¿Te gusta la vista previa?
Esta es la primera lección gratuita. Obtén acceso completo: solicita una demo o inicia sesión.
Visualización de datos y expresión/narrativa
Trace datos mediante histogramas, diagramas de dispersión y mapas de calorPreview the first lesson free. Get full access to all 3 lessons.
Intermedio Proveedor : Bill Hood 3 lecciones · 19m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese
Descripción del curso
In these lessons, we’ll focus on the relationship between plots and the underlying data sets used to create them. Not all data is equal, and some plots work better than others for certain situations. We’ll explore several data sets conducive to histograms, scatter plots, and heat maps. For histograms, we use data sets that can be considered a distribution—such a thousand dice rolls and the corresponding results—which allow us to see that distribution.
We’ll show you how to combine random numbers, Numpy, and matplotlib.pyplot to create data sets with a distribution by drawing data from a NASA Mars mission to plot a scatter diagram. NASA has a satellite that orbits Mars and takes pictures of the Martian surface; and in these lessons, we’ll explore that data set to plot out areas of the Martian surface. You’ll also explore how heat maps work, including the relationship between the different variables of a heat map, when they make sense, and when they don’t.
Learning Objectives:
• Understand the relationship between the underlying data and its appropriate plot
• Assess practices with Numpy, Pandas, and large data sets
• Describe the relationship between data sets and typical ways to express data sets
Lo que aprenderás
- Comprender la relación entre un conjunto de datos subyacente y el tipo de gráfico más adecuado para expresarlo
- Crear conjuntos de datos de distribución combinando números aleatorios, Numpy y matplotlib.pyplot
- Trazar histogramas para conjuntos de datos que representan una distribución, como los resultados de mil tiradas de dados
- Construir diagramas de dispersión a partir de un conjunto de datos de la misión de Marte de la NASA para trazar áreas de la superficie marciana
- Construir diagramas de mapa de calor y evaluar las relaciones entre sus variables
- Aplicar prácticas con Numpy, Pandas y grandes conjuntos de datos
Puntos clave
- No todos los datos son iguales, y algunos gráficos funcionan mejor que otros en ciertas situaciones.
- Los histogramas son apropiados para conjuntos de datos que pueden considerarse una distribución, como mil tiradas de dados y sus resultados.
- Los diagramas de dispersión se pueden trazar a partir de datos reales, como las imágenes de un satélite de la NASA de la superficie marciana.
- Los mapas de calor dependen de la relación entre sus variables, lo que determina cuándo tienen sentido y cuándo no.
- Los números aleatorios, Numpy y matplotlib.pyplot se pueden combinar para crear conjuntos de datos con una distribución.
Preguntas frecuentes
¿Qué cubre este curso?
Se enfoca en la relación entre gráficos y los conjuntos de datos subyacentes utilizados para crearlos, explorando histogramas, gráficos de dispersión y mapas de calor y cuándo es apropiado cada uno.
¿Qué tipos de gráficos aprenderé a crear?
Aprenderá a trazar con histogramas, diagramas de dispersión y diagramas de mapa de calor.
¿Qué herramientas y bibliotecas se utilizan en este curso?
Las lecciones utilizan números aleatorios, Numpy, Pandas y matplotlib.pyplot para trabajar con conjuntos de datos y crear gráficos.
¿Qué conjuntos de datos se utilizan como ejemplos?
Los ejemplos incluyen una distribución como mil tiradas de dados y sus resultados, y un conjunto de datos de la misión de Marte de la NASA de un satélite que fotografía la superficie marciana.
¿Qué habilidades ganaré?
Desarrollará habilidades en visualización de datos, visualización de información, gráficos de dispersión, gráficos estadísticos, simulaciones visuales y visualización.
