Informationsvisualisierung - Cheatsheet

Definition und Ziele der Informationsvisualisierung

Definition:

Informationsvisualisierung: Umwandlung von abstrakten, meist textuell oder numerisch kodierten Daten in visuelle Formen. Ziel: Verbesserung des Verständnisses und der Analyse großer Datenmengen.

Details:

• Verbesserung der Datenanalyse und -interpretation
• Nutzung visueller Metaphern zur Darstellung komplexer Datenstrukturen
• Unterstützung bei der Identifikation von Mustern und Trends
• Förderung der Entdeckungslosigkeit durch interaktive Visualisierungen und Benutzerinteraktionen
• Anwendung in verschiedensten Bereichen wie Wirtschaft, Wissenschaft und Medizin
• Herausforderungen: Auswahl geeigneter Visualisierungsmethoden, Vermeidung von Informationsüberflutung, Sicherstellung der Datenintegrität
• Werkzeuge: D3.js, Tableau, Matplotlib, ggplot2

Theorien zur visuellen Wahrnehmung

Definition:

Theorien zur visuellen Wahrnehmung analysieren, wie wir visuelle Informationen verarbeiten und interpretieren.

Details:

• Gestalttheorie: Prinzipien der Gruppierung (Nähe, Ähnlichkeit, Fortsetzung, Geschlossenheit)
• Präattentive Verarbeitung: Automatische Erkennung visueller Merkmale (Farbe, Form, Größe)
• Konstruktivistische Theorie: Wahrnehmung als aktiver Prozess, basierend auf Hypothesen und Erfahrungen
• Ökologische Wahrnehmungstheorie: Direkte Wahrnehmung durch vorhandene Information in der Umwelt (Affordanzen)

Visuelles Encoding: Farben, Formen und Größen

Definition:

Methoden zur Darstellung von Daten durch visuelle Eigenschaften.

Details:

• Farben: Nutze Farbe für Kategorien, Heatmaps und zur Unterscheidung von Datenpunkten. Verwende Farbskalen (\textit{colormap}) für quantitative Daten.
• Formen: Unterschiedliche Formen kennzeichnen verschiedene Kategorien oder Stati (z.B. Kreise, Quadrate, Dreiecke).
• Größen: Nutze Größenunterschiede zur Darstellung von Mengen oder wichtigen Datenpunkten. Beachte visuelle Hierarchie und Skalierung (z.B. logarithmische Skalen).

Techniken zur Datenmanipulation und -analyse

Definition:

Techniken zur Verarbeitung und Untersuchung von Datenstrukturen zur Gewinnung nützlicher Informationen.

Details:

• Datenvorverarbeitung: Bereinigung, Transformation, Normalisierung.
• Filterung und Aggregation
• Statistische Analyse: Mittelwert, Median, Standardabweichung.
• Datenvisualisierung: Histogramme, Scatterplots, Heatmaps.
• Datenmodellierung: Regression, Clustering, Klassifikation.
• Werkzeuge: Python (Pandas, NumPy), R, SQL

Zeitreihen- und Geodatenvisualisierung

Definition:

Visualisierung von Zeitreihendaten und geografischen Daten zur Identifikation von Mustern, Trends und Anomalien.

Details:

• Zeitreihen: Datenpunkte in zeitlicher Ordnung
• Geodaten: Räumliche Informationen zu geografischen Standorten
• Heatmaps: Darstellungsform zur Anzeige der Dichte/Intensität (zeitlich/räumlich)
• Choroplethenkarten: Datenwerte als Farbschattierungen auf Karten
• Line Charts: Visualisierung von Trends über Zeit
• Map Projections: Methoden zur Abbildung der 3D-Welt auf 2D-Karten (z.B. Mercator, Robinson)
• Interaktive Visualisierungen: Erlauben Exploration und Detailanalyse
• Datenvorbereitung erforderlich: Normalisierung, Bereinigung
• Software-Tools: D3.js, Leaflet, QGIS

Überblick über gängige Visualisierungstools (z.B. Tableau, D3.js)

Definition:

Gängige Visualisierungstools helfen Daten in verständliche grafische Formate umzuwandeln.

Details:

• Tableau: Drag-and-drop Interface, ideal für schnelle Dashboards und Berichte, unterstützt viele Datenquellen.
• D3.js: JavaScript-Bibliothek, ermöglicht komplexe, interaktive und hochgradig anpassbare Visualisierungen über SVG, HTML und CSS.
• ggplot2: R-Paket, bietet eine deklarative Syntax für die Erstellung statischer Grafiken, basiert auf der 'Grammar of Graphics'.
• Power BI: Microsoft-Tool, ähnlich wie Tableau, integriert gut in das Microsoft-Ökosystem, unterstützt kollaboratives Arbeiten und Automatisierungsmöglichkeiten.
• Matplotlib: Python-Bibliothek, bietet eine Vielzahl von 2D-Grafiken, hochgradig anpassbar über Code.

Explorative Datenanalyse (EDA)

Definition:

Untersuchung und Visualisierung von Datensätzen, um ihre Hauptmerkmale zu verstehen, ohne Annahmen über ihre Struktur zu treffen.

Details:

• Ziel: Muster und Ausreißer identifizieren
• Techniken: Plotten von Graphen (Histogramme, Scatterplots, Boxplots)
• Berechnung von statistischen Kennzahlen: Mittelwert, Median, Varianz
• Visualisierungstools: Matplotlib, Seaborn, ggplot2
• \textbf{Statistische Kennzahlen}:
• Mittelwert (\textbf{Mean}): \[\bar{x} = \frac{1}{N} \sum_{i=1}^{N} x_i\]
• Median: Wert, der die Daten in zwei Hälften teilt
• Varianz (\textbf{Variance}): \[\text{Var}(X) = \frac{1}{N} \sum_{i=1}^{N} (x_i - \bar{x})^2\]

Ethische Aspekte der Datenvisualisierung

Definition:

Berücksichtigt moralische Prinzipien bei der Darstellung von Daten, um Verzerrungen, Missverständnisse oder Manipulationen zu vermeiden.

Details:

• Transparenz: Klare Darstellung der Datenquelle und der Visualisierungsmethoden.
• Genauigkeit: Vermeidung von Fehlinterpretationen oder irreführenden Darstellungen.
• Integrität: Keine absichtliche Manipulation der Daten.
• Anonymität: Sicherstellung der Privatsphäre bei der Darstellung sensibler Daten.
• Kultur: Berücksichtigung kultureller Unterschiede und Verständlichkeit.