Over datavisualisatie heb ik regelmatig een blog geschreven omdat dat onderwerp mij zo interesseert. Jarenlang volgde ik het werk van Kieran Healy met grote interesse. Onlangs kwam ik op R-bloggers het blog Data visualisatie opnieuw geladen tegen die voor mij belangrijke visualisatiepakketten weer eens goed samenvatHier. Tegelijk volgde ik op afstand de hele interessante cursus van Samantha Csik. Ik kan jullie aanraden daar eens naar te kijken.
In dit blog heb ik Data visualisatie opnieuw geladen bewerkt en het Samantha’s bronnenoverzicht (een klein onderdeel van haar cursus) toegevoegd. Dank jullie wel voor het delen van deze inzichten.
In het enorme en steeds groter wordende universum van gegevens wordt het vermogen om de verhalen die in getallen verborgen zitten niet alleen te zien, maar ook echt te begrijpen, van het grootste belang. Daarom zijn krachtige hulpmiddelen voor creatie en inzicht zo belangrijk- datavisualisatiepakketten voor R, elk met zijn unieke mogelijkheden om ruwe data om te zetten in overtuigende verhalen.
Onze zoektocht verloopt via de veelzijdige landschappen van Quarto en R Markdown (Rmd), platforms die als ruggengraat dienen voor onze rapporten. Of je nu een interactief webdocument opstelt, een statische PDF of een netjes opgemaakt Word-bestand, deze tools zijn de doeken waarop onze dataverhalen zich zullen ontvouwen. Maar een canvas alleen maakt nog geen kunst - het zijn de penselen, kleuren en technieken die een scène tot leven brengen. Op dezelfde manier stellen de door ons gekozen R pakketten - elk een geniale penseelstreek - ons in staat om ingewikkelde schilderijen te maken met onze gegevens.
Dit artikel zal dienen als je gids door dit arsenaal aan visualisatiepakketten. Van de basis ggplot2 tot de interactieve plotly, de geospatiale leaflet, en de gedetailleerde gt voor tabulaire kunst, we zullen een spectrum van tools behandelen die tegemoet komen aan de behoeften van elke analist, onderzoeker en data storyteller. We gaan in op hoe elk pakket kan worden gebruikt binnen Quarto en R Markdown om rapporten te maken die niet alleen informatie overbrengen, maar ook je publiek boeien en informeren.
Als we samen aan deze reis beginnen, vergeet dan niet dat de kracht van deze tools niet alleen ligt in hun individuele mogelijkheden, maar in hoe ze gecombineerd kunnen worden om een samenhangend, boeiend verhaal te vertellen. Aan het einde van deze verkenningstocht ben je uitgerust met een divers en krachtig arsenaal, klaar om elke datavisualisatie-uitdaging aan te gaan die op je pad komt.
Laat de reis beginnen.
ggplot2In het hart van ons datavisualisatie-arsenaal ligt ggplot2, een pakket dat een revolutie teweeg heeft gebracht in de manier waarop we denken over en grafieken maken in R. Geïnspireerd door Leland Wilkinson’s Grammar of Graphics, stelt ggplot2 gebruikers in staat om plots laag voor laag samen te stellen, waardoor het maken van complexe visualisaties zowel intuïtief als toegankelijk wordt.
ggplot2 blinkt uit in zijn vermogen om datavisualisatie op te splitsen en te begrijpen als een serie logische stappen: dataselectie, esthetische mapping, geometrische objecten en statistische transformaties. Deze gestructureerde aanpak stelt gebruikers in staat om bijna elk type grafiek te maken, van eenvoudige scatter plots tot ingewikkelde gelaagde visualisaties. De uitgebreide aanpassingsmogelijkheden van het pakket - door middel van schalen, thema’s en coördinaten - zorgen ervoor dat gebruikers hun visuals precies kunnen afstemmen op het verhaal dat ze willen overbrengen.
Voor rapporten in Quarto of R Markdown, fungeert ggplot2 als het basisgereedschap voor datavisualisatie. De veelzijdigheid is ongeëvenaard en biedt scherpe afbeeldingen van publicatiekwaliteit voor statische uitvoer (PDF, DOCX) en aanpasbare visuals voor dynamische HTML documenten. Of je nu een formeel rapport maakt, een uitgebreid academisch artikel of een boeiend webartikel, ggplot2 biedt de benodigde gereedschappen om het verhaal van je gegevens visueel weer te geven.
