Wenn gute Daten schlechte Plots machen

Fortgeschrittene Datenvisualisierung mit ggplot2

Rick Scavetta

Founder, Scavetta Academy

Schlechte Plots: Stil

• Farbe
  • Nicht farbenblind-freundlich (z. B. vor allem Rot und Grün)
  • Falsche Palette für den Datentyp (denk an sequenziell, qualitativ, divergent)
  • Ununterscheidbare Gruppen (Farben zu ähnlich)
  • Unschön (hohe Sättigung, Primärfarben)
• Text
  • Unleserlich (z. B. zu klein, geringe Auflösung)
  • Nichtssagend (z. B. „Länge“ – wovon? welche Einheiten?)
  • Fehlend
  • Unpassend (z. B. Comic Sans)

Schlechte Plots: Struktur und Inhalt

• Informationsgehalt
  • Zu viele Infos (TMI)
  • Zu wenige Infos (TLI)
  • Keine klare Botschaft oder kein Zweck
• Achsen
  • Schlechtes Seitenverhältnis
  • Nullpunkt unterdrückt
  • Gebrochene x- oder y-Achsen
  • Gemeinsame, aber nicht ausgerichtete Skalen
  • Falsche oder fehlende Transformation

• Statistik
  • Visualisierung passt nicht zur Statistik
• Geometrien
  • Falscher Plottyp
  • Falsche Ausrichtung
• Non-Data Ink
  • Unangemessene Verwendung
• 3D-Plots
  • Wahrnehmungsprobleme
  • Nutzlose 3. Achse

Falsche Ausrichtung

Gebrochene y-Achsen

Gebrochene y-Achsen, durch transformierte Daten ersetzen

Gebrochene y-Achsen, Facets nutzen

3D-Plots ohne Daten auf der 3. Achse

3D-Plots mit Daten auf der 3. Achse

Doppelte y-Achsen

Doppelte y-Achse für Transformationen

Leitlinien, keine Regeln

• Nutze deinen gesunden Menschenverstand:
  • Verdeckt irgendetwas im Plot eine klare Lesart der Daten oder der Kernbotschaft?

Lass uns üben!

Fortgeschrittene Datenvisualisierung mit ggplot2