Quand de bonnes données produisent de mauvais graphiques

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Cet exercice fait partie du cours

Visualisation de données intermédiaire avec ggplot2

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Une image vaut mille mots ; c’est pourquoi ggplot2 dans R est un outil si puissant pour l’analyse graphique des données. Dans ce chapitre, vous passerez de simples tracés à l’application de diverses méthodes statistiques. Cela inclut plusieurs modèles linéaires, des statistiques descriptives et inférentielles (moyenne, écart type et intervalles de confiance) ainsi que des fonctions personnalisées.

Exercise 1: Statistiques avec des geoms Exercise 2: Lissage Exercise 3: Variables de regroupement Exercise 4: Modifier stat_smooth Exercise 5: Modifier stat_smooth (2)Exercise 6: Stats : somme et quantile Exercise 7: Quantiles Exercise 8: Utiliser stat_sum Exercise 9: Statistiques en dehors des geoms Exercise 10: Préparatifs Exercise 11: Utiliser les objets de position Exercise 12: Visualiser les variations

Les calques de coordonnées offrent des outils spécifiques et très utiles pour communiquer des données efficacement et avec précision. Nous verrons ici différentes façons d’utiliser ces calques, afin que vous puissiez visualiser clairement des jeux de données lognormaux, des variables avec unités et des données périodiques.

Exercise 1: Coordonnées Exercise 2: Zoom avant Exercise 3: Rapport d’aspect I : ratios 1:1 Exercise 4: Rapport d’aspect II : définir des ratios Exercise 5: Étendre et rogner Exercise 6: Coordonnées vs échelles Exercise 7: Transformation logarithmique des échelles Exercise 8: Ajouter des statistiques à des échelles transformées Exercise 9: Axes doubles et inversés Exercise 10: Des doubles axes utiles Exercise 11: Inverser les axes I Exercise 12: Inverser les axes II Exercise 13: Coordonnées polaires Exercise 14: Diagrammes en secteurs Exercise 15: Diagrammes en rose des vents

Les facettes permettent de diviser un graphique en plusieurs panneaux, chacun affichant un sous-ensemble du jeu de données. Vous apprendrez à enrouler les facettes et à les organiser en grille, ainsi qu’à fournir un étiquetage personnalisé.

Exercise 1: La couche de facettage Exercise 2: Notions de base de la couche de facettes Exercise 3: De nombreuses variables Exercise 4: Notation par formule Exercise 5: Libellés et ordre des facettes Exercise 6: Étiqueter les facettes Exercise 7: Définir l’ordre Exercise 8: Espaces de tracé des facettes Exercise 9: Espaces de tracé variables I : variables continues Exercise 10: Espaces de tracé variables II : variables catégorielles Exercise 11: Facet wrap et marges Exercise 12: Enrouler lorsque les niveaux sont nombreux Exercise 13: Graphiques marginaux

Maintenant que vous avez les compétences techniques pour créer d’excellentes visualisations, il est important de les rendre aussi parlantes que possible. Dans ce chapitre, vous passerez en revue trois types de graphiques souvent déconseillés dans la communauté de la dataviz : cartes thermiques, diagrammes en secteurs et « dynamite plots ». Vous verrez leurs écueils et comment éviter ces erreurs vous‑même.

Exercise 1: Bonnes pratiques : diagrammes en barres Exercise 2: Diagrammes en barres : dynamite plots Exercise 3: Graphiques en barres : décalage de position Exercise 4: Diagrammes en barres : utiliser des données agrégées Exercise 5: Cas d’usage des cartes thermiques Exercise 6: Cartes thermiques Exercise 7: Des heatmaps pertinentes Exercise 8: Alternatives aux heat maps Exercise 9: Quand de bonnes données produisent de mauvais graphiques

Exercice en cours

Exercise 10: Suppression de l’origine Exercise 11: Daltonisme Exercise 12: Problèmes typiques