Om de kracht van ggplot2 te illustreren, laten we een eenvoudige maar elegante scatter plot maken:
library(ggplot2)
# De data
df <- data.frame(
x = rnorm(100),
y = rnorm(100)
)
# Scatter plot
ggplot(df, aes(x=x, y=y)) +
geom_point(color = 'blue') +
theme_minimal() +
ggtitle("Een Scatter Plot") +
xlab("X-as Label") +
ylab("Y-as Label")
Dit codefragment laat de eenvoud en elegantie van ggplot2 zien en creëert een plot die zowel visueel aantrekkelijk als informatief is. Terwijl we verder gaan met het verkennen van meer gespecialiseerde pakketten, blijft ggplot2 onze vertrouwde basis, zodat we erop kunnen voortbouwen en onze rapporten kunnen verrijken met verschillende visuele verhalen.
plotlyIn de dynamische wereld van web-gebaseerde rapportages, onderscheidt plotly zich als een baken van interactiviteit. Het bouwt voort op de statische schoonheid van ggplot2 plots door een laag van betrokkenheid toe te voegen door middel van interactieve elementen. Gebruikers kunnen met de muis over gegevenspunten bewegen, inzoomen op interessante gebieden en direct in hun plots door datasets filteren, waardoor een statische visualisatie verandert in een interactieve verkenning.
plotly biedt een breed scala aan interactieve grafiektypen, waaronder lijndiagrammen, staafdiagrammen, scatter plots en meer, allemaal met het extra voordeel van gebruikersinteractie. Het is bijzonder goed in het verwerken van grote datasets, waardoor het mogelijk is om complexe gegevens in real-time te onderzoeken en interpreteren. De mogelijkheid om het pakket te integreren met ggplot2 betekent dat gebruikers eenvoudig hun bestaande visualisaties van statisch naar dynamisch kunnen brengen met minimale inspanning.
Voor HTML-rapporten gemaakt in Quarto of R Markdown, verbetert plotly de ervaring van de lezer door de gegevensverkenning een integraal onderdeel van het verhaal te maken. Dit niveau van interactiviteit nodigt het publiek uit om zich op een dieper niveau met de gegevens bezig te houden, waardoor een meer persoonlijke verkenning van de bevindingen mogelijk wordt. Het is vooral nuttig in scenario’s waar het begrijpen van gegevensnuances cruciaal is, zoals bij verkennende gegevensanalyse of bij het presenteren van resultaten aan een divers publiek.
Zo transformeer je een ggplot2 plot in een interactieve plotly:
library(ggplot2)
library(plotly)
Attaching package: 'plotly'The following object is masked from 'package:ggplot2':
last_plotThe following object is masked from 'package:stats':
filterThe following object is masked from 'package:graphics':
layout# Creëer een ggplot
p <- ggplot(mtcars, aes(wt, mpg)) +
geom_point(aes(text = rownames(mtcars)), size = 4) +
labs(title = "Motor Testen",
x = "Gewicht (in:1000 lbs)",
y = "Mijlen/(VS, in: gallon") +
theme_minimal()Warning in geom_point(aes(text = rownames(mtcars)), size = 4): Ignoring unknown
aesthetics: text# Omzetten naar plotly
ggplotly(p, tooltip = "text")Deze code demonstreert het gemak waarmee een statische ggplot2 visualisatie kan worden omgezet in een interactieve plotly grafiek. Door plotly op te nemen in je toolkit voor het vertellen van data, ontgrendel je een wereld waarin datavisualisaties niet alleen worden gezien, maar ook ervaren.
leafletGeoruimtelijke datavisualisatie is een kritisch aspect van verhalen vertellen op veel gebieden, van milieuwetenschap tot stedelijke planning. leaflet voor R brengt de kracht van interactieve kaarten naar uw rapporten, zodat u gedetailleerde, dynamische kaarten kunt maken die direct in HTML-documenten kunnen worden ingesloten. Gebaseerd op de Leaflet.js bibliotheek, is het de belangrijkste tool voor het bouwen van interactieve kaarten in het R ecosysteem.
