Sumber daya untuk belajar membuat visualisasi data?

Saya tertarik mempelajari cara membuat jenis visualisasi yang Anda lihat di http://flowingdata.com dan informasinya bagus. EDIT: Artinya, visualisasi yang menarik dalam diri mereka sendiri - agak seperti grafik NY Times, bukan sesuatu yang cepat untuk laporan.

Apa jenis alat yang digunakan untuk membuat ini - apakah sebagian besar banyak Adobe Illustrator / Photoshop? Apa sumber daya yang baik (buku, situs web, dll.) Untuk belajar bagaimana menggunakan alat ini untuk visualisasi data khususnya?

Saya tahu seperti apa visualisasi yang saya inginkan (dan saya akrab dengan prinsip-prinsip desain, misalnya, dari buku-buku Tufte), tetapi saya tidak tahu cara membuatnya.

Mengalir data secara teratur membahas alat yang ia gunakan. Lihat, misalnya:

• 40 Alat dan Sumber Daya Penting untuk Memvisualisasikan Data
• Apa Alat / Perangkat Lunak Visualisasi Yang Harus Anda Gunakan? - Mulai

Dia juga menunjukkan dengan sangat rinci bagaimana dia membuat gambar pada suatu kesempatan, seperti:

• Cara Membuat Peta Tematik Wilayah AS Menggunakan Alat Gratis
• Cara Membuat Grafik di Adobe Illustrator
• Cara Membuat Peta Panas - Solusi Cepat dan Mudah

Ada juga pertanyaan lain di situs ini:

• Perpustakaan visualisasi yang direkomendasikan untuk aplikasi mandiri
• Perpustakaan visualisasi web

IMO, coba:

1. R dan ggplot2: ini adalah video pengantar yang bagus , tetapi situs web ggplot2 memiliki banyak sumber daya.
2. Memproses: banyak tutorial bagus di beranda .
3. Protovis: juga banyak contoh bagus di beranda .

Anda dapat menggunakan Adobe setelah itu untuk membersihkannya.

Anda juga dapat melihat webvispaket R , meskipun tidak selengkap ggplot2. Dari R, Anda dapat menjalankan perintah ini untuk melihat contoh Gandum Playfair:

install.packages("webvis")
library(webvis)
demo("playfairs.wheat")

Terakhir, aplikasi komersial favorit saya untuk visualisasi interaktif adalah:

• Tablo
• Spotfire
• Qlikview

Pemrosesan yang telah disebutkan memiliki seperangkat buku bagus yang tersedia. Lihat: 1 , 2 , 3 , 4 , 5 , 6 , 7

Anda akan menemukan banyak hal di web untuk membantu Anda memulai dengan R. Seperti langkah selanjutnya maka ggplot2 memiliki dokumentasi web yang luar biasa . Saya juga menemukan buku Hadley sangat membantu.

Python mungkin cara lain untuk pergi. Terutama dengan alat-alat seperti:

• matplotlib
• NetworkX
• igraph
• Chaco
• Mayavi

Semua proyek didokumentasikan dengan baik di web. Anda mungkin juga mempertimbangkan mengintip ke dalam beberapa buku .

Terakhir, buku Graphics of Large Datasets juga bisa membantu.

Anda akan menghabiskan banyak waktu untuk mempercepat dengan R.

RapidMiner adalah sumber terbuka dan bebas dan grafis, dan memiliki banyak visualisasi yang baik, dan Anda dapat mengekspornya.

Jika Anda memiliki uang cadangan, atau staf / mahasiswa universitas maka JMP juga sangat bagus. Itu dapat membuat beberapa grafik yang sangat cantik, dengan sangat mudah. Dapat mengekspor ke flash atau PNG atau PDF atau apa pun.

Alternatif lain yang bagus adalah perpustakaan protovis http://vis.stanford.edu/protovis/

Ini adalah pustaka JavaScript yang dibuat dengan sangat baik yang dapat membuat beberapa visualisasi yang indah jika Anda memiliki waktu dan kemampuan untuk menulis jumlah kode JavaScript yang diperlukan.

Saya juga sangat merekomendasikan Tableau http://www.tableausoftware.com . Ini bagus untuk mengeksplorasi set data dengan cepat dan membuat banyak visualisasi yang berbeda.

Kedua produk memiliki akar di Stanford Visualization Group.

Banyak jawaban luar biasa telah diberikan di sini, dan bahasa / perpustakaan yang Anda pilih untuk belajar akan tergantung pada jenis visualisasi yang ingin Anda lakukan.

Namun, jika Anda menggunakan Python secara teratur maka saya sangat merekomendasikan seaborn . Sangat canggih dalam hal visualisasi data statistik, tetapi juga terlihat cukup canggih dari sudut pandang presentasi.

Mari kita ambil contoh. Misalkan Anda mencoba merencanakan konsumsi listrik untuk bangunan komersial berdasarkan bulan. Grafik garis sederhana dapat dihasilkan di matplotlib untuk tujuan ini.

Namun, jika kami ingin membuat visualisasi lebih canggih dan informatif, kami dapat menghasilkan peta panas dengan seaborn:

Heatmap hanyalah satu contoh. Beberapa kegunaan umum lainnya dengan seaborn meliputi:

• Plot KDE
• Plank segerombolan
• Plot biola

Gagasan di balik seaborn adalah untuk menyajikan data dengan cara yang lebih intuitif daripada yang mungkin dilakukan dengan menggunakan grafik yang lebih sederhana, misalnya garis, batang, pai, dll.

Jika ini menarik bagi Anda - Anda dapat menemukan informasi lebih lanjut tentang seaborn di sini: https://seaborn.pydata.org/

Berikut adalah seperangkat tautan yang bagus dengan sumber daya untuk mulai belajar:

• http://blog.cartodb.com/learning-data-visualization

R itu hebat, tetapi bukan berarti R sulit untuk dipelajari, bahwa dokumentasi tidak mungkin untuk mencari nama lain seperti Rq akan bagus. Jadi ketika Anda mendapat masalah, mencari solusi adalah mimpi buruk, dan dokumentasinya juga tidak bagus. Matlab atau Oktaf akan bagus. Dan untuk mendapatkan plot di R atau Matlab akan sangat membosankan.

Visual pasca pemrosesan IMHO adalah rute terbaik. Banyak dari mereka dari data yang mengalir dimasukkan melalui Adobe Illustrator atau Gimp. Lebih cepat. Setelah Anda mendapatkan struktur plot, kemudian ubah detail di editor. Menggunakan R sebagai editor tidak memberi Anda fleksibilitas yang Anda inginkan. Anda akan menemukan diri Anda mencari paket baru setiap saat.

Berikut ini adalah tutorial YouTube tentang D3.js yang mengajarkan dasar-dasar HTML, SVG, CSS dan JavaScript, serta cara memuat data dan membuat bagan batang, bagan garis, dan sebar plot dengan D3.js.

inilah sumber praktis untuk memulai dengan d3. Ini termasuk kode demo dan contoh langkah demi langkah tentang cara memuat, mengatur, dan memvisualisasikan dataset dalam d3.

https://www.edx.org/course/web-app-development-with-the-power-of-nodejs

Ada sumber daya tak terbatas, tetapi Anda dapat mempersempitnya berdasarkan pada bagaimana Anda ingin data Anda ditransformasikan, berapa banyak sumber data yang Anda hadapi, bagaimana mereka perlu dibagikan, dll.

Berikut adalah panduan tentang cara memilih sumber daya yang tepat yang dapat membantu mengarahkan Anda ke arah yang benar.