Il existe de nombreux types de parcelles utiles. Nous en examinerons quelques-uns de base ci-dessous et inclurons des liens vers quelques galeries où vous pourrez vous faire une idée des différents types de parcelles existantes.

L'objectif de la visualisation des données dans le cadre de l'analyse des données est d'améliorer la compréhension des données. Comme nous l'avons mentionné dans la dernière leçon, il peut s'agir d'améliorer notre propre compréhension des données ou d'utiliser la visualisation pour améliorer la compréhension des données par quelqu'un d'autre. Nous avons abordé certaines caractéristiques générales et certains types de tracés de base dans la dernière leçon, mais nous allons ici passer en revue un certain nombre de conseils généraux pour réaliser de bons tracés. Lorsque vous générez des graphiques exploratoires ou explicatifs, vous devez vous assurer que les informations affichées le sont avec précision et d'une manière qui reflète au mieux la réalité de l'ensemble de données. Nous vous proposons ici un certain nombre de conseils à garder à l'esprit lors de la création de graphiques.

Après avoir discuté de quelques lignes directrices générales, vous devez vous poser un certain nombre de questions avant de réaliser un graphique. Vous devez vous poser trois questions principales chaque fois que vous créez une représentation visuelle de vos données. Nous aborderons ces trois questions ci-dessous.

R a été initialement développé pour les statisticiens, qui sont souvent intéressés par la génération de graphiques ou de figures pour visualiser leurs données. C'est pourquoi quelques fonctions de traçage de base ont été intégrées dès le début du développement de R. Elles sont toujours disponibles. Ces fonctions sont toujours disponibles, mais au fil du temps, une nouvelle approche des graphiques a été développée dans R. Cette nouvelle approche met en œuvre ce que l'on appelle le "graphique", c'est-à-dire la représentation graphique des données. Cette nouvelle approche a mis en œuvre ce que l'on appelle la grammaire graphique, qui vous permet de développer des graphiques élégants de manière flexible dans R. La réalisation de graphiques avec cet ensemble de règles nécessite le paquetage R ggplot2. Ce paquetage est un paquetage de base dans le tidyverse, donc une fois que le tidyverse a été chargé, vous êtes prêt à commencer.

Jusqu'à présent, nous avons parcouru les étapes de la génération d'un certain nombre de graphiques différents (utilisant des géomes différents) dans ggplot2. Nous avons abordé les bases de la mise en correspondance de variables avec votre graphique afin de personnaliser son apparence ou son esthétique (en utilisant la taille, la forme et la couleur avec aes()). Ici, nous nous appuierons sur ce que nous avons appris précédemment pour nous attaquer à la personnalisation de vos graphiques afin qu'ils soient aussi clairs que possible pour communiquer vos résultats à d'autres personnes. Les compétences acquises dans cette leçon vous permettront de passer de la génération de graphiques exploratoires, qui vous aideront à mieux comprendre vos données, à celle de graphiques explicatifs, qui vous aideront à communiquer vos résultats à d'autres personnes. Nous verrons comment personnaliser les couleurs, les étiquettes, les légendes et le texte de votre graphique. Puisque nous sommes déjà familiarisés avec ce logiciel, nous continuerons à utiliser le jeu de données des diamants que nous avons utilisé pour nous familiariser avec ggplot2.

Bien que nous nous soyons concentrés sur les chiffres jusqu'à présent, les tableaux peuvent également être incroyablement instructifs en un coup d'œil. Si vous cherchez à afficher des chiffres récapitulatifs, un tableau peut également présenter des informations de manière visuelle.

Au-delà des nombreuses capacités de ggplot2, il existe quelques paquets supplémentaires qui s'appuient sur les capacités de ggplot2. Nous présenterons ici quelques packages qui vous permettront (1) d'annoter directement des points sur des graphiques (ggrepel et directlabels) ; (2) de combiner plusieurs graphiques (cowplot + patchwork) ; et (3) de générer des graphiques animés (gganimate). Il existe des dizaines d'extensions ggplot2 supplémentaires si vous souhaitez explorer d'autres options de tracé au-delà de ce qui est couvert ici !

À ce stade, nous avons beaucoup travaillé sur nos études de cas. Nous avons présenté les études de cas, nous les avons lues dans R et nous avons transformé les données dans un format utilisable. Maintenant, nous pouvons jeter un coup d'œil aux données à l'aide de visualisations pour mieux comprendre les observations et les variables de chaque ensemble de données ! Lorsque vous travaillez sur les étapes des études de cas, vous pouvez utiliser soit RStudio sur votre propre ordinateur, soit les espaces de laboratoire de Coursera fournis pour chaque étude de cas.

Dans ce projet, vous vous entraînerez à explorer des données et à créer des visualisations de données avec tidyverse en utilisant des données sur la nutrition et les ventes des restaurants fast-food en 2018.