Met leaflet kun je meerdere gegevensbronnen in lagen op één kaart plaatsen, het uiterlijk van kaarten aanpassen en interactieve functies zoals pop-ups en markeringen toevoegen. Het ondersteunt verschillende kaarttypen, waaronder basiskaarten van OpenStreetMap, Mapbox en Google Maps. Of je nu migratiepatronen volgt, gegevens over klimaatverandering visualiseert of demografische trends laat zien, leaflet maakt ruimtelijke gegevens toegankelijk en aantrekkelijk.
Voor Quarto of R Markdown rapporten bestemd voor het web, bieden leaflet kaarten een dynamische manier om geografische gegevens te presenteren. In tegenstelling tot statische kaarten, stelt leaflet lezers in staat om in en uit te zoomen, verschillende lagen te verkennen en direct te interageren met de datapunten. Deze interactiviteit verhoogt de betrokkenheid en het begrip van de gebruiker, waardoor leaflet een hulpmiddel van onschatbare waarde is voor rapporten die locatie-gebaseerde analyses of bevindingen bevatten.
Een interactieve kaart maken met leaflet is eenvoudig:
library(leaflet)
# Voorbeelddata: Locaties van sommige belangrijke steden
cities <- data.frame(
lon = c(-74.00597, -0.127758, 151.20732),
lat = c(40.71278, 51.50735, -33.86785),
city = c("New York", "Londen", "Sydney")
)
# Maak een leaflet kaart
leaflet(cities) %>%
addTiles() %>% # Voeg de default OpenStreetMap kaartmarkeringen toe
addMarkers(~lon, ~lat, popup = ~city)Dit voorbeeld demonstreert hoe je een basis interactieve kaart maakt die specifieke locaties toont. Met leaflet wordt de complexiteit en diepte van uw ruimtelijke visualisaties alleen beperkt door uw verbeelding.
DTBij het presenteren van gegevens zijn tabellen onmisbaar om gedetailleerde informatie op een gestructureerde manier weer te geven. DT (DataTables) is een R pakket dat de jQuery DataTables plugin integreert en statische tabellen transformeert in interactieve verkenningstools. Het stelt gebruikers in staat om tabellen te doorzoeken, sorteren en pagineren direct in HTML-rapporten, waardoor de gebruiker beter in staat is om met de gegevens om te gaan en ze te begrijpen.
DT biedt een overvloed aan functies om tabellen interactiever en gebruiksvriendelijker te maken. Hoogtepunten zijn automatische of aangepaste kolomfiltering, opties voor tabelstyling en de mogelijkheid om knoppen op te nemen voor het exporteren van de tabel naar CSV, Excel of PDF-formaten. Deze functies zijn vooral handig in rapporten die grote datasets bevatten, zodat lezers kunnen navigeren en zich kunnen concentreren op de gegevens die hen het meest interesseren.
Voor rapporten gegenereerd in Quarto of R Markdown met een HTML uitvoer, biedt DT een superieure manier om tabelgegevens te presenteren. Het overbrugt de kloof tussen statische tabellen, die overweldigend en moeilijk te navigeren kunnen zijn, en de behoefte aan dynamische, toegankelijke datapresentatie. Of je nu onderzoeksresultaten, financiële gegevens of wetenschappelijke metingen samenvat, DT-tabellen kunnen de leesbaarheid en bruikbaarheid van je rapporten aanzienlijk verbeteren.
Hier is een eenvoudig voorbeeld van hoe je een interactieve tabel kunt maken met DT:
library(DT)
# Voorbeelddata: Een deelset van de mtcars-dataset
data(mtcars)
mtcars_subset <- head(mtcars, 10)
# Render een interactieve tabel
datatable(mtcars_subset, options = list(pageLength = 5, autoWidth = TRUE))Dit codefragment demonstreert hoe je een subset van de mtcars dataset omzet in een interactieve tabel, compleet met paginering en instelbare kolombreedtes. Door DT in je rapportagetoolkit te integreren, kun je ervoor zorgen dat zelfs de dichtste gegevenstabellen navigeerbare en inzichtelijke onderdelen van je verhaal worden.
gtTerwijl DT zich richt op interactiviteit voor gegevenstabellen, brengt het gt pakket ongeëvenaarde niveaus van aanpassing en opmaak naar het maken van tabellen in R. Gt, dat staat voor “Grammatica van Tabellen”, stelt je in staat om zeer gedetailleerde en mooi opgemaakte tabellen te maken die informatie duidelijk en effectief communiceren, vergelijkbaar met hoe ggplot2 het maken van plotten revolutioneert.
