ADV6 – Reprise de la 7e visualisation de Sara Leo

Qu'est-ce qu'on fait quand il y a beaucoup de données à visualiser sur un même graphique? Comment est-ce qu'on s'arrange pour que le message qu'on veut passer soit clair? Je vous présente ma démarche et mes réflexions sur le 7e exemple de l'article de Sara Leo. Vous trouverez les liens vers son article et les … Lire la suite de ADV6 – Reprise de la 7e visualisation de Sara Leo

Publicités

ADV3 – Quand la date nous permet d’explorer les données

L'année, le mois, le jour de la semaine, les heures de la journée. Venez découvrir comment on peut partir d'un ensemble de donnée qui a quelques défaut pour se faire une idée de l'impact que ces défauts peuvent avoir sur la conclusion de l'analyse. en explorant différentes visualisation dans le temps. J'ai préparé un petit … Lire la suite de ADV3 – Quand la date nous permet d’explorer les données

MakeoverMonday | 2019W13: Dépenses de consommation par génération

Cette semaine, nous avons eu l'occasion de regarder les dépenses des différentes générations pour les résidents des États-Unis durant la dernière année. Voici le graphique original et l'article: Ce qui fonctionne: Titre bien utilisé Légende présente et claire et ordonnées dans le même ordre que les barres. Étiquette des données présentes Le design est bien … Lire la suite de MakeoverMonday | 2019W13: Dépenses de consommation par génération

MakeoverMonday | 2019W11: Transferts immobiliers à Philadelphie

Cette semaine, nous avons eu l'occasion de regarder les transactions immobilières de Philadelphie. Voici le graphique original et l'article: Ce qui fonctionne: Sous format Dashboard interractif: le lecteur curieux peut se promener dans l'application pour tirer ses propres conclusions sur les données présentées. Couleurs et thème bien utilisées Axes présents Ce qui peut être amélioré: … Lire la suite de MakeoverMonday | 2019W11: Transferts immobiliers à Philadelphie

Graphique de rang: suivre l’évolution dans le temps

Pour ma quatrième participation au #TidyTuesday, nous avons accès au nombre de doctorants des Universités américaines. Les données brutes sont disponibles sur le site de l'SED. J'ai choisi de me concentrer sur l'évolution du nombre de doctorant par champ d'étude. MPORTER usa<- read_excel("sed17-sr-tab012.xlsx", sheet="Table 12", range="A4:O59", #conserver seulement les données pertinentes col_names = TRUE, #identifier … Lire la suite de Graphique de rang: suivre l’évolution dans le temps