Prácticas recomendadas: Elementos máximos para diferentes tipos de visualización

Prácticas recomendadas: Elementos máximos para diferentes tipos de visualización

Las visualizaciones son excelentes para comprender los conjuntos de datos, pero a veces los datos son demasiado grandes para una determinada técnica de visualización. Cada tipo de visualización tiene límites sobre cuánto puede mostrar sin dejar de ser útil. Estos límites no se deben solo a la visualización, también provienen de las capacidades de nuestro cerebro para percibir e interpretar lo que ven nuestros ojos. Los diferentes tipos de visualización se basan en diferentes capacidades de nuestro sistema visual, por lo que cada uno tiene límites diferentes. Veamos algunos ejemplos.

Descargue esta publicación ingresando su correo electrónico a continuación

Gráficos circulares

Los gráficos circulares se encuentran entre las visualizaciones más populares para datos porcentuales, pero no son apropiados para más de siete categorías. Esto se debe a que nuestros cerebros no son particularmente buenos para diferenciar diferentes ángulos, y aún peor para decir qué tan separados están los diferentes ángulos entre sí. Si tiene un gráfico circular con más de siete categorías, considere convertirlo en un gráfico de barras. La relación entre la parte y el todo ya no es evidente, pero, por lo general, es más importante ver la diferencia entre las diferentes categorías. Los datos del gráfico circular a continuación se tomaron de un gráfico circular en una infografía enviada recientemente a Visualmente. Tiene demasiadas categorías para ser útil, aunque estar ordenada ciertamente ayuda mucho. El gráfico de barras muestra los mismos datos, pero la relación entre la parte y el todo no es visible. Sin embargo, en este caso, esa relación no es crítica. Lo que es más importante es ver no solo qué categorías están por delante de otras categorías, sino cuánto están por delante (en este caso, las únicas diferencias significativas parecen estar en las dos primeras categorías). Mantener el eje de 0-100% también muestra el contexto de los valores. PieColor

Colores

Notarás en los gráficos de arriba que los colores se repiten. La misma repetición estaba allí en el gráfico circular original, solo que con diferentes colores. Los colores son otro factor limitante en muchas visualizaciones de datos categóricos. El número máximo de colores (con valores de luminancia similares) que podemos distinguir y recordar fácilmente es de alrededor de 12. Los 12 colores a continuación se han tomado de Colorbrewer2.orgun gran recurso para escalas de color categóricas y continuas. Colors

Gráficos de barras y columnas

Los gráficos de barras y columnas de datos categóricos también tienen un límite superior en el número apropiado de barras. Ese número está limitado por varias cosas. Hipotéticamente, el espacio de la pantalla es importante. Después de todo, si no puede ver todo el gráfico a la vez, depende de la memoria en lugar de la visualización de las partes fuera de la pantalla. Hoy en día, las resoluciones de las pantallas suelen ser lo suficientemente altas como para que el recuento de píxeles ya no sea el factor limitante. Entonces, los factores limitantes son un poco más complejos y dependen de varias cuestiones. Primero, ¿qué importa más en los datos? ¿Hay una tendencia general que sea importante, o es la diferencia entre las categorías individuales el enfoque? Si la tendencia general es el factor importante, es posible que pueda salirse con la suya con 50 barras o más. Si las diferencias individuales son importantes, probablemente desee mantener el número total de barras por debajo de 12. Cada barra que agrega aumenta exponencialmente el número de posibilidades de comparación. Eso no quiere decir que las personas realmente hagan todas estas comparaciones cuando miran un gráfico de barras, es probable que detecten las importantes o las grandes diferencias y solo las hagan. El siguiente gráfico ilustra cómo las diferencias individuales son difíciles de comparar utilizando demasiadas barras, mientras que las tendencias generales aún son visibles.

Bar

Gráficos de líneas

Los gráficos de líneas son otro tipo de visualización con límites en la cantidad de elementos. La cantidad de puntos en las líneas solo está limitada por el espacio de la pantalla, sin embargo, la cantidad de líneas está limitada por problemas de percepción. Demasiadas líneas harán que las personas tengan dificultades para ver y rastrear cada línea individual, dependiendo de los cruces de línea. El siguiente cuadro fue tomado de un gráfico enviado recientemente a Visualmente. Solo tiene siete líneas, pero las inferiores se cruzan mucho y se cruzan en ángulos bajos entre sí (intenta trazar la línea morada). Esto no es un factor decisivo para este gráfico en particular porque la línea roja con el gran pico es donde está la historia, pero no todos los datos tienen la misma historia. Line

Gráfico de dispersión

Los diagramas de dispersión pueden mostrar fácilmente más elementos que cualquier otra visualización para datos tabulares (el finalista son las coordenadas paralelas). Hay varias razones para los altos números. La primera razón es increíblemente simple: los puntos no ocupan mucho espacio. En segundo lugar, dado que un diagrama de dispersión es bueno para mostrar la correlación entre las dimensiones, la información realmente proviene del grupo agregado, no del individuo. Por esta razón, el etiquetado que consume espacio necesario en otros gráficos no es necesario para muchos diagramas de dispersión. En el siguiente ejemplo, es fácil ver dos agrupaciones y una ligera correlación dentro de cada grupo. Con algunos cambios de color, etiquetas de ejes y texto explicativo, este visual podría tomar cientos de elementos y convertirlos en un pequeño conjunto de ideas. Scatterplot Una cosa crítica para recordar es que con casi todas las visualizaciones, cuantos más elementos haya, más tiempo necesitarán pasar las personas examinando la visualización antes de que puedan interpretar la información. Para una infografía destinada a hacer un punto, el objetivo es probablemente rápido y fácil. En pocas palabras: si sus datos son demasiado grandes, es posible que necesite más análisis para reducirlos a las partes esenciales. dibujó skau es estudiante de doctorado en Visualización de Ciencias de la Computación en CNUCCcon una licenciatura en Arquitectura.