Met gt kun je tabellen maken die verder gaan dan alleen de presentatie van gegevens; het stelt je in staat om een verhaal te vertellen met je gegevens. Van het toevoegen van voetnoten, het kleuren van cellen op basis van waarden, tot het maken van complexe lay-outs met gegroepeerde kopteksten en overspannen labels, gt biedt een uitgebreide reeks gereedschappen om de esthetische en functionele aspecten van tabellen in je rapporten te verbeteren.
In Quarto of R Markdown rapporten, ongeacht het uitvoerformaat (HTML, PDF of DOCX), kunnen gt tabellen de visuele standaard en leesbaarheid van je presentaties aanzienlijk verhogen. Vooral in PDF’s en geprinte documenten, waar interactieve elementen niet mogelijk zijn, maakt de gedetailleerde aanpassing die gt biedt uw tabellen niet alleen gegevenscontainers maar ook belangrijke verhalende elementen van uw rapport.
Om de mogelijkheden van gt te demonstreren, maken we een eenvoudige maar gestileerde tabel met een subset van de mtcars dataset:
library(gt)
# Voorbeelddata: Een deelset van de mtcars dataset
data <- head(mtcars, 10)
gt_table <- gt(data) %>%
tab_header(
title = "Motor Testen",
subtitle = "Een deelverzameling van de mtcars-dataset"
) %>%
cols_label(
mpg = "Mijlen/(US:in gallon)",
cyl = "Aantal cylinders",
disp = "Verplaatsing (cu.in.)"
) %>%
fmt_number(
columns = vars(mpg, disp),
decimals = 2
) %>%
tab_style(
style = cell_fill(color = "gray"),
locations = cells_column_labels(columns = TRUE)
) %>%
tab_style(
style = cell_text(color = "white"),
locations = cells_column_labels(columns = TRUE)
)Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated.
• Please use `columns = c(...)` instead.
Since gt v0.3.0, `columns = vars(...)` has been deprecated.
• Please use `columns = c(...)` instead.Warning: Since gt v0.3.0, `columns = TRUE` has been deprecated.
• Please use `columns = everything()` instead.
Since gt v0.3.0, `columns = TRUE` has been deprecated.
• Please use `columns = everything()` instead.gt_table| Motor Testen | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Een deelverzameling van de mtcars-dataset | ||||||||||
| Mijlen/(US:in gallon) | Aantal cylinders | Verplaatsing (cu.in.) | hp | drat | wt | qsec | vs | am | gear | carb |
| 21.00 | 6 | 160.00 | 110 | 3.90 | 2.620 | 16.46 | 0 | 1 | 4 | 4 |
| 21.00 | 6 | 160.00 | 110 | 3.90 | 2.875 | 17.02 | 0 | 1 | 4 | 4 |
| 22.80 | 4 | 108.00 | 93 | 3.85 | 2.320 | 18.61 | 1 | 1 | 4 | 1 |
| 21.40 | 6 | 258.00 | 110 | 3.08 | 3.215 | 19.44 | 1 | 0 | 3 | 1 |
| 18.70 | 8 | 360.00 | 175 | 3.15 | 3.440 | 17.02 | 0 | 0 | 3 | 2 |
| 18.10 | 6 | 225.00 | 105 | 2.76 | 3.460 | 20.22 | 1 | 0 | 3 | 1 |
| 14.30 | 8 | 360.00 | 245 | 3.21 | 3.570 | 15.84 | 0 | 0 | 3 | 4 |
| 24.40 | 4 | 146.70 | 62 | 3.69 | 3.190 | 20.00 | 1 | 0 | 4 | 2 |
| 22.80 | 4 | 140.80 | 95 | 3.92 | 3.150 | 22.90 | 1 | 0 | 4 | 2 |
| 19.20 | 6 | 167.60 | 123 | 3.92 | 3.440 | 18.30 | 1 | 0 | 4 | 4 |
Dit codefragment laat zien hoe je met gt niet alleen gegevens in tabellen kunt structureren en presenteren, maar ook artistieke expressie kunt geven aan gegevensrapportage, waardoor je tabellen zowel informatief als visueel aantrekkelijk worden.
ggiraphIn de zoektocht om rapporten boeiender te maken, komt ggiraph naar voren als een krachtige bondgenoot, die de transformatie van statische ggplot2 grafieken in interactieve visuele verhalen mogelijk maakt. Met ggiraph kunnen elementen in ggplot2 plots, zoals punten, lijnen en balken, interactief worden door tooltips, hover acties en zelfs hyperlinks te ondersteunen. Deze interactiviteit verrijkt de gebruikerservaring, waardoor een diepere verkenning en begrip van de onderliggende gegevens mogelijk wordt.
