[Data-Viz] data-visualization

whatSup CheatSheet·2022년 2월 4일

data visualization

Data-Viz

목록 보기

1/1

데이터 시각화(Data Visualization)

참고) 이수안컴퓨터연구소

데이터 시각화 7단계(Ben Fry)

획득(Acquire) : 다양한 소스로부터 데이터 얻기
분석(Parse) : 데이터의 의미에 대한 구조를 제공하고 카테고리별로 정렬
필터(Filter) : 관심 있는 데이터를 제외한 모든 데이터 제거
마이닝(Mine) : 패턴을 식별하거나 수학적 문맥에 데이터를 배치하는 방법으로 통계 또는 데이터 마이닝 방법 적용
표현(Represent) : 막대 그래프, 목록 또는 트리 같은 기본 시각적 모델 선택
정제(Refine) : 기본 표현을 개선하여 보다 선명하고 시각적으로 매력적이게 보이도록 함
소통(Interact) : 데이터를 조작하거나 볼 수 있는 기능을 제어하는 방법을 추가

데이터 시각화 기법(Data Visualization Technique)

참고) Fundamentals of Data Visualization : Claus O.Wilke

미학

데이터 유형

유형	예제	형태	설명
quantitative / numerical continuous	1.3, 5.7, 83	continuous	임의의 숫자(정수, 유리수, 실수값 등)
quantitative / numerical discrete	1, 2, 3, 4	discrete	이산형 단위의 숫자로 가장 흔하고 꼭 정수일 필요는 없음. 예를 들어, 주어진 데이터 집합에 중간값이 존재하지 않는 경우인 숫자 0.5, 1.0, 1.5도 이산형으로 취급 가능
quantitative / categorical unordered	dog, cat, fish	discrete	순서가 없는 범주들로, 고유 순서가 없는 이산적이고 고유한 범주들. 이러한 변수를 요인(인자)이라고 함.
qualitative / categorical ordered	good, fair, poor	discrete	순서가 있는 범주들로 순서가 있는 이산적이고 고유한 범주들. 예를 들어 'fair'는 항상 'good'과 'poor' 사이에 있음. 이러한 변수를 순서 요인이라고 함.
date 또는 time	Jan.5 2018, 18:00	continuous 또는 discrete	특정 날짜 및 시간. 예를 들어, 7월 4일 또는 12월 25일과 같은 일반적인 날짜
text	Hello world	none 또는 discrete	자유 형식 텍스트. 필요한 경우 범주형으로 취급 가능.

2D 직교 좌표계

같은 데이터일지라도 비율에 따라 달라 보일 수 있음

선형 척도와 로그 척도 사이의 관계

로그 척도
선형 척도

선형 및 제곱근 척도 사이의 관계

선형 척도 vs 제곱근 척도

직교 좌표계 극좌표계 변환

시각화 차트 선택

시각화 차트 선택
The Data Visualization Catalogue
- www.datavizcatalogue.com
- www.datavizproject.com (examples)

차트들

Visualizing amounts
- 막대 그래프 https://clauswilke.com/dataviz/visualizing-amounts.html#bar-plots
- 스택 막대 그래프 https://clauswilke.com/dataviz/visualizing-amounts.html#grouped-and-stacked-bars
- 도트(dot) 플롯, 히트맵 https://clauswilke.com/dataviz/visualizing-amounts.html#dot-plots-and-heatmaps
Visualizing distributions
- histogram and density plot
  - 단일 분포 시각화(히스토그램, 밀도) https://clauswilke.com/dataviz/histograms-density-plots.html#visualizing-a-single-distribution
    - 커널 밀도 추정 등
  - 다중 분포 시각화(히스토그램, 밀도, 개별히스토그램(연령피라미드 등)) https://clauswilke.com/dataviz/histograms-density-plots.html#multiple-histograms-densities
- Empirical cumulative distribution functions and q-q plots
  - 경험적 누적 분포 함수 https://clauswilke.com/dataviz/ecdf-qq.html#empirical-cumulative-distribution-functions
  - 높은 왜곡 분포 https://clauswilke.com/dataviz/ecdf-qq.html#skewed-distributions
    - 첨도, 왜도, 분포차이 등
  - Quantile–quantile plots(분포를 보기 위한)
Visualizing many distributions at once
- 수직 축을 따라 분포 시각화 https://clauswilke.com/dataviz/boxplots-violins.html#boxplots-violins-vertical
  - 박스 플롯, 바이올린 플롯(박스 플롯의 보완된 형태), 스트립 차트 등
- 수평 축을 따라 분포 시각화 https://clauswilke.com/dataviz/boxplots-violins.html#boxplots-violins-horizontal
  - 능선 플롯 등
Visualizing proportions https://clauswilke.com/dataviz/visualizing-proportions.html#a-case-for-pie-charts
- 파이 차트, 스택 막대 차트, 사이드 바이 사이드 바, 적층 밀도 플롯 등
Visualizing nested proportions(중첩 비율을 시각화) https://clauswilke.com/dataviz/nested-proportions.html
- 모자이크 플롯, 트리맵, 중첩 파이차트, 생키 다이어그램 등
Visualizing associations among two or more quantitative variables
- 산포도(Scatter) https://clauswilke.com/dataviz/visualizing-associations.html#associations-scatterplots
- 상관관계 통계차트(다변수) https://clauswilke.com/dataviz/visualizing-associations.html#associations-correlograms
- 차원 축소 https://clauswilke.com/dataviz/visualizing-associations.html#dimension-reduction
- 쌍 데이터, 경사 도표 https://clauswilke.com/dataviz/visualizing-associations.html#associations-paired-data
시계열 시각화 https://clauswilke.com/dataviz/time-series.html
추세 시각화 https://clauswilke.com/dataviz/visualizing-trends.html
지리공간 데이터 시각화 https://clauswilke.com/dataviz/geospatial-data.html
불확실성 시각화 https://clauswilke.com/dataviz/visualizing-uncertainty.html

