Ресурси для навчання використовувати (/ створювати) динамічну (/ інтерактивну) статистичну візуалізацію

Мені хотілося б дізнатися трохи більше про інтерактивну візуалізацію даних (масштабування, вказівка, чистка, точкове відображення тощо). Я бажаю будь-якого:

1. Підручник / путівник / книга (?) / Відео про те, як використовувати такі методи для статистичного дослідження.
2. Покажчики на хороші / цікаві інтерактивні пакети даних (в R та поза ним)

Тільки для початку прокатки кулі я знаю, що в R є різні способи отримати інтерактивну візуалізацію, наприклад, rggobi , новий пакет googleViz R , анімаційний пакет та деякі інші. Але якщо є інші пакунки, які варто вивчити (пропонуючи речі, яких R не має), я би радий дізнатися про них (наприклад, jmp, mathlab, spss, sas, excel тощо).

ps: це перше питання щодо використання тегу "інтерактивна візуалізація"

Окрім Protovis (HTML + JS) або Mayavi (Python), я рекомендую обробку, яка є

мова та середовище програмування з відкритим кодом для людей, які хочуть створювати зображення, анімації та взаємодії. Спочатку розроблений для того, щоб слугувати програмою ескізів для навчання програм та викладати основи комп'ютерного програмування у візуальному контексті.

На http://www.openprocessing.org/ існує багато сценаріїв з відкритим кодом та багато пов’язаних книг, які займаються обробкою, а також візуалізацією даних.

Я знаю, що існує проект із забезпечення інтерфейсу R, переробки , але я не знаю, як це відбувається. Існує також інтерфейс з clojure / incanter (див., Наприклад, Створення опрацювання візуалізації за допомогою Clojure та Incanter ).

Є багато інтернет-ресурсів, серед яких примітки класу Стенфорда, наприклад, CS448B або 7 класичних основоположних публікацій Vis, яких ви, можливо, не хочете публічно зізнати, що не знаєте .

Ще кілька пакетів, які слід додати до пропозиції Chl щодо обробки для створення інтерактивних візуалізацій. Все це на основі JavaScript і може працювати в браузері, тому може використовуватися як для публікації, так і для власного аналізу:

• D3.js - спадкоємець Protovis. Він більш потужний тим, що у вас є більший контроль над створеними об'єктами (вони є належними DOM-об'єктами, тобто ви маєте повний контроль над ними за допомогою javascript), але деякі віддають перевагу Protovis для простоти. Хороша технічна дискусія D3 проти Protovis тут .
• Raphael.js - це хороший варіант для інтерактивності веб-сайтів для масового ринку, оскільки він є надійним у майбутньому (без спалаху) та працює у браузерах, старих як IE6 (єдине, на чому я не знаю, це старі версії браузер Android). Як і D3, все є цільовим об'єктом DOM і має гарні вбудовані засоби управління api для анімації та інтерактивності. Він не пропонує нічого, що є специфічним для візуалізації: це дуже потужний і гнучкий пустий шифер, чудовий вибір для розробки індивідуальних візуалізацій, але не для вашого власного початкового дослідницького аналізу. Ознайомтеся спочатку зі своїми даними.
• gRaphael.js - це стандартні діаграми (смуга, лінія тощо) для Рафаеля. Це основне, але працює і на ньому можна будувати - може бути корисним інгредієнтом, якщо ви будуєте свій власний набір.

Що стосується вашого іншого питання щодо навчання, то для загальних принципів дизайн інформаційної панелі заслуговує на згадку, якщо ви хочете створити масив загальноприйнятих стандартних інструментів для своїх даних.

Інтерактивні візуалізації знаходяться на лінії між статистикою та інтерактивним дизайном : тому книги, які можуть бути корисними, можуть бути корисними. Я не маю особистого досвіду жодного з багатьох навчальних посібників з взаємодії, але я великий фанат Універсальних принципів дизайну . Це може бути непосильним для ваших потреб, але подумайте про перегляд стовпця Usability на його чудовій сторінці «Категоричне зміст» та читанні перелічених розділів (прогресивне розкриття, сигнал до шуму тощо).

Крім того, для всіх, хто не починає програмувати, програмування інтерактивності є хорошим місцем для вдосконалення технічних навичок (вона також включає здоровенну главу з обробки).

Але для того, щоб знати, що працює і що можливо, ви не можете перемогти навчання , роблячи , і гарним початком може стати розгляд трейлінгу та аналізу загальноприйнятих пакетів інтерактивної візуалізації з великим іменем великих цін, таких як tableau та jmp , і подумайте, чому їхні функції розроблені таким, яким вони є.

Окрім Processing, перегляньте Nodebox на базі Python (1, 2, OpenGL), який надихнув Processing:

• http://nodebox.net
• http://beta.nodebox.net/
• www.cityinabottle.org/nodebox/

Nodebox 1 - це лише Mac, тоді як Nodebox 2 та версія OpenGL є кросплатформенними.

У Python є тонна бібліотек стискання даних, які можна імпортувати в Nodebox, наприклад, scipy.org

Як окремий підхід до існуючих відповідей, незабаром після того, як я опублікував свій перший довгий список, з'явилося WEAVE : набір візуалізації даних із відкритим кодом , що виділяється з відкритим кодом. Ось короткий опис WEAVE на провідних даних щодо блогу Flowing Data

Доцільно застосовувати інший підхід до візуалізації даних залежно від того, де ви перебуваєте в процесі. Чим раніше ви - тим більш необробленими та невивченими вашими даними - тим більше шансів на користь попередньо побудованих, гнучких пакетів загального призначення, таких як WEAVE, та комерційних аналогів із закритим кодом, таких як Tableau та JMP - ви можете спробувати все швидко та безболісно ознайомитись з даними та розібратися, які лінії нападу потрібно взяти, щоб отримати максимальну користь від них.

Коли ви дізнаєтесь більше про дані, ваш фокус, ймовірно, зміститься у напрямку спілкування або «керованої розвідки» - більш спеціалізовані візуалізації даних дослідницької роботи, розроблені на основі застережень, нюансів та цікавих сфер, які ви зараз виявили у даних. Тут перераховані вироби з порожнього шиферу, як-от перераховані вище програмні інструменти векторного малювання.