Het ggiraph pakket blinkt uit wanneer je een laag van betrokkenheid wilt toevoegen aan je datavisualisaties. Hiermee kunnen kijkers met de muis over specifieke elementen gaan om meer details te zien of op delen van de grafiek klikken om externe bronnen te openen. Deze mogelijkheid is van onschatbare waarde voor online rapporten, waar lezersbetrokkenheid en interactiviteit van het grootste belang zijn.
Voor HTML-gebaseerde rapporten die zijn gemaakt met Quarto of R Markdown, verbetert ggiraph de mogelijkheden voor het vertellen van verhalen door van datavisualisaties een tweerichtings interactiekanaal te maken. Deze functie is vooral nuttig voor verkennende data-analyse, educatief materiaal, of elk rapport dat als doel heeft een meeslepende data-exploratie-ervaring te bieden. Hoewel ggiraph uitblinkt in webomgevingen, behouden de statische versies van deze verrijkte plots nog steeds hun esthetische en informatieve waarde in PDF of DOCX outputs.
Hier is een eenvoudig voorbeeld van hoe je een interactieve plot kunt maken met ggiraph, door gebruik te maken van een eenvoudige ggplot2 staafdiagram:
# Voorbeeld van
#https://www.productive-r-workflow.com/quarto-tricks#ggiraph
# Te goed om niet te delen
# Op deze site vind je meer Quarto trucs.
library(ggplot2)
library(ggiraph)
library(patchwork)
# Voorbeelddata - die je door eigen data kunt vervangen
map_data <- data.frame(
id = 1:3,
lat = c(40, 42, 37),
lon = c(-100, -120, -95),
group = c("A", "B", "C")
)
line_data <- data.frame(
id = rep(1:3, each = 10),
time = rep(seq(as.Date("2021-01-01"), by = "1 month", length.out = 10), 3),
value = rnorm(30),
group = rep(c("A", "B", "C"), each = 10)
)
# Kaart met interactieve punten
map_plot <- ggplot() +
borders("world", colour = "gray80", fill = "gray90") + # Voeg een wereldkaart op achtergrond toe
geom_point_interactive(data = map_data, aes(x = lon, y = lat, size = 5, color=group, tooltip = group, data_id = group)) +
theme_minimal() +
theme(legend.position = "none") +
coord_sf(xlim = c(-130, -65), ylim = c(10, 75))
# Line chart with interactive lines
line_plot <- ggplot(line_data, aes(x = time, y = value, group = group, color=group)) +
geom_line_interactive(aes(data_id = group, tooltip = group))
combined_plot <- girafe(
ggobj = map_plot + plot_spacer() + line_plot + plot_layout(widths = c(0.35, 0, 0.65)),
options = list(
opts_hover(css = ''),
opts_hover_inv(css = "opacity:0.1;"),
opts_sizing(rescale = FALSE)
),
height_svg = 4,
width_svg = 12
)
combined_plotDit voorbeeld gaat uit van een scenario waarbij klikken op een punt in de scatterplot (hier vereenvoudigd als klikken op een categorie) het histogram dynamisch zou bijwerken om de verdeling van waarden voor die categorie weer te geven.
patchworkTerwijl ggiraph individuele plots tot leven brengt met interactiviteit, is patchwork het gereedschap voor het harmonieus combineren van meerdere ggplot2 plots in een samenhangende compositie. patchwork vereenvoudigt het proces van het rangschikken van meerdere plots, waardoor complexe lay-outs mogelijk zijn die een uniforme esthetiek behouden. Het is vergelijkbaar met het samenstellen van een visuele symfonie van individuele noten, waarbij elke plot zijn rol speelt in het overkoepelende verhaal van de gegevens.
patchwork blinkt uit in flexibiliteit en gebruiksgemak en biedt een syntaxis die zowel intuïtief als krachtig is. Je kunt plots verticaal, horizontaal en genest rangschikken en de afstand, uitlijning en zelfs gedeelde legenda’s regelen. Deze mogelijkheden zijn van onschatbare waarde wanneer je verschillende aspecten van je gegevens naast elkaar moet vergelijken of een verhaal met meerdere facetten moet vertellen door middel van een reeks visualisaties.
