20TD02U_ForAlle_Blooms_Side_61_Database_Datavisualisering - itnett/FTD02H-N GitHub Wiki

Datavisualisering er prosessen med å representere data grafisk slik at trender, mønstre og innsikter kan identifiseres og forstås raskere. Vi vil dekke emnet "Datavisualisering" ved å bruke Blooms taksonomi, som vil ta deg fra grunnleggende forståelse til avansert bruk av datavisualiseringsteknikker. Denne tilnærmingen inkluderer programmatiske, logiske og praktiske eksempler på hvordan datavisualisering kan implementeres og optimaliseres ved hjelp av ulike verktøy og teknikker.

• Logisk tilnærming: Start med å lære hva datavisualisering er, hvorfor det er viktig, og hvilke typer visualiseringer som finnes (linjediagram, søylediagram, kakediagram, osv.).
• Programmatisk tilnærming: Lag en enkel visualisering ved hjelp av et grunnleggende verktøy som Excel eller Google Sheets.
• Praktisk tilnærming: Opprett et enkelt diagram ved å bruke data som du manuelt legger inn i et regneark.

# Eksempel på data for et søylediagram i Excel eller Google Sheets
Måned    Salg
Januar   120
Februar  150
Mars     180
April    220

# Bruk dataene til å lage et søylediagram som viser salg per måned.

• Logisk tilnærming: Forstå hvordan du velger riktig type visualisering basert på datasettet og informasjonen du ønsker å formidle.
• Programmatisk tilnærming: Bruk Python med matplotlib eller seaborn til å lage en enkel visualisering av et datasett.
• Praktisk tilnærming: Last ned et åpent datasett fra internett (f.eks. fra Kaggle) og lag en visualisering som viser en bestemt trend eller sammenheng i dataene.

import matplotlib.pyplot as plt

# Eksempeldata
måneder = ['Januar', 'Februar', 'Mars', 'April']
salg = [120, 150, 180, 220]

# Lage et søylediagram
plt.bar(måneder, salg)
plt.title('Salg per måned')
plt.xlabel('Måned')
plt.ylabel('Salg')
plt.show()

• Logisk tilnærming: Lær hvordan du kan bruke avanserte visualiseringsteknikker som scatter plots, histograms, og heatmaps for å utforske og presentere komplekse datasett.
• Programmatisk tilnærming: Bruk seaborn eller plotly til å lage mer komplekse visualiseringer som viser flere variabler samtidig.
• Praktisk tilnærming: Lag et scatter plot som viser forholdet mellom to variabler i et datasett, og bruk farger til å representere en tredje variabel.

import seaborn as sns
import matplotlib.pyplot as plt

# Eksempeldata
tips = sns.load_dataset('tips')

# Lage et scatter plot med fargekoding
sns.scatterplot(x='total_bill', y='tip', hue='day', data=tips)
plt.title('Sammenheng mellom total regning og tips med fargekoding etter dag')
plt.show()

• Logisk tilnærming: Forstå hvordan datavisualisering kan brukes til å identifisere mønstre, trender og anomalier i data.
• Programmatisk tilnærming: Bruk pandas og matplotlib til å utføre tidsserieanalyse og visualisere trender over tid.
• Praktisk tilnærming: Analyser et økonomisk datasett for å identifisere trender i salgsdata, og lag visualiseringer som viser disse trendene.

import pandas as pd
import matplotlib.pyplot as plt

# Eksempeldata (tidsserie)
data = {
    'Dato': pd.date_range(start='2023-01-01', periods=12, freq='M'),
    'Salg': [100, 150, 200, 250, 230, 220, 210, 260, 300, 320, 330, 350]
}
df = pd.DataFrame(data)

# Plotting av tidsserie
plt.plot(df['Dato'], df['Salg'])
plt.title('Salgsutvikling gjennom året')
plt.xlabel('Dato')
plt.ylabel('Salg')
plt.show()

