Les nuages de points (scatter plots), les diagrammes en barres, les courbes, les boîtes à moustaches (box plots) et les cartes de chaleur (heatmaps) sont les graphiques les plus fréquemment utilisés pour la visualisation de données.
Bien qu'ils soient simples et connus de presque tout le monde, je pense qu'ils ne constituent pas toujours le meilleur choix pour couvrir tous les scénarios possibles.
En réalité, de nombreux autres graphiques dérivés de ces formats standards peuvent s'avérer bien plus adaptés s'ils sont utilisés judicieusement.
C'est pourquoi, aujourd'hui, nous allons aborder quelques alternatives à ces graphiques populaires.
J'expliquerai également dans quelles situations spécifiques ils peuvent s'avérer plus utiles que les graphiques standards.
Ce shot data est une compilation de certaines de mes précédentes publications sur la visualisation de données, parues dans cette newsletter.
Si tu ne les as jamais lues, ce sera l'occasion d'apprendre de nouvelles choses
Si tu las as déjà vues, cela vous fera une excellente révision
Dans tous les cas, un guide consolidé te sera très pratique pour t’y référer plus tard, plutôt que de faire défiler chaque ancienne édition de la newsletter.
Par ailleurs, avant de commencer, ce shot data n'a pas pour but de te décourager d'utiliser les graphiques traditionnels. Ils auront toujours leur place.
L'objectif est plutôt de mettre en lumière des situations spécifiques où ils peuvent être remplacés par de meilleures options visuelles.
Commençons !
#1) Cartes de chaleur avec encodage par la taille
Une carte de chaleur traditionnelle représente les valeurs à l'aide d'une échelle de couleurs. Cependant, associer mentalement la couleur d'une cellule à un nombre exact reste difficile.
En résumé, plus la taille est grande, plus la valeur absolue est élevée :
C'est particulièrement utile pour rendre les cartes de chaleur plus lisibles, car de nombreuses valeurs proches de zéro vont visuellement rétrécir et s'effacer.
#2) Graphiques en cascade
Pour visualiser l'évolution d'une valeur au fil du temps, un graphique en courbes (ou en barres) n'est pas toujours le choix le plus judicieux.
Cela s'explique par le fait qu'un graphique en courbes (ou en barres) représente les valeurs absolues. Il est donc difficile d'estimer visuellement l'ampleur et la direction des changements incrémentaux.
Il illustre de manière élégante ces différences cumulées, comme on le voit ci-dessous :
Ici, les valeurs initiale et finale sont représentées par la première et la dernière barre.
De plus, les variations consécutives sont automatiquement codées par couleur, ce qui les rend beaucoup plus faciles à interpréter.
#3) Graphiques d'évolution des rangs
Lorsqu'il s'agit de visualiser l'évolution du classement de plusieurs catégories au fil du temps, l'utilisation d'un diagramme en barres n'est pas forcément appropriée.
En effet, les diagrammes en barres deviennent rapidement illisibles lorsqu'il y a de nombreuses catégories.
Essaye plutôt les Bump Charts. Ils sont spécifiquement conçus pour visualiser l'évolution du rang de différents éléments dans le temps.
En comparant le diagramme en barres et le bump chart ci-dessus, il est beaucoup plus facile d'interpréter le changement de classement avec ce dernier.
#4) Graphiques en nuage de pluie
Visualiser la distribution de données à l'aide de boîtes à moustaches et d'histogrammes peut parfois s'avérer trompeur.
Cela pour deux raisons :
Ainsi, pour éviter de tirer des conclusions erronées, il est toujours recommandé de tracer la distribution des données aussi précisément que possible.
Les Raincloud plots offrent un moyen concis de combiner et de visualiser trois types de graphiques différents en un seul.
Ceux-ci incluent :
Les boîtes à moustaches (box plots) pour les statistiques de base.
Les graphiques en bandes (strip plots) pour un aperçu global des points de données.
Les graphiques d'estimation de densité (KDE plots) pour la distribution de probabilité des données.
Avec les Raincloud plots, tu peux :
Combiner plusieurs graphiques pour éviter les conclusions incorrectes ou trompeuses.
Réduire l'encombrement visuel et améliorer la clarté.
Améliorer les comparaisons entre différents groupes.
Capturer différents aspects des données à travers un seul graphique.
#5-6) Graphiques à bacs hexagonaux et Graphiques de densité
Les nuages de points (scatter plots) peuvent devenir trop denses pour être interprétés lorsque tu as des milliers de points de données.
Tu peux alors les remplacer par des graphiques Hexbin.
Les graphiques hexagonaux divisent la zone du graphique en régions hexagonales. Une intensité de couleur est attribuée à chaque région en fonction de la méthode d'agrégation utilisée (le nombre de points, par exemple).
Une autre option est le graphique de densité, qui illustre la distribution des points dans un espace bidimensionnel.
Un contour est créé en reliant les points de densité égale. En d'autres termes, une seule ligne de contour représente une densité identique de points de données.
#7-8) Graphiques à bulles et Graphiques à points
Comme nous l'avons vu précédemment, les diagrammes en barres deviennent rapidement brouillons et surchargés à mesure que le nombre de catégories augmente.
Ils ressemblent aux nuages de points, mais :
avec un axe catégoriel
et un axe continu
Comme illustré ci-dessus :
Il est difficile d'interpréter le diagramme en barres car il y a trop de barres entassées dans un espace restreint
En revanche, les bulles encodées par la taille permettent de visualiser assez facilement l'évolution dans le temps
Une autre alternative aux diagrammes en barres dans ce genre de situation est le graphique à points (dot plot).
Les graphiques à points comme les graphiques à bulles reposent sur l'idée que, parfois, face à un diagramme comportant de nombreuses barres, nous ne prêtons pas vraiment attention à la longueur individuelle de chaque barre.
Nous regardons plutôt les extrémités qui indiquent la valeur totale.
Ces graphiques nous aident précisément à illustrer cela, tout en éliminant les longues barres qui n'ont que peu ou pas d'utilité.
Envie d'aller plus loin ? DataXp t'attend : formations et parcours pour progresser en data science, machine learning et IA.
👉 À toi de jouer : Y a-t-il d'autres graphiques méconnus mais précieux que je n'ai pas abordés ici ? Si oui, dans quels cas les utilises-tu ?
