{ "version": "https:\/\/jsonfeed.org\/version\/1.1", "title": "Reveal the Data: заметки с тегом разбор", "_rss_description": "Блог Ромы Бунина про визуализацию данных, Tableau и развитие BI-систем.", "_rss_language": "ru", "_itunes_email": "buninra@mail.ru", "_itunes_categories_xml": "", "_itunes_image": "https:\/\/revealthedata.com\/blog\/pictures\/userpic\/userpic-square@2x.jpg?1612211172", "_itunes_explicit": "no", "home_page_url": "https:\/\/revealthedata.com\/blog\/tags\/razbor\/", "feed_url": "https:\/\/revealthedata.com\/blog\/tags\/razbor\/json\/", "icon": "https:\/\/revealthedata.com\/blog\/pictures\/userpic\/userpic@2x.jpg?1612211172", "authors": [ { "name": "Роман Бунин", "url": "https:\/\/revealthedata.com\/blog\/", "avatar": "https:\/\/revealthedata.com\/blog\/pictures\/userpic\/userpic@2x.jpg?1612211172" } ], "items": [ { "id": "36", "url": "https:\/\/revealthedata.com\/blog\/all\/job-digitalisation\/", "title": "Оцифровка профессий в США", "content_html": "

Кирилл Беляев в своём телеграмм-канале разобрал визуализацию про проникновение IT и  автоматизации в профессии<\/a>. Я помогал ему обсуждениями и разработкой прототипа.<\/p>\n

Вот, что получилось. На картинке финальный макет, которые сверстал Кирилл, а по ссылке прототип в Табло.<\/p>\n

\n\n\"\"\n<\/a><\/div>\n

http:\/\/revealthedata.com\/examples\/job-digitalisation\/<\/a><\/p>\n", "date_published": "2018-03-01T10:28:53+02:00", "date_modified": "2022-09-18T15:26:18+02:00", "tags": [ "марафон", "разбор", "табло" ], "image": "https:\/\/revealthedata.com\/blog\/pictures\/photo_2018-03-01_10-49-12.jpg", "_date_published_rfc2822": "Thu, 01 Mar 2018 10:28:53 +0200", "_rss_guid_is_permalink": "false", "_rss_guid": "36", "_rss_enclosures": [], "_e2_data": { "is_favourite": false, "links_required": [], "og_images": [ "https:\/\/revealthedata.com\/blog\/pictures\/photo_2018-03-01_10-49-12.jpg" ] } }, { "id": "18", "url": "https:\/\/revealthedata.com\/blog\/all\/calories-in-fastfood\/", "title": "Разбор визуализации о количестве калорий в фастфуде", "content_html": "

В этот раз рассмотрим визуализацию Нейтана Яу<\/a> о количестве калорий в фастфуде.<\/p>\n

\n\n\"\"\n<\/a><\/div>\n

Вообще сама идея визуализации мне очень понравилась. Я сам люблю зайти в фастфуд заведения и перекусить. На картинке сразу видно, где самое «жирное» место и самый большой выбор блюд.<\/p>\n

Что не понравилось:
\n— Квадратики которые наслаиваются друг на друга.
\n— От верхних ресторанов далеко тянуться глазами до значений на оси.
\n— Нет возможности понять удельную калорийность продукта. Калории указаны на порцию, а не 100 грамм.
\n— Нет интерактивности и знакомых ресторанов. =)<\/p>\n

Исправим всё выше перечисленное.<\/p>\n

Для начала найдём данные. Нужны рестораны, список блюд, их категория, калорийность и размер порции. Самым правильным было бы скачать официальные меню. Но они есть не у всех ресторанов и информация не всегда структурирована одним образом. Я нашёл несколько сайтов про питание, и выбрал один из них<\/a>, показавшийся наиболее достойным.<\/p>\n

Скопировал данные в гугл таблиц:<\/p>\n

\n\"\"\n<\/div>\n

Немного магии и форматирования и получил чистые данные:<\/p>\n

\n\"\"\n<\/div>\n

Подключил данные к Табло:<\/p>\n

\n\"\"\n<\/div>\n

Исправил те замечания, которые у меня были к исходной визуализации. Вместо квадратиков использую засечки и сделал переключатель [на порцию\/на 100 грамм]. Ещё Кирилл Беляев помог мне подобрать цвета и подсказал с версткой.<\/p>\n