시각화 디자인 원칙(Visualization Design Principles)

참고) Gestalt principles in UI design
https://medium.muz.li/gestalt-principles-in-ui-design-6b75a41e9965
참고) Fundamentals of Data Visualization : Claus O.Wilke
https://clauswilke.com/dataviz/

게슈탈트(Gestalt)

1920년대 독일 심리학파가 제시한 심리학 용어로 형태를 지각하는 방법을 담은 원칙
"전체는 독립적으로 조냊하느 부분의 합보다 더 큰 것으로 인식된다"는 이론에 기반

출현(Emergence)

사람들은 일반적인 윤곽의 형태로 요소들을 먼저 식별하는 경향이 있음
뇌는 복잡한 물체보다 단순하고 잘 정의된 물체를 더 빨리 인식

구상화(Reification)

사람들은 전체 중에 일부가 없을 때에도 사물로 인식이 가능함
우리 뇌는 기존의 지식을 토대로 완성되지 않은 형태를 완성시켜 인지 가능

다중 안정성(Multi-Stability)

사람들은 모호한 물체를 여러 가지 방식으로 해석
우리 뇌는 확실한 것을 좋아하기 때문에 인식한 여러 관점 중 한가지만 인식
따라서 다른 관점은 인지하기 어려움

불변성(Invariance)

사람들은 회전하거나 크기를 변화해도 하나의 개체로 인식
우리 뇌는 관점, 조명, 색상, 크기 등의 변화에도 불구하고 사물들이 일정하고 불변하다고 인지하는 경향이 있음#

근접성(Proximity)

서로 가깝게 배치된 요소는 더 멀리 떨어진 요소보다 관련성이 높은 것으로 인식
이러한 방식으로 다른 요소는 주로 개별 요소가 아닌 그룹으로 간주

공통영역(Common Region)

근접성 원리와 비슷하게, 동일한 영역 내에 배치되는 요소는 하나의 그룹으로 인식

유사성(Similarity)

비슷한 시각 특성을 공유하는 요소는 그렇지 않은 요소보다 더 관련이 있다고 인식

폐합(Closure)

완성되지 않은 형태는 종종 인식 할 수 있는 패턴 또는 그림으로 인식
폐합의 원칙은 형태가 불완전하거나 일부가 포함되지 않은 경우에도 발생

대칭(Symmetry)

대칭요소는 거리에 관계없이 소속되어 있는 것으로 인식되어 견고함과 질서를 느끼게 함

연속성(Continuation)

선 또는 부드러운 곡선으로 배열된 요소는 무작위로 또는 거친 선으로 배열된 요소보다 관련된다고 인식

공동운명(Common Fate)

같은 방향으로 움직이는 요소는 관련이 있다고 인식하는 반면
다른 방향으로 움직이는 요소는 관련이 없는 별개의 존재로 인식

비례 잉크의 원리

시각화에서 음영 처리된 영역의 크기는 해당 영역이 나타내는 데이터 값에 비례해야 함
예를 들어, 0과 다른 값으로 시작하는 막대를 그리면 막대 길이와 막대 끝 점의 길이가 모순되는 정보를 전달하며, 동일한 그래픽 요소를 가진 서로 다른 두 값을 보여주기 때문에 내부적으로 일관성이 없어짐
막대, 사각형, 임의 형상의 음영 영역 또는 표시된 데이터 값과 일관되거나 일치하지 않을 수 있는 가시적 범위가 분명한 기타 요소를 사용할 때마다 유사한 문제 발생 가능하며, 모든 경우에 모순이 없도록 해야함
Ex) 두 통계는 같은 내용을 말하고 있지만, 첫 번째 시각화는 처음 시작이 $50,000부터 시작하기 때문에 두 번째 그림에 비해 더 큰 차이가 나는 것처럼 보임(통계적 왜곡)