Excel - Relationship charts between available properties Tutorial

3:16
268 views

00:00:02

In this tutorial we are going to

00:00:04

find out more about the relationship

00:00:06

charts between available properties.

00:00:07

Before us, we have two diagrams,

00:00:10

the one on the left is referred as

00:00:11

a scatter plot chart and the one

00:00:13

on the right as the bubble chart.

00:00:15

Let's start with the scatter charts,

00:00:17

Scatterplots, primary users are

00:00:19

to observe and show relationships

00:00:22

between two numeric variables.

00:00:24

The dots in a scatterplot only report

00:00:26

the values of individual data points,

00:00:29

but also patterns when the data

00:00:30

are taken as a whole.

00:00:32

What is the scatter plot intended to do?

00:00:35

And like the stem and leaf plot,

00:00:37

a scatter plot is intended to show the

00:00:40

relationship between two variables

00:00:41

on a scatter plot The X axis that is,

00:00:44

the horizontal axis is used to show the

00:00:47

independent variable and the Y axis.

00:00:49

The vertical axis is used to show

00:00:52

the dependent variable.

00:00:53

So what is a scatter chart best used for?

00:00:56

It works best when comparing large numbers

00:00:59

of data points without regard to time.

00:01:02

This is a very powerful.

00:01:03

Type of chart and good when you are

00:01:05

trying to show the relationship

00:01:07

between two variables X&Y axis.

00:01:09

Here, for example,

00:01:10

an employee's performance versus

00:01:12

an employee's competency score.

00:01:14

In this example,

00:01:16

it is used to illustrate the correlation

00:01:19

between employee performance and

00:01:21

competency and demonstrated an

00:01:23

employee performance rises as

00:01:25

competency improves the X&Y axis

00:01:27

worked together to represent data

00:01:28

plots on the chart based on the

00:01:30

intersection of X values and Y values,

00:01:32

so.

00:01:33

If I were to meet the intersection of

00:01:35

this point all the way down here and

00:01:38

I can see there's a focus of plots

00:01:40

over here that shows there is improvement.

00:01:43

The more person is competent,

00:01:45

better they perform.

00:01:46

Let's move on to the bubble charts.

00:01:48

So like the scatter plot,

00:01:50

a bubble chart is primarily used

00:01:52

to depict and show relationships

00:01:54

between numeric variables.

00:01:55

However,

00:01:56

the addition of marker size as a

00:01:58

dimension allows for the comparison

00:02:01

between three variables rather than just two.

00:02:03

When should a bubble chart be used?

00:02:05

Why? Bbubble charts are used to

00:02:07

determine if at least three numerical

00:02:09

variables are related or share some

00:02:11

kind of a pattern under special

00:02:13

circumstances they could be used

00:02:15

to show trends overtime or to

00:02:17

compare categorical variables.

00:02:19

So we have a chart that is

00:02:20

the same as the first one.

00:02:22

There is a third variable,

00:02:24

so in this example a bubble chart

00:02:26

is a variation of next XY scatter

00:02:28

plot. Just like the XY scatterplot.

00:02:31

Bubble charts show the correlation

00:02:32

between two sets of data.

00:02:34

Difference is the addition of a third

00:02:36

dimension that is represented by the

00:02:37

size of each bubble in the chart,

00:02:39

and we can see the larger ones.

00:02:41

At this level.

00:02:42

The third dimension is typically

00:02:43

used to show the relative impact

00:02:45

of a quantitative data item,

00:02:47

for instance,

00:02:48

in addition to showing employee

00:02:50

performance versus competency.

00:02:52

Here you can have the size of each

00:02:54

bubble representing years of service,

00:02:56

allowing your audience to

00:02:57

quickly get a sense of how

00:02:59

years of service may affect

00:03:01

the relationship between

00:03:02

competency and performance.

00:03:04

Why are bubble charts bad?

00:03:06

Bubble charts allow you to compare more data,

00:03:08

but the number of categories

00:03:09

you can map on it is limited.

00:03:11

Too many bubbles in one

00:03:14

chart may look chaotic.

00:00:02

In questo tutorial andremo a

00:00:04

Scopri di più sulla relazione

00:00:06

grafici tra le proprietà disponibili.

00:00:07

Davanti a noi, abbiamo due diagrammi,

00:00:10

quello a sinistra è indicato come

00:00:11

un grafico a dispersione e quello

00:00:13

a destra come il grafico a bolle.

00:00:15

Iniziamo con i grafici a dispersione,

00:00:17

Grafici a dispersione, gli utenti principali sono

00:00:19

per osservare e mostrare le relazioni

00:00:22

tra due variabili numeriche.

