harikadır. Örneğin, Temmuz ayı boyunca satılan spor ayakkabı sayısını bir çizgi grafikle görselleştirebiliriz. 

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()

Alan grafiği, çizgi grafiğinin bir uzantısıdır; ancak aralarındaki fark, çizginin altındaki alanın bir renk veya desenle doldurulmasıdır. 

Yukarıdaki aynı verilerin alan grafiğiyle gösterimi şöyledir: 

# 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()

Ayrıca, zaman içinde birden çok değişkendeki değişimleri gösteren yığılmış alan grafiklerine de sıkça rastlanır. Örneğin, Temmuz ayında toplam satışlar yerine satılan spor ayakkabı markalarını yığılmış alan grafiğiyle görselleştirebiliriz. 

# 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()

Her grafik, aynı veriyi farklı bir şekilde gösteriyor. 

Histogramlar

Histogramlar, sayısal bir değişkenin dağılımını temsil etmek için kullanılır. 

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()

Saçılım grafikleri

Saçılım grafikleri, iki farklı değişken arasındaki ilişkiyi görselleştirmek için kullanılır. Verinin genel yönünü ortaya koymak için en iyi uyum çizgisi eklemek de oldukça yaygındır. Örnek bir kullanım, sıcaklığın dondurma satışlarını nasıl etkilediğini temsil etmek olabilir. 

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()

Isı haritaları

Isı haritaları, iki öğe arasındaki yoğunluğu göstermek için renk kodlaması kullanır. Bir kullanım örneği, hava tahminini göstermek olabilir (ör. kırmızı alanlar şiddetli yağışı gösterir). Ayrıca web trafiğini ve neredeyse herhangi bir üç boyutlu veriyi temsil etmek için de ısı haritası kullanabilirsiniz. 

Python’da bir ısı haritası oluşturmayı göstermek için, Matplotlib tabanlı üst düzey bir veri görselleştirme kütüphanesi olan Seaborn’u kullanacağız.  

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()

Ağaç haritaları (Treemap)

Ağaç haritaları, iç içe dikdörtgenlerle hiyerarşik verileri temsil etmek için kullanılır. Çok sayıda kategori arasındaki parça-bütün ilişkilerini—örneğin satış verilerinde—görselleştirmek için idealdir.  

Python’da ağaç haritası oluşturmak için, etkileşimli grafikler oluşturmakta kullanılan Plotly adlı bir kütüphaneden yararlanacağız. 

"""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()

Etkili Veri Görselleştirme için 3 İpucu

Veri görselleştirme bir sanattır. Becerilerinizi geliştirmek zaman ve pratik gerektirir. Doğru yönde ilerlemenize yardımcı olacak üç ipucu: 

İpucu #1: Spesifik bir soru sorun 

Etkili bir görselleştirme oluşturmanın ilk ve en kritik adımı, aklınızda net ve spesifik bir soru olmasıdır. Bu olmadan, odaksız ve yorumlaması zor görselleştirmeler üretme riski vardır.

• Örnek: Satış verilerini analiz ediyorsanız, “Bu yıl satışlar nasıl gidiyor?” demek yerine daha spesifik olun: “ABD’de X ürününün çevrimiçi satışları, 3. çeyrekte 2. çeyreğe kıyasla nasıl değişti?”

Bu net soru, görselleştirmenizi doğrudan bunu yanıtlamaya odaklamanıza yardımcı olur ve izleyiciyi gereksiz bilgilerle kafa karışıklığına sürüklemekten kaçınır.

• Kötü örnek: Son beş yıl için tüm bölgeler, ürün türleri ve satış kanallarındaki toplam satışları gösteren, kalabalık bir pano.
• İyi örnek: Belirli bir ürün için yalnızca ABD 2. çeyrek ve 3. çeyrek çevrimiçi satışlarına odaklanan basit bir çubuk grafik.

İpucu #2: Uygun görselleştirmeyi seçin

Tüm görselleştirmeler eşit yaratılmamıştır. Yanlış grafik türünü seçmek mesajınızı çarpıtabilir ve kitlenizi kafa karışıklığına sürükleyebilir. Her grafik türünün güçlü yönleri vardır ve belirli veri türleri için uygundur.

• Örnek: Bir bütünün parçasını göstermek istiyorsanız pasta grafik uygun olabilir. Ancak zaman içindeki değişimleri karşılaştırıyorsanız çizgi grafik veya çubuk grafik daha isabetli olur.

Doğru Grafik Türünü Seçme:

• Çubuk grafik: Farklı kategorileri karşılaştırırken kullanın.
• Çizgi grafik: Zaman içindeki eğilimleri göstermek için en iyisi.
• Pasta grafik: Bir bütünün oranlarını göstermek için idealdir.
• Saçılım grafiği: İki değişken arasındaki ilişkileri belirlemede kullanışlıdır.
• Kötü Örnek: Gelirdeki zaman içindeki değişimleri göstermek için pasta grafik kullanmak.
• İyi Örnek: Aylık gelir değişimlerini vurgulamak ve eğilimleri kolayca fark ettirmek için çizgi grafik kullanmak.

Özet: Netlik için grafik türünü, üzerinde çalıştığınız spesifik soru ya da veriye uygun şekilde eşleştirin.

İpucu #3: En önemli bilgiyi ön plana çıkarın

Bir görselleştirme oluştururken, kitlenizin dikkatini temel içgörülere yönlendirmek esastır. Renk, boyut ve tasarım unsurlarının etkili kullanımı, en önemli noktaları vurgulamanıza yardımcı olur.

• Örnek: Birden fazla ürün için gelir verisi gösterdiğinizi düşünün. En çok satan ürünleri kalın renklerle, diğerlerini daha soluk tonlarla göstererek izleyicilerin en kritik bilgilere odaklanmasını kolaylaştırabilirsiniz.

Önemli bilgileri şöyle vurgulayabilirsiniz:

• Kontrast Renkler Kullanın: Önemli veri noktalarını belirgin renklerle öne çıkarın.
• Boyutu Değiştirin: Kritik veri noktalarını daha büyük veya kalın yapın.
• Açıklamalar: Grafiğin üzerine kısa metin açıklamaları veya vurgular ekleyerek önemli alanlara dikkat çekin.
• Kötü Örnek: Tüm noktaların aynı renk ve boyutta olduğu, desenleri veya kilit noktaları ayırt etmeyi zorlaştıran bir saçılım grafiği.
• İyi Örnek: Aykırı değerleri veya eğilimleri vurgulamak için büyük, kalın noktalar kullanılan; yoğunluğu belirtmek için renk gradyanları eklenen bir saçılım grafiği.

Özet: Renk, boyut ve etiketler gibi ince tasarım tercihleri, kitlenizin temel içgörüleri hızla kavrama becerisini büyük ölçüde artırabilir.

Son Düşünceler

Özetle, etkili bir görselleştirme, desenleri tanıma yönündeki doğal eğilimlerimize yaslanır. Renklerin, şekillerin, boyutun vb. kullanımı, göstermek istediğiniz en önemli bilgileri vurgulamak için son derece etkili bir tekniktir.

Veri görselleştirme bir sanattır; bunu iyi yapmak, spesifik bir soru sormayı, kullanılacak uygun görselleştirmeyi seçmeyi ve en önemli bilgiyi vurgulamayı gerektirir. İlk denemeniz mükemmel olmazsa moralinizi bozmayın; becerilerinizi geliştirmek zaman ve pratik ister ve DataCamp'in geniş kapsamlı veri görselleştirme kursları, usta bir veri görselleştirici olmanıza yardımcı olacak mükemmel bir kaynaktır.