Una buena manera de mostrar muchos datos gráficamente

Question

Estoy trabajando en un proyecto que incluye 14 variables y 345.000 observaciones de datos sobre viviendas (cosas como el año de construcción, los metros cuadrados, el precio de venta, el condado de residencia, etc.). Me preocupa tratar de encontrar buenas técnicas gráficas y bibliotecas de R que contengan buenas técnicas de trazado.

Ya estoy viendo que en ggplot y lattice funcionará bien, y estoy pensando en hacer gráficos de violín para algunas de mis variables numéricas.

¿Qué otros paquetes recomendaría la gente para mostrar una gran cantidad de variables numéricas o de tipo factorial de forma clara, pulida y, sobre todo, sucinta?

Answer 1

El mejor "gráfico" es tan obvio que nadie lo ha mencionado todavía: hacer mapas. Los datos de las viviendas dependen fundamentalmente de la ubicación espacial (según el viejo dicho sobre los bienes inmuebles), así que lo primero que hay que hacer es un mapa claro y detallado de cada variable. Para hacerlo bien con un tercio de millón de puntos se necesita un SIG de tipo industrial, que puede hacer el proceso en poco tiempo. Después tiene sentido seguir haciendo gráficos de probabilidad y diagramas de caja para explorar las distribuciones univariantes, y trazar matrices de dispersión y diagramas de caja esquemáticos, etc., para explorar las dependencias, pero los mapas sugerirán inmediatamente qué explorar, cómo modelar las relaciones de los datos y cómo dividir los datos geográficamente en subconjuntos significativos.

Answer 2

Le recomiendo que eche un vistazo a GGobi que también tiene una interfaz R, al menos para fines de exploración. Dispone de una serie de visualizaciones gráficas especialmente útiles para tratar un gran número de observaciones y variables y para relacionarlas entre sí. Puede empezar por ver algunos de los vídeos de la sección "Watch a demo" de la página web Aprender GGobi página.

Actualización

Enlaces a las herramientas de Hadley Wickham para GGobi, como sugiere chl en los comentarios:

• DescribeDisplay "Paquete de R que proporciona una forma de recrear los gráficos de ggobi en R"
• clusterfly "Explorar los resultados de la agrupación en altas dimensiones"
• rggobi "Paquete R que proporciona una interfaz sencilla con GGobi"

Answer 3

Creo que en realidad está haciendo dos preguntas: 1) qué tipo de visualizaciones utilizar y 2) qué paquete de R puede producirlas.

En el caso de qué tipo de gráfico utilizar, hay muchos, y depende de tus necesidades (por ejemplo: tipos de variables - numéricas, factoriales, geográficas, etc., y el tipo de conexiones que te interesa mostrar):

• Si tiene muchas variables numéricas, es posible que desee utilizar una matriz de dispersión (eche un vistazo aquí )
• Si tiene muchas variables factoriales, puede utilizar una matriz de dispersión para los factores (eche un vistazo aquí )
• También puede ir con hacer algo de Coordenadas paralelas allí son varios formas para hacerlo en R.
• Para obtener una gama más amplia de facilidades gráficas en R, eche un vistazo al vista de la tarea de gráficos .

Ahora en cuanto a cómo hacerlo. Un problema con muchos puntos de datos es el tiempo hasta que se crea el gráfico. ggplot2, iplots, ggobi no son muy buenos para demasiados puntos de datos (al menos desde mi experiencia). En este caso, es posible que desee centrarse en las instalaciones de gráficos de base de R, o la muestra de sus datos y en que para utilizar todas las otras herramientas. O puedes esperar que la gente que desarrolla iplots extreme (o Acinonyx ) llegaría a una fase de lanzamiento anticipada.

Answer 4

Mondrian ofrece funciones interactivas y maneja conjuntos de datos bastante grandes (aunque está en Java).

Paraview incluye funciones de viz. 2D/3D.

Answer 5

Me gustaría llamar su atención, Coordenadas paralelas: Geometría visual multidimensional y sus aplicaciones que contiene los últimos avances y aplicaciones en este campo.

El libro fue elogiado por Stephen Hawking, entre otros. Las superficies se describen (utilizando la dualidad) por sus vectores normales en sus puntos. Contiene aplicaciones al control del tráfico aéreo (evitación automática de colisiones - 3 patentes en EE.UU.), minería de datos multivariante (en conjuntos de datos reales, algunos con cientos de variables), optimización multiobjetivo, control de procesos, pantallas inteligentes de cuidados intensivos, seguridad, visualización de redes y, recientemente, Big Data.