00:00:24

I punti in un report solo grafico a dispersione

00:00:26

i valori dei singoli punti dati,

00:00:29

ma anche modelli quando i dati

00:00:30

sono presi nel loro insieme.

00:00:32

Cosa intende fare il grafico a dispersione?

00:00:35

E come la trama di steli e foglie,

00:00:37

Un grafico a dispersione ha lo scopo di mostrare il

00:00:40

Relazione tra due variabili

00:00:41

su un grafico a dispersione L'asse X che è,

00:00:44

L'asse orizzontale viene utilizzato per visualizzare la

00:00:47

variabile indipendente e asse Y.

00:00:49

L'asse verticale viene utilizzato per mostrare

00:00:52

Variabile dipendente.

00:00:53

Quindi, a cosa serve meglio utilizzare un grafico a dispersione?

00:00:56

Funziona meglio quando si confrontano numeri di grandi dimensioni

00:00:59

di punti dati indipendentemente dal tempo.

00:01:02

Questo è molto potente.

00:01:03

Tipo di grafico e buono quando sei

00:01:05

cercando di mostrare la relazione

00:01:07

tra due variabili asse X&Y.

00:01:09

Qui, ad esempio,

00:01:10

Le prestazioni di un dipendente rispetto a

00:01:12

Punteggio di competenza di un dipendente.

00:01:14

In questo esempio,

00:01:16

è usato per illustrare la correlazione

00:01:19

tra le prestazioni dei dipendenti e

00:01:21

competenza e dimostrato un

00:01:23

Le prestazioni dei dipendenti aumentano man mano che

00:01:25

la competenza migliora l'asse X&Y

00:01:27

hanno lavorato insieme per rappresentare i dati

00:01:28

grafici sul grafico basati sul parametro

00:01:30

intersezione dei valori X e dei valori Y,

00:01:32

Così.

00:01:33

Se dovessi incontrare l'intersezione di

00:01:35

questo punto fino in fondo qui e

00:01:38

Vedo che c'è un focus delle trame

00:01:40

Qui questo dimostra che c'è un miglioramento.

00:01:43

Più persona è competente,

00:01:45

migliori sono performanti.

00:01:46

Passiamo ai grafici a bolle.

00:01:48

Quindi, come il grafico a dispersione,

00:01:50

Viene utilizzato principalmente un grafico a bolle

00:01:52

per rappresentare e mostrare le relazioni

00:01:54

tra variabili numeriche.

00:01:55

Tuttavia

00:01:56

l'aggiunta della dimensione del marcatore come

00:01:58

La dimensione consente il confronto

00:02:01

tra tre variabili anziché solo due.

00:02:03

Quando dovrebbe essere utilizzato un grafico a bolle?

00:02:05

Perché? I grafici a bolle sono utilizzati per

00:02:07

determinare se almeno tre numeri

00:02:09

le variabili sono correlate o condividono alcune

00:02:11

tipo di un modello sotto speciale

00:02:13

circostanze in cui potrebbero essere utilizzati

00:02:15

per mostrare le tendenze nel tempo o per

00:02:17

confrontare le variabili categoriali.

00:02:19

Quindi abbiamo un grafico che è

00:02:20

lo stesso del primo.

00:02:22

C'è una terza variabile,

00:02:24

Quindi in questo esempio un grafico a bolle

00:02:26

è una variazione dello scatter XY successivo

00:02:28

trama. Proprio come il grafico a dispersione XY.

00:02:31

I grafici a bolle mostrano la correlazione

00:02:32

tra due set di dati.

00:02:34

La differenza è l'aggiunta di un terzo

00:02:36

Dimensione rappresentata dalla

00:02:37

dimensione di ogni bolla nel grafico,

00:02:39

e possiamo vedere quelli più grandi.

00:02:41

A questo livello.

00:02:42

La terza dimensione è tipicamente

00:02:43

utilizzato per mostrare l'impatto relativo

00:02:45

di un elemento di dati quantitativi,

00:02:47

per esempio

00:02:48

oltre a mostrare il dipendente

00:02:50

Prestazioni contro competenza.

00:02:52

Qui puoi avere la dimensione di ciascuno

00:02:54

bolla che rappresenta gli anni di servizio,

00:02:56

consentire al tuo pubblico di

00:02:57

Ottieni rapidamente un'idea di come

00:02:59

Gli anni di servizio possono influire

00:03:01

la relazione tra

00:03:02

competenza e prestazioni.

00:03:04

Perché i grafici a bolle sono cattivi?

00:03:06

I grafici a bolle consentono di confrontare più dati,

00:03:08

ma il numero di categorie

00:03:09

È possibile mappare su di esso è limitato.

00:03:11

Troppe bollicine in una

00:03:14

Il grafico può sembrare caotico.