In zowel Quarto als R Markdown rapporten, ongeacht het uitvoerformaat, kun je met patchwork visueel aantrekkelijke en informatieve plotopstellingen maken. Voor statische rapporten (PDF, DOCX) kunnen deze composities helpen om complexe informatie in een verteerbaar formaat over te brengen. Voor HTML-rapporten voegt patchwork geen interactiviteit toe aan de plots zelf, maar de strategische rangschikking van visuele elementen kan de lezer helpen bij het verkennen van de gegevens.
Laten we, om de kracht van patchwork te demonstreren, een samenstelling maken van twee eenvoudige ggplot2 plots:
library(ggplot2)
library(patchwork)
# Eerste grafiek: Een scatterplot
p1 <- ggplot(mtcars, aes(mpg, disp)) +
geom_point(aes(color = cyl)) +
labs(title = "Verplaatsing vs. MPG")
# Tweede grafiek: Een barplot
p2 <- ggplot(mtcars, aes(factor(cyl))) +
geom_bar(aes(fill = factor(cyl))) +
labs(title = "Cylinder Aantal")
# Combineer grafieken met patchwork
plot_combo <- p1 + p2 +
plot_layout(ncol = 1, heights = c(1, 1)) +
plot_annotation(title = "Voertuig Karakteristieken")
# Weergave van de gecombineerde grafiek
plot_combo
Dit voorbeeld laat zien hoe patchwork naadloos twee verschillende ggplot2 plots combineert tot een enkele, samenhangende visuele weergave. Door plots te rangschikken in een doordacht ontworpen lay-out, kunt u de verhalende impact van uw gegevensvisualisaties in rapporten verbeteren.
Onze reis door het landschap van R-pakketten voor het verbeteren van rapporten in Quarto en R Markdown weerspiegelt de cruciale scène uit The Matrix, waar een scala aan tools wordt opgeroepen met een duidelijke missie in gedachten. In ons verhaal vormen deze tools ggplot2, plotly, leaflet, DT, gt, ggiraph en patchwork een robuust arsenaal, elk met unieke mogelijkheden om onze datarapporten niet alleen informatief, maar ook boeiend en aantrekkelijk te maken. - ggplot2 legde de basis en bood een veelzijdig platform voor het maken van een breed scala aan plots met uitgebreide aanpassingsmogelijkheden, zodat elke grafiek precies de beoogde boodschap overbrengt. - plotly en ggiraph introduceerden interactiviteit en transformeerden statische afbeeldingen in dynamische conversaties, waarbij lezers werden uitgenodigd om de gegevens te verkennen en er interactief mee om te gaan.
- Met leaflet konden we onze verhalen in kaart brengen, geografische context bieden en locatiegegevens toegankelijker en begrijpelijker maken.
- Met DT en gt hebben we een revolutie teweeggebracht in de manier waarop we gegevens in tabelvorm presenteren, door dichte tabellen om te zetten in duidelijke, aantrekkelijke visuele elementen van onze rapporten. - Bij patchwork leerden we de kunst van compositie, waardoor we afzonderlijke plots konden verweven tot samenhangende visuele verhalen die de lezer naadloos door onze analyses leiden.
Elk van deze pakketten kan worden gezien als een ander type “vuurwapen” in ons arsenaal voor datavisualisatie, dat is uitgerust om specifieke uitdagingen en doelstellingen op het gebied van digitale verslaggeving aan te gaan. Of we nu streven naar duidelijkheid, betrokkenheid, interactiviteit of al het bovenstaande, onze gereedschapskist is nu volledig gevuld om elk gegevensverhaal tot leven te brengen.
Onthoud bij het afsluiten van deze verkenning dat de ware kracht van deze tools niet alleen ligt in hun individuele mogelijkheden, maar in hoe ze gecombineerd kunnen worden om een samenhangend, boeiend verhaal te vertellen. Net zoals Neo zijn arsenaal koos voor de missie die voor hem lag, heb jij nu de kennis om de juiste tools te kiezen voor jouw behoeften op het gebied van datavisualisatie, zodat je rapporten niet alleen worden gezien, maar ook worden onthouden.