\n\n\"\"\n<\/a><\/div>\n

Живой прототип — http:\/\/revealthedata.com\/examples\/fastfood\/<\/a><\/p>\n

В этом прототипе я использовал два приема работы с Табло. Первый позволил мне сделать переключатель оси калорийности, а второй — продублировать эту ось наверх.<\/p>\n

Для создания переключателя я создал параметр, в котором хранится массив возможных осей:<\/p>\n

\n\"\"\n<\/div>\n

Затем создал рассчитываемое поле и записал туда свитч-функцию. Далее использовал это поле как ось для графика:<\/p>\n

\n\"\"\n<\/div>\n

Осталось только отобразить параметр и выбрать его внешний вид:<\/p>\n

\n\"\"\n<\/div>\n

Для того, чтобы продублировать ось икс наверх, я ещё раз добавил поле в колонки. Затем использовал двойные оси и скрыл верхний заголовок. Таким образом, мы показываем точки друг над другом, но этого не видно, так как выбран один и тот же параметр. Это кстати позволяет делать ещё много разных интересных «хаков», но о них в следующий раз.<\/p>\n

\n\"\"\n<\/div>\n

17, 18 и 19 июня пройдет наш курс по визуализации данных<\/a>. На нём расскажу о том как использовать Табло для визуализаций и какие применяем при этом приемы и хитрости. Таня расскажет про алгортим визуализации, а Дима про d3.js. Будет интересно, обещаю!<\/p>\n

UPD: Добавил поиск по блюдам.<\/p>\n", "date_published": "2017-05-27T08:25:48+02:00", "date_modified": "2022-09-18T15:24:55+02:00", "tags": [ "марафон", "пример", "разбор", "табло" ], "image": "https:\/\/revealthedata.com\/blog\/pictures\/calories-by-restaurant.png", "_date_published_rfc2822": "Sat, 27 May 2017 08:25:48 +0200", "_rss_guid_is_permalink": "false", "_rss_guid": "18", "_rss_enclosures": [], "_e2_data": { "is_favourite": false, "links_required": [], "og_images": [ "https:\/\/revealthedata.com\/blog\/pictures\/calories-by-restaurant.png", "https:\/\/revealthedata.com\/blog\/pictures\/goggl1.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/goggl2.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/tableau1.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/tableau3.gif", "https:\/\/revealthedata.com\/blog\/pictures\/tableau2.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/tableau3.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/tableau4.jpg", "https:\/\/revealthedata.com\/blog\/pictures\/tableau5.jpg" ] } }, { "id": "17", "url": "https:\/\/revealthedata.com\/blog\/all\/riskindex\/", "title": "Разбор визуализации о риске природных катаклизмов в разных странах", "content_html": "

В Лаборатория данных<\/a> мы визуализируем данные: работаем над проектами, создаём методологию, проводим курс. Для вдохновения изучаем чужие визуализации, а лучшие публикуем в рубрике #Δλlikes<\/a>. В этом году разбираем эти визуализации по пикселям.<\/p>\n

Мне запомнилась работа Джоша Холдера из Гардиан<\/a>. Красочно, понятно, но кажется, что можно добавить на визуализацию дополнительных измерений. Разберемся.<\/p>\n

\n\"\"\n<\/div>\n

Использован формат «уплотненного-баббл-чарта» — packed bubble chart<\/a>, положение точки по оси икс — индекс риска, размер — количество людей под угрозой, цвет — индекс риска (это точно не указано в статье, но похоже, что так). Страны разбиты по строчкам континентов.<\/p>\n

Что понравилось — цвета и формат шкалы. Красный ассоциируется с риском, и сначала хочется сделать низкий индекс зелёным, но автор сам приводит примеры, когда низкий индекс не спасал страны от катаклизмов. Спокойный голубой — хорошая альтернатива. Отличные подписи-стрелочки с дополнительной информацией, хотя можно подредактировать текст.<\/p>\n

Что хотелось бы улучшить — убрать дублирование информации цветом и положением по оси икс. На экране умещается только несколько континентов → сравнить все страны без прокрутки не получится. Большинство стран не подписано, свою не найдёшь и нет поиска.<\/p>\n