00:00:02

このチュートリアルでは、

00:00:04

関係についてもっと知る

00:00:06

使用可能なプロパティ間のグラフ。

00:00:07

私たちの前に、2つの図があります。

00:00:10

左側のものは

00:00:11

散布図と1つ

00:00:13

バブルチャートとして右側にあります。

00:00:15

散布図から始めましょう。

00:00:17

散布図、プライマリユーザーは

00:00:19

関係を観察して示す

00:00:22

2 つの数値変数の間。

00:00:24

散布図のみのレポートのドット

00:00:26

個々のデータポイントの値、

00:00:29

しかし、データのパターンも

00:00:30

全体として取られます。

00:00:32

散布図は何を行うことを目的としていますか?

00:00:35

そして、茎と葉のプロットのように、

00:00:37

散布図は、

00:00:40

2つの変数間の関係

00:00:41

散布図上 X 軸、つまり、

00:00:44

横軸は、

00:00:47

独立変数とY軸。

00:00:49

縦軸は、

00:00:52

従属変数。

00:00:53

では、散布図は何に最適ですか?

00:00:56

大きな数を比較する場合に最適に機能します

00:00:59

時間に関係なくデータポイントの数。

00:01:02

これは非常に強力です。

00:01:03

チャートの種類とあなたがいるときの良い

00:01:05

関係を示そうとしている

00:01:07

2つの変数XとY軸の間。

00:01:09

ここでは、例えば、

00:01:10

従業員のパフォーマンスと

00:01:12

従業員のコンピテンシースコア。

00:01:14

この例では、

00:01:16

相関関係を説明するために使用されます

00:01:19

従業員のパフォーマンスと

00:01:21

コンピテンシーと実証済み

00:01:23

従業員のパフォーマンスは次のように向上します

00:01:25

コンピテンシーはX&Y軸を改善します

00:01:27

協力してデータを表現する

00:01:28

に基づいてチャートにプロットします

00:01:30

X値とY値の交点、

00:01:32

だから。

00:01:33

の交差点に出会ったら

00:01:35

この点はここまでずっと下にあり、

00:01:38

プロットの焦点があることがわかります

00:01:40

ここでは、改善があることを示しています。

00:01:43

より多くの人が有能であるほど、

00:01:45

彼らはより良いパフォーマンスを発揮します。

00:01:46

バブルチャートに移りましょう。

00:01:48

散布図のように、

00:01:50

バブルチャートは主に使用されます

00:01:52

関係を描写し、示すため

00:01:54

数値変数間。

00:01:55

しかし

00:01:56

マーカーサイズの追加

00:01:58

寸法は比較を可能にします

00:02:01

2つではなく3つの変数の間。

00:02:03

バブルチャートはいつ使用する必要がありますか?

00:02:05

なぜでしょうか。バブルチャートは、次の目的で使用されます。

00:02:07

少なくとも3つの数値があるかどうかを判断する

00:02:09

変数が関連しているか、一部を共有しています

00:02:11

特別なパターンの種類

00:02:13

使用できる状況

00:02:15

時間の経過に伴う傾向を示すため、または

00:02:17

カテゴリ変数を比較します。

00:02:19

したがって、次のチャートがあります。

00:02:20

最初のものと同じです。

00:02:22

3番目の変数があります。

00:02:24

したがって、この例ではバブルチャート

00:02:26

は、次の XY 散布のバリエーションです。

00:02:28

陰謀。XY散布図と同じです。

00:02:31

バブルチャートは相関関係を示します

00:02:32

2 つのデータセット間。

00:02:34

違いは3分の1の追加です

00:02:36

で表されるディメンション

00:02:37

チャート内の各バブルのサイズ、

00:02:39

そして、私たちはより大きなものを見ることができます。

00:02:41

このレベルで。

00:02:42

3番目の次元は通常、

00:02:43

相対的な影響を示すために使用されます

00:02:45

定量的データ項目の、

00:02:47

例えば

00:02:48

従業員を表示することに加えて

00:02:50

パフォーマンスとコンピテンシー。

00:02:52

ここでは、それぞれのサイズを持つことができます

00:02:54

勤続年数を表すバブル、

00:02:56

視聴者に次のことを許可します

00:02:57

その方法をすばやく理解する

00:02:59

勤続年数が影響を受ける可能性があります

00:03:01

の関係

00:03:02

コンピテンシーとパフォーマンス。

00:03:04

バブルチャートが悪いのはなぜですか?

