Nâng cấp trực quan hóa dữ liệu của bạn với Python

Màu sắc là công cụ mạnh mẽ để mã hóa giá trị trong trực quan hóa dữ liệu. Tuy nhiên, sức mạnh đi kèm rủi ro. Trong chương này, chúng ta thảo luận cách chọn bảng màu phù hợp cho hình trực quan dựa trên loại dữ liệu mà nó thể hiện.

Độ bất định hiện diện ở mọi nơi trong khoa học dữ liệu, nhưng thường bị bỏ qua trong các hình trực quan nơi nó nên được thể hiện. Tại đây, chúng ta ôn lại khái niệm khoảng tin cậy và cách trực quan hóa chúng cho cả ước lượng điểm đơn lẻ lẫn các hàm liên tục. Bên cạnh đó, chúng ta thảo luận kỹ thuật lấy mẫu lại bootstrap để đánh giá độ bất định và cách trực quan hóa đúng cách.

Trực quan hóa thường được dạy tách rời, với các thực hành tốt chỉ nêu ở mức khái quát. Thực tế, bạn sẽ cần linh hoạt điều chỉnh theo từng tình huống. Từ các hình thăm dò còn lộn xộn đến việc chỉnh sửa cỡ chữ cho sản phẩm cuối cùng; trong chương này, chúng ta đi sâu vào cách tối ưu trực quan hóa ở mỗi bước của quy trình khoa học dữ liệu.