Попробую улучшить визуализацию. Иду смотреть источник данных<\/a> и разбираться как считается индекс риска. Ещё смотрю какие данные<\/a> используются в коде:<\/p>\n

\n\"\"\n<\/div>\n

И как определяется размер точки. Видно, что индекс риска — это процент людей, которые подвержены риску от катастроф.<\/p>\n

g.map(function (a) {\r\na.r = a.Population * a["Risk 2015"] \/ 100, a.x = a["Risk 2015"]\r\n});<\/code><\/pre>
Индекс риска состоит из двух составляющих — вероятности катастрофы и уязвимости страны к катастрофам (насколько хорошо строят дома, дороги и электросети, как обучено население, какие есть специальные службы по ликвидации последствий). Для вычисления индекса риска вероятность и уязвимость перемножаются. Об этом говорится в статье, но на визуализации этого не видно. Интересно сравнить как вероятность и уязвимость зависят друг от друга. Станет понятно какие страны несмотря на большую вероятность готовы справляться с проблемами.<\/p>\n
\n\"\"\n<\/div>\n
Скачаем данные (правда за 2016 год, а не 2015, как в статье) плюс добавим количество населения (данные за 2015 год). Используем вероятность и уязвимость, как оси для скетер-плота. Цвет и размер точек оставим, как ни исходной визуализации:<\/p>\n
\n\"\"\n<\/div>\n
На графике сразу видно интересные особенности — вероятность катастроф в Голландии и Бангладеше одинаковые, но Голландия гораздо менее уязвима. И наоборот, в республике Чад и Гаити, вероятность катастроф небольшая, зато подготовка страдает.<\/p>\n
Теперь все страны поместились на одном графике, при этом легко найти самые рисковые страны — они подсвечены цветом и расположены в верхнем правом углы.<\/p>\n
Скетер-плот добавил новых измерений и сделал компактным расположение. Потерялось сравнение стран внутри одного региона и нельзя найти свою страну. Чтобы решить это, дополним визуализацию картой. На карте легко сравнить регионы и найти свою страну. Не будем делать хороплет, а просто разместим точки с графика на карту:<\/p>\n
\n\"\"\n<\/div>\n
Регионы теперь объединены не строками, а естественными границами континентов. Найти свою страну просто, все знают где она на карте. Расположим два отображения рядом. Точки сохраняют свой размер на обоих отображениях, и легко соотносятся между собой (например, Индия и Китай), но многие страны одинакового размера. Свяжем точки между собой наведением. Добавим подписи-комментарии, подробности при наведении на точку и мини-таблицы с лидерами рейтинга.<\/p>\n
Вуаля:<\/p>\n
\n\"\"\n<\/div>\n
Пощупать живой прототип здесь — http:\/\/revealthedata.com\/examples\/riskindex\/<\/a><\/p>\n
Прототип сделан на скорую руку в табло, чтобы показать саму идею.<\/p>\n
А вот ещё пример packed bubble chart<\/a> от команды NYT. Здесь формат работает классно и здорово выглядит. Есть поиск, динамическое разделение на индустрии, указаны средние значения. Единственное, что я не понял — цвет тоже дублирует положение по оси икс. Интересно мнение читателей, зачем это нужно?<\/p>\n
\n\"\"\n<\/div>\n",
            "date_published": "2017-02-28T10:50:41+02:00",
            "date_modified": "2022-09-18T15:25:16+02:00",
            "tags": [
                "марафон",
                "пример",
                "разбор"
            ],
            "image": "https:\/\/revealthedata.com\/blog\/pictures\/guardian1@2x.jpg",
            "_date_published_rfc2822": "Tue, 28 Feb 2017 10:50:41 +0200",
            "_rss_guid_is_permalink": "false",
            "_rss_guid": "17",
            "_rss_enclosures": [],
            "_e2_data": {
                "is_favourite": false,
                "links_required": [
                    "system\/library\/highlight\/highlight.js",
                    "system\/library\/highlight\/highlight.css"
                ],
                "og_images": [
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian1@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian2@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian7@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian4@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian5@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian6@2x.jpg",
                    "https:\/\/revealthedata.com\/blog\/pictures\/guardian8@2x.jpg"
                ]
            }
        }
    ],
    "_e2_version": 4079,
    "_e2_ua_string": "Aegea 11.0 (v4079e)"
}