数据可视化 – 第13页小小书 XXshu

麦德龙的职位库张贴的快速和肮脏分析

艾米丽·米兰克（Emily Miranker）摄资本主义语境下的图书馆专题讨论会本周即将上线（真好！）。距离我和一些严肃的主持工作仅三天的时间，我既高兴地听到我们优秀的演讲者，也感到非常激动，因为所有人都忙于执行这个雄心勃勃的想法。幸运的是，能够在熟悉的地区举办该活动使我有时间弄清楚如何使用整个空间来支持该活动。我非常喜欢使用墙壁，活动挂图纸和便签纸进行反射，特别是在演示文稿较多的活动中。对我来说，重要的是，每个人都应该在这些棘手的主题上感到被听到和得到支持。为了让我们开始使这个空间变得吸引人和活跃，我与Emily和Charlotte一起参加了本次活动的出色志愿者，对我们托管的Job Bank中的薪水数据进行了手工可视化。我认为这可能有助于举办一场针对政治经济学的活动，使有关我们的潜在雇主如何进行招聘过程的一些相关且有趣的信息可见。 [回顾一下历史：METRO于2017年3月移至一个新网站，而我们的Job Bank（一个相当知名的托管服务，图书馆，档案馆，博物馆和其他基于信息的工作场所在此托管了机会）移至Google。然后形成。我拥有数据的最早职位发布于2017年4月4日。] 为了创建我们的工资数据可视化，我：将“添加工作”表单的后端复制到我的工作Google云端硬盘中删除了除机构，职称和薪水以外的所有列标准化工资数据对薪水列排序并删除根本没有薪水信息的（180…

FIFA 19数据集-足球经理的数据科学？

介绍成为一名足球经理并非易事。要成为一名成功的足球经理，您必须具备许多属性。战术，人的管理和决策是任何足球经理应具备的三个最重要的素质。如今，技术被用来针对另一支球队提出战术。人力资源管理取决于个人经理的管理和领导技巧。但我想详细介绍决策技巧，以及数据科学如何轻松地协助经理制定决策。该博客将回答来自Kaggle的FIFA 19球员数据集的一些探索性问题。该数据集包含著名足球视频游戏FIFA 19中的每个球员。该数据集具有80多个属性，包括姓名，年龄，国籍，照片，俱乐部，工资，价值等球员个人数据，还包含球员的个人资料。位置数据，这些属性基于最新EA FIFA 19游戏的实际数据，包括所有球员风格的统计信息，例如盘带，侵略，GK技能等。 data.csv-此文件是完整的数据集，包含有关玩家属性，个人数据和排名的所有信息。对于此项目，我将使用data.csv文件。数据集具有18207行和89列。作为足球迷和电子游戏爱好者，我踢过足球，看了很多足球。…

如何使用数据讲故事

通过乔恩·加特雷尔统计，事实和数据-我们都喜欢数据，它无疑有助于使内容变得更加强大。数据，如果使用得当，可使论点更具说服力，强调立场，并为故事增添相关性和真实性。然而，我们所有人都已经看到，图表，幻灯片和博客文章如此杂乱，杂乱无章，杂乱无章，复杂而复杂，实际上却贬低了内容和消息的有效性。您如何平衡数据，设计和消息传递来讲述更精彩的故事？首先，要像新闻记者那样思考，发掘更深的故事，并放弃创建数据加载的视觉效果的冲动。记者遵循长期以来的“五W一一H”规则。也就是说，每个好故事都会回答谁，什么，何时，何地，为什么以及如何。 “谁”是故事中的人物。 “什么”是事件或动作，或者在这种情况下，是数据和事实。您必须能够在字符和要显示的数据之间建立联系。 “何时”显示时间范围，“位置”标识位置。 “为什么”是事件或发现的原因，最后，“如何”是事情发生的方式。这些都使您的数据相关且具体。无论您是向目标受众销售想法还是向团队通知一项新计划，都不要为了展示数据而牺牲讲故事的技巧。…

可视化书籍

我遇到的最糟糕的感觉之一是，信息不断从我的大脑中渗出。作为一个热爱学习的人，意识到信息从我的脑袋中消失的速度可能令人恐惧。在我讨论书籍时，发生最多的是，您真正记得18个月前读过的那本书有多少？您是否必须每隔几年重新阅读一本书，以将这些信息保存在您的大脑中？我开始解决此问题的一种方法是只保存一份我所读内容的简单日志，以及本书中的一些要点。没什么大不了的-我渴望真正记住并深入了解我浏览过的400页中的一两个点。副作用是，我在阅读习惯方面拥有一个整洁的数据库。我希望数据库更大…但是我相信有一天我会读到所有经典书籍！让我们从按年份看小说还是非小说开始：看起来随着年龄的增长，我正在远离小说。总的来说，我对我们看到的相对上升趋势感到满意。一些最常阅读的作者呢？在这里，小说往往占主导地位-虽然我是GOT迷，但我当然不会认为George RR Martin是我最喜欢的作家，但是由于我倾向于将我的非小说读物散布在没有任何作者脱颖而出的地方。进入该列表的唯一非小说作家是我认为我最喜欢的个人：萨姆·哈里斯（Sam Harris）。目前，我只是粗略地阅读了我所读的内容，但我很高兴能继续进行此图表编制工作，并看看它在未来几年中会如何发展。