Het landschap van data storytelling is enorm en verandert voortdurend, maar met dit arsenaal tot je beschikking ben je goed uitgerust om je stempel te drukken. Dus gebruik deze tools, verken hun potentieel en begin met het maken van dataverhalen die weerklank vinden, informeren en inspireren.
In de winter van 2024 gaf Samantha Csik een interessante cursus Data Visualisatie en Communnicatie voor de Master of Environtal Data Science. In de resources van deze cursus raadt zij dit interessante boeken- en materiaaloverzicht aan.
{tidyverse}ggplot2 (OPMERKING: dit is momenteel (vanaf november 2023) een werk-in-uitvoering, en zoals de auteurs het zeggen, “een dumpplaats voor ideeën… we raden niet aan het te lezen” – het is nog steeds de moeite waard om het bestaan ervan te noteren zodat je er in de toekomst naar terug kunt keren!){paletteer}: biedt algemene functies voor toegang tot een bijna uitgebreide lijst van paletten; bekijk ook zeker de R Color Palettes website, die previews bevat van alle paletten (als je erop klikt, zie je de {paletteer} code om het te gebruiken of de bijbehorende HEX-codes, samen met voorbeeldvisualisaties){ggplot2}; controleer deze collectie van korte artikelen over het kiezen van lettertype{ggplot2} makers(Naar mijn eerlijke mening) Een van de beste manieren om te leren hoe je spannende ggplots maakt, is door te kijken naar code die anderen hebben geschreven. Hier zijn een paar mensen die echt ongelooflijk werk doen (samen met hun repo’s waar ze vaak hun creaties laten zien):
| Maker | {{< fa brands github >}} Data Vis Repository (en andere online materialen) |
|---|---|
| Ijeamaka Anyene | tidytuesday |
| Elmera Azadpour | Elmera (MESM 2022) is a Data Vis Specialist bij USGS en bouwt fantastische viz; probeer haar GitHub profile voor veel koele repo’s |
| Aman Bhargava | tidytuesday (Aman gebruikt een variëteit van verschillende gereedschappen & talen voor zijn TidyTuesday creaties) |
| Meghan Hall | kijk naar Meghan’s fantastische blog posts, die vaak gaan over een aantal {ggplot2} topics |
| Ryan Hart | TidyTuesday |
| Georgios Karamanis | tidytuesday |
| Jake Kaupp | tidytuesdays |
| Danielle Navarro | generatieve kunst outputs van verschillende repo’s op Danielle’s website worden gevonden Gallery |
| Cristophe Nicault | tidytuesday |
| Dan Oehm | tidytues |
| Albert Rapp | PublicTidyTuesday, maar kijk ook naar zijn YouTube channel & blog |
| Nicola Rennie | tidytuesday (Nicola neemt ook al haar werk op door gebruik te maken van het {camcorder} pakket) |
| Cédric Scherer | TidyTuesday |
| Tanya Shapiro | tanya-data-viz |
| Cara Thompson | tidytuesdays |
Beperk je zeker niet tot alleen {ggplot2} makers! Er zijn zoveel ongelooflijke data verhalen-vertellers en informatie-ontwerpers om inspiratie uit te putten en van te leren. Een paar voorbeelden:
{ggplot2} gebruikt, naar andere datavisualisatie gereedschappen)Data zijn er overal, maar dat betekent niet dat ze per se makkelijk op te sporen zijn. Hier zijn een aantal plaatsen waar ik gegevens heb gevonden en gebruikt (of in ieder geval heb overwogen om gegevens te gebruiken). Als jij een koele databron hebt gevonden (vooral als het een bron van milieugegevens is), dan zou ik dat graag willen weten! Het kan me helpen om lesmateriaal op te bouwen met nieuwe/andere voorbeelden, en het kan ook je collega’s helpen die misschien op zoek zijn naar soortgelijke gegevens. Overweeg alsjeblieft om gegevensbronnen bij te dragen via [dit Google-formulier] (https://forms.gle/uYC7eEie1XZ7D4Xm6).
{tidycensus} package – waarmee R-gebruikers eenvoudiger kunnen interfacen met een select aantal data-API’s van het [US Census Bureau] (https://www.census.gov/) en tidyverse-klare dataframes kunnen retourneren.Hier stonden de Santa Barbara gemeenschappen. Deze heb ik vervangen door twee Amsterdamse initiatieven.