• Logisk tilnærming: Lær hvordan du kombinerer flere visualiseringer i ett dashboard eller rapport for å gi en helhetlig forståelse av et datasett.
• Programmatisk tilnærming: Bruk plotly eller dash for å lage et interaktivt dashboard som lar brukere utforske dataene gjennom forskjellige visualiseringer.
• Praktisk tilnærming: Lag et interaktivt dashboard som viser salg per måned, sammenligner ulike produkter, og viser geospatiale data for å visualisere hvor salgene forekommer.

import plotly.express as px
import plotly.graph_objects as go

# Eksempeldata
df = px.data.gapminder().query("country=='Norway'")

# Lag et interaktivt linjediagram som viser BNP over tid
fig = px.line(df, x='year', y='gdpPercap', title='BNP per capita over tid i Norge')
fig.show()

# Legg til flere visualiseringer som scatter plot og histogram for å analysere andre aspekter

• Logisk tilnærming: Lær hvordan du evaluerer effektiviteten av visualiseringer, inkludert hvor godt de kommuniserer informasjonen og om de er enkle å forstå.
• Programmatisk tilnærming: Bruk verktøy som Tableau eller Power BI til å lage visualiseringer og evaluere hvordan forskjellige typer visualiseringer påvirker forståelsen av dataene.
• Praktisk tilnærming: Lag flere visualiseringer av samme datasett, test dem med forskjellige brukere, og evaluer hvilken visualisering som formidler informasjonen best.

import plotly.express as px

# Lag flere visualiseringer og sammenlign dem
fig1 = px.histogram(tips, x='total_bill', title='Histogram over total regning')
fig2 = px.box(tips, x='day', y='total_bill', title='Boksplott over total regning per dag')
fig1.show()
fig2.show()

# Sammenlign brukernes forståelse av dataene mellom de forskjellige visualiseringene.

• Logisk tilnærming: Design og implementer en fullstendig datavisualiseringsløsning som samler inn, behandler, og visualiserer data fra flere kilder.
• Programmatisk tilnærming: Bruk Tableau, Power BI, eller D3.js til å bygge et komplett system som visualiserer data i sanntid eller fra komplekse datasett.
• Praktisk tilnærming: Implementer en datavisualiseringsløsning som kobler seg til en live datakilde (f.eks. en API eller database) og viser oppdaterte visualiseringer i sanntid.

# Eksempel på å sette opp et enkelt Power BI-dashbord som henter data fra en SQL-database
# 1. Koble Power BI til SQL-databasen.
# 2. Last inn data og lag interaktive visualiseringer.
# 3. Oppdater dashbordet automatisk basert på sanntidsdata.

# I D3.js:
<!DOCTYPE html>
<html>
<head>
  <script src="https://d3js.org/d3.v6.min.js"></script>
</head>
<body>
  <script>
    // Eksempel på enkel datavisualisering med D3.js
    const data = [30, 80, 45, 60, 20, 90, 50];

    const width = 500;
    const height = 150;
    const barWidth = width / data.length;

    const svg = d3.select('body')
      .append('svg')
      .attr('width', width)
      .attr('height', height);

    svg.selectAll('rect')
      .data(data)
      .enter()
      .append('rect')
      .

attr('width', barWidth - 2)
      .attr('height', d => d)
      .attr('x', (d, i) => i * barWidth)
      .attr('y', d => height - d)
      .attr('fill', 'teal');
  </script>
</body>
</html>

Denne fullstendige tilnærmingen til datavisualisering dekker alle nivåer fra videregående skole til universitetsnivå, basert på Blooms taksonomi. Ved å bruke praktiske, logiske, og programmatiske eksempler, vil du utvikle en dyp forståelse av hvordan datavisualisering fungerer, hvordan det kan brukes for å formidle informasjon effektivt, og hvordan det kan implementeres i komplekse systemer for å gi innsikt i data.

Denne veiledningen er designet for studenter, utviklere, og IT-fagfolk som ønsker en grundig forståelse av datavisualisering og hvordan det brukes til å presentere og analysere data på en effektiv måte.