5.1. РОЛЬ ВИЗУАЛИЗАЦИИ В АНАЛИЗЕ ДАННЫХ

В предыдущем Модуле 4 данные были приведены к табличной аналитической форме (DataFrame). Следующий шаг – интерпретация результатов анализа. Для этого используются методы визуализации, позволяющие увидеть структуру данных и характер зависимостей быстрее, чем при просмотре только числовых показателей.

5.1.1 Роль визуализации в аналитическом процессе

После загрузки, очистки и структурирования данных возникает следующий этап – их интерпретация.

Числовые показатели позволяют вычислить:

• средние значения;
• медианы;
• дисперсии;
• корреляции.

Однако числовые характеристики не всегда позволяют быстро выявить:

• тенденции изменения;
• выбросы;
• асимметрию распределения;
• взаимосвязь между признаками.

Почему чисел недостаточно? Даже если аналитик располагает:

• таблицей данных;
• статистическими показателями;
• результатами агрегирования,

это ещё не гарантирует понимание структуры данных.

Например, два набора данных могут иметь:

• одинаковое среднее значение;
• одинаковую дисперсию,

но при этом совершенно различаться визуально.

Поэтому числовой анализ и визуальный анализ должны дополнять друг друга.

Что такое визуализация данных? Визуализация данных представляет собой метод графического представления информации, позволяющий преобразовать числовые результаты анализа в наглядную форму.

Визуализация помогает:

✔ видеть закономерности

✔ обнаруживать аномалии

✔ анализировать распределения

✔ сравнивать категории

✔ интерпретировать результаты

Таким образом, графическое представление данных становится частью аналитического процесса.

Почему человек лучше воспринимает изображения? Человеческое восприятие значительно быстрее обрабатывает:

• форму;
• цвет;
• направление;
• расположение объектов,

чем длинные числовые таблицы.

Поэтому график позволяет увидеть структуру данных быстрее, чем просмотр большого количества чисел.

Например, тенденция роста на графике обнаруживается практически мгновенно, тогда как в таблице её необходимо вычислять и сравнивать вручную.

Основные функции визуализации. График выполняет три основные функции:

1. Диагностическую;

2. Аналитическую;

3. Коммуникативную.

Диагностическая функция. Визуализация помогает обнаруживать:

• ошибки данных;
• выбросы;
• пропущенные значения;
• необычные наблюдения.

Например, на графике можно быстро заметить:

• слишком большое значение;
• резкий скачок;
• аномальное распределение.

Поэтому, визуализация используется как инструмент контроля качества данных.

Аналитическая функция. Графики помогают выявлять:

• зависимости между признаками;
• тенденции изменения;
• распределение данных;
• различия между группами.

Например, можно увидеть:

• рост продаж;
• взаимосвязь признаков;
• сезонность;
• концентрацию наблюдений.

Таким образом, визуализация становится инструментом аналитического исследования.

Коммуникативная функция. Результаты анализа необходимо:

• объяснять;
• представлять;
• обсуждать.

Графики позволяют:

✔ делать выводы понятными

✔ представлять результаты исследования

✔ упрощать восприятие информации

✔ демонстрировать закономерности

Поэтому визуализация является важной частью аналитических отчётов и презентаций.

Визуализация как продолжение анализа. В предыдущих модулях данные:

• загружались;
• очищались;
• преобразовывались;
• агрегировались.

Теперь возникает задача – представить результаты в интерпретируемой форме.

Именно поэтому визуализация является логическим продолжением анализа данных.

Какие задачи решаются с помощью графиков? В аналитике графики используются для:

• сравнения категорий;
• анализа динамики;
• исследования распределений;
• поиска зависимостей;
• обнаружения аномалий.

Таблица 5.1.1 – Примеры задач аналитики

Задача	Тип анализа
изменение продаж	динамика
распределение оценок	статистика
сравнение жанров	категориальный анализ
зависимость признаков	корреляционный анализ

Почему визуализация важна в Data Science? Практически любой проект Data Science включает:

• исследовательский анализ данных;
• визуальное изучение распределений;
• построение графиков признаков;
• интерпретацию результатов моделей.

Без визуализации анализ данных становится значительно сложнее.

Именно графики помогают аналитикам:

• понимать структуру данных;
• принимать решения;
• проверять гипотезы.

Связь визуализации с Pandas. В Модуле 4 данные были представлены как:

DataFrame. DataFrame содержит:

• строки наблюдений;
• признаки;
• статистические показатели.

Визуализация позволяет преобразовать эту таблицу в графическую аналитическую модель. Таким образом, табличный анализ становится основой построения графиков.

Визуализация и интерпретация результатов.

Получение статистических показателей – это только часть аналитической работы. Не менее важно:

• понять результаты;
• объяснить закономерности;
• представить выводы другим людям.

Именно поэтому визуализация считается одним из центральных инструментов аналитики данных.

Визуализация и машинное обучение. В задачах машинного обучения визуализация используется:

• для анализа признаков;
• проверки распределений;
• оценки качества моделей;
• интерпретации результатов обучения.

Например, аналитик может визуально:

• сравнить классы объектов;
• увидеть выбросы;
• оценить влияние признаков.

Методический акцент. Если в предыдущих модулях данные:

• загружались;
• очищались;
• анализировались,

то в Модуле 5 начинается этап интерпретации и представления результатов анализа.

Именно визуализация делает аналитические выводы:

• понятными;
• наглядными;
• интерпретируемыми.

Итоги темы. В разделе рассмотрены:

• роль визуализации в аналитике данных;
• ограничения чисто числового анализа;
• диагностическая, аналитическая и коммуникативная функции графиков;
• значение визуализации в Data Science;
• связь визуализации с табличной моделью Pandas.

Визуализация является логическим продолжением этапов загрузки, обработки и анализа данных и позволяет преобразовать числовую информацию в наглядную аналитическую форму.