文森书评2018

本《文森书评》中出现了一些非常令人愉快的数据可视化。希望您和我一样期待他们。作为破冰船，让我们从熟悉的“去年读的书”条形图开始：我对2018年的野心之一是从更广泛的国家/地区阅读。让我们看看它是如何进行的：根据知识共享署名-相同方式共享4.0国际许可证获得许可，谢谢Wikimedia用户RoyNickNorse，确实的确如此。我从比平时更多的国家读书！这几乎完全是由于一个朋友在做一个读书俱乐部，我们每个月都会在这里读书，一个来自不同非洲国家的妇女读书。但是，值得注意的是-如果您想建立一个读书俱乐部-每年要订购十二本书！当您在考虑要阅读什么时，您实际上在不断地思考何时阅读本月的书。但是，这对于我实现自己的目标非常有效，就像在读书俱乐部之前，我并没有真正为成功地在全球范围内阅读而建立。不过，我确信我知道您在查看该地图时的想法；类似的东西， Alex，您在这里并没有真正分散英美经历！您仍然主要阅读英国和美国的书籍！您当然没错，但是这里有一些令人发指的情况–我正在做一个大型F. Scott Fitzgerald项目，其中显然涉及阅读很多F.…

星期五收藏夹：最佳DS，由“我们”选择

我们回来了！上周，我们在DSLab上度过了一段愉快的时光，在网上搜寻了我们最喜欢的数字项目，我们无法将它们全都放在一篇文章中。以下是Marquette馆员和工作人员为您带来的数字领域奖学金的更多奇妙示例。英国宽边民谣档案由数字程序协调员Heather James选拔项目是什么：来自网站的“历史记录”部分：“ EBBA使得[17世纪]的宽面民谣易于使用且完全可访问：在一个网站上以民谣传真，传真抄写，文字抄录，和录音，并进行广泛分类。”什么是宽边民谣？用EBBA的话来说，宽边民谣是“街头文学”。它们是廉价而廉价的书面和印刷民谣，通常是为了纪念或评论最近发生的事件，可能带有装饰性图像和文字装饰。正是这种大众文化现象很容易丢失并被遗忘，然后在数百年后人们回头思考“当时的街上每天的人们发生了什么？”时，很难研究。早期现代流行文本的例子她为什么喜欢这个项目：这不仅是一个单身学者的档案研究翻译成可公开获取的收藏集的惊人例子，而且这个项目还在继续发展而不是停滞不前。自从我第一次被引入该项目以来的几年中，他们就添加了这些文本中数据的可视化效果。他们努力使这些文本对其他研究人员具有最大的帮助，包括TEI / XML文件，并建立了与许多专有数据库一样直观和熟悉的基本和高级搜索界面。从本质上讲，该馆藏将大多数人文学科研究的媒介视为自己的数据集。因此，尽管有关存档文本的工作很多，但我也很欣赏这个项目，以此作为数字奖学金如何成为构建基础设施和接口并予以赠送的例子。

每日播客-视觉杂项

“你不能消除噪音，”唐说。 “您必须学会专注于现实世界。你无法改变世界。您必须找到一种方法，将您的思想和精力集中在您感兴趣的概念上。” James Altucher有趣的播客采访David McCandless； “如果您想写歌，想成为一名音乐家，那就回去吧，开始聆听您需要发现的优秀艺术家的美妙音乐。把好东西放在你的头上，好东西就会出来。” 相关：蛇油补品？

2017年Gramener的#Dataviz综述

2017年我们在Gramener玩得很开心，创造了一些令人兴奋的dataviz。现在是每年的满意回顾的时刻，也激发了在2018年做更好的dataviz的愿望。这篇文章是今年我们最喜欢的一些工作的总结。我们的两个dataviz属性在2017年被安迪·柯克（Andy Kirk）评为“最佳可视化网站”。交互式Elvis Presley Jukebox是我们创建数据肖像实验的结果之一。关于“参议员的投票方式”的探索性愿景是在2017年安迪·柯克（Andy Kirk）的“最佳可视化网络”中的最佳人选。这项工作中使用的视觉技术尤其启发了数据社区，讨论了代表制的优缺点。 Dataviz大师Alberto Cairo将其描述为“简单但丰富的图形”。著名的统计学家安德鲁·盖尔曼（Andrew Gelman）提出了一种批评，即提出改进建议-阿尔贝托·开罗（Alberto Cairo）做出了有力的即兴回应。这是原始版本的外观。在Gramener，我们已经在Cricket上完成了很多数据工作，但我们无法抗拒创建另一个数据的诱惑，这一次是交互式信息图-Dhoni的ODI Sixes 以分析为幌子，聆听Kishore Kumar带来了很多乐趣。…

LCC的国会图书馆控股

查看可视化通过LCC图表查看所有持股几年前，我将LCC分类大纲（PDF格式）转换为JSON。目标是要有一种方法可以将资源粗略地放入LCC类别。在国会图书馆发布数据的过程中，我想与他们的馆藏一起尝试一下，以查看馆藏的形状。 LCC由21个类别组成，将主题划分为越来越具体的类别。这意味着系统是分层的，我想显示该分层结构以及其中哪些部分占用最多的资源。我使用了Book，Serial，Music，Map和Visual Materials MARC记录。但并非所有记录都有LCC： MARC记录总数：12,438,797 具有LCC的总记录：11,870,343 总记录，无子字段050：568,454 ---------- 符合LCC层次结构的带有LCC的总记录：10,528,234 （在此即代表）…