Я хотел бы узнать немного больше об интерактивной визуализации данных (масштабирование, наведение, чистка, отображение точек и так далее). Буду рад любому:
- Учебное пособие / руководство / книга (?) / Видео о том, как использовать такие методы для статистического исследования.
- Указатели на хорошие / интересные интерактивные пакеты data-viz (в R и за ее пределами)
Просто , чтобы начать мяч прокатки, я знаю , что в R есть различные способы , чтобы получить интерактивную визуализацию, как rggobi , новый googleViz R пакет , то пакет анимации и некоторые другие. Но если есть другие пакеты, которые стоит изучить (предлагающие вещи, которых нет у R), я был бы рад узнать о них (например, jmp, mathlab, spss, sas, excel и т. Д.).
PS: это первый вопрос, чтобы использовать тег «интерактивная визуализация»
data-visualization
interactive-visualization
Таль Галили
источник
источник
Ответы:
Помимо Protovis (HTML + JS) или Mayavi (Python), я бы порекомендовал обработку, которая является
На http://www.openprocessing.org/ есть много скриптов с открытым исходным кодом , а также много связанных книг , посвященных обработке, но также и визуализации данных.
Я знаю, что есть проект, обеспечивающий интерфейс R, rprocessing , но я не знаю, как это происходит. Есть также интерфейс с clojure / incanter (см., Например, Создание обработки визуализаций с Clojure и Incanter ).
Существует множество онлайн-ресурсов, среди которых заметки о классе Стэнфорда, например, CS448B или 7 классических основополагающих документов, которые вы, возможно, не хотите публично признаться в том, что не знаете .
источник
Еще несколько пакетов, чтобы добавить к предложению Chl обработки для создания интерактивных визуализаций. Все они основаны на javascript и могут работать в браузере, поэтому могут использоваться как для публикации, так и для собственного анализа:
Что касается вашего другого вопроса об обучении, для общих принципов заслуживает упоминания Дизайн информационных панелей , если вы хотите создать массив интерактивных стандартных инструментов общего назначения для ваших данных.
Интерактивные визуализации находятся на грани между статистикой и дизайном интерактивности : так что книги об этом могут быть полезны. У меня нет никакого личного опыта в учебниках по интерактивному дизайну, но я большой поклонник Универсальных принципов дизайна . Это может быть излишним для ваших нужд, но подумайте о том, чтобы заглянуть в столбец « Удобство использования» на его превосходной странице «Категориальное содержание» и прочитать перечисленные главы (прогрессивное раскрытие, отношение сигнал-шум и т. Д.).
Кроме того, для любого новичка в программировании, Интерактивность программирования является хорошим местом для начала развития технических навыков (в него также входит здоровенная глава по обработке).
Но зная , что работает и что возможно, вы не можете победить обучения , делая , и хороший удар старт может быть рассмотреть вопрос о заднем и анализе именитых большого ценника общего назначение интерактивных пакеты визуализации , как таблицы и СОЙ и подумайте, почему их функции разработаны именно так, как они есть.
источник
В дополнение к обработке, обратите внимание на Nodebox на основе Python (1, 2, OpenGL), который был вдохновлен обработкой:
Nodebox 1 - только Mac, а Nodebox 2 и версия OpenGL - кроссплатформенные.
В Python есть множество библиотек обработки данных, которые можно импортировать в Nodebox, например, scipy.org.
источник
В качестве отдельного подхода к существующим ответам вскоре после того, как я опубликовал свой первый длинный список, появился WEAVE : пакет для визуализации данных с открытым исходным кодом. Вот краткое описание WEAVE для ведущих данных в блоге Flowing Data.
Целесообразно использовать другой подход к визуализации данных в зависимости от того, где вы находитесь в процессе. Чем раньше вы - чем более необработанные и неисследованные ваши данные - тем больше у вас шансов получить выгоду от готовых, гибких универсальных пакетов, таких как WEAVE, и его коммерческих аналогов с закрытым исходным кодом, таких как Tableau и JMP, - вы сможете быстро и безболезненно, чтобы узнать данные и выяснить, какие линии атаки следует использовать, чтобы получить максимальную отдачу от них.
По мере того как вы узнаете больше о данных, ваш фокус, скорее всего, сместится в сторону коммуникации или «управляемого исследования» - более настраиваемых визуализаций исследовательских данных, разработанных на основе предостережений, нюансов и областей интереса, которые вы теперь обнаружили в данных. Это где чистые продукты, такие как программные инструменты векторного рисования, перечисленные выше, вступают в свои права.
источник