00:03:06

バブルチャートを使用すると、より多くのデータを比較できます。

00:03:08

しかし、カテゴリの数

00:03:09

あなたはそれにマップすることができます制限されています。

00:03:11

1つのバブルが多すぎます

00:03:14

チャートは混沌としているように見えるかもしれません。

00:00:02

이 튜토리얼에서 우리는

00:00:04

관계에 대해 자세히 알아보기

00:00:06

사용 가능한 속성 간의 차트.

00:00:07

우리 앞에는 두 개의 다이어그램이 있습니다.

00:00:10

왼쪽에있는 것은

00:00:11

산점도 차트와

00:00:13

오른쪽에는 거품형 차트가 표시됩니다.

00:00:15

분산형 차트부터 시작하겠습니다.

00:00:17

산점도, 기본 사용자는

00:00:19

관계를 관찰하고 보여주기 위해

00:00:22

두 숫자 변수 사이.

00:00:24

산점도의 점만 보고서

00:00:26

개별 데이터 포인트의 값,

00:00:29

또한 데이터가

00:00:30

전체적으로 취해집니다.

00:00:32

산점도의 용도는 무엇입니까?

00:00:35

그리고 줄기와 잎사귀처럼,

00:00:37

산점도는

00:00:40

두 변수 간의 관계

00:00:41

산점도에서 X축 즉,

00:00:44

가로축은

00:00:47

독립 변수와 Y 축.

00:00:49

세로 축은 표시하는 데 사용됩니다.

00:00:52

종속 변수입니다.

00:00:53

그렇다면 분산형 차트는 무엇에 가장 적합할까요?

00:00:56

큰 숫자를 비교할 때 가장 잘 작동합니다.

00:00:59

시간에 관계없이 데이터 포인트의.

00:01:02

이것은 매우 강력합니다.

00:01:03

차트의 종류와 당신이 좋을 때

00:01:05

관계를 보여 주려고

00:01:07

두 변수 X & Y 축 사이.

00:01:09

예를 들어,

00:01:10

직원의 성과 대

00:01:12

직원의 역량 점수.

00:01:14

이 예에서

00:01:16

상관 관계를 설명하는 데 사용됩니다.

00:01:19

직원 성과와

00:01:21

역량 및 입증

00:01:23

직원 성과는 다음과 같이 증가합니다.

00:01:25

역량은 X & Y 축을 향상시킵니다.

00:01:27

데이터를 표현하기 위해 함께 작업

00:01:28

를 기반으로 차트에 플롯

00:01:30

X 값과 Y 값의 교차점,

00:01:32

그렇게.

00:01:33

의 교차로를 만난다면

00:01:35

이 지점은 여기까지 내려와

00:01:38

플롯에 초점이 있음을 알 수 있습니다.

00:01:40

여기에 개선이 있음을 보여줍니다.

00:01:43

더 많은 사람이 유능합니다.

00:01:45

더 나은 성능을 발휘합니다.

00:01:46

거품형 차트로 넘어가겠습니다.

00:01:48

산점도처럼,

00:01:50

거품형 차트가 주로 사용됩니다

00:01:52

관계를 묘사하고 표시하기 위해

00:01:54

숫자 변수 사이.

00:01:55

그렇지만

00:01:56

마커 크기를 다음과 같이 추가

00:01:58

치수는 비교를 허용합니다.

00:02:01

두 개가 아닌 세 개의 변수 사이.

00:02:03

거품형 차트는 언제 사용해야 합니까?

00:02:05

왜? Bbubble 차트는

00:02:07

적어도 세 개의 숫자가 있는지 확인하십시오.

00:02:09

변수가 관련되어 있거나 일부를 공유합니다.

00:02:11

특별한 패턴의 종류

00:02:13

그들이 사용될 수있는 상황

00:02:15

초과 근무 추세를 표시하거나

00:02:17

범주형 변수를 비교합니다.

00:02:19

그래서 우리는 다음과 같은 차트를 가지고 있습니다.

00:02:20

첫 번째와 동일합니다.

00:02:22

세 번째 변수가 있습니다.

00:02:24

따라서이 예에서는 거품 형 차트

00:02:26

는 다음 XY 분산의 변형입니다.

00:02:28

음모. XY 산점도와 같습니다.

00:02:31

상관 관계를 보여주는 거품형 차트

00:02:32

두 데이터 집합 사이.

00:02:34

차이점은 세 번째의 추가입니다.

00:02:36

로 표시되는 차원

00:02:37

차트의 각 거품 크기

00:02:39

그리고 우리는 더 큰 것을 볼 수 있습니다.

00:02:41

이 수준에서.

00:02:42

세 번째 차원은 일반적으로

00:02:43

상대적 영향을 표시하는 데 사용됩니다.

00:02:45

정량적 데이터 항목의,

00:02:47

예컨대

00:02:48

직원을 보여주는 것 외에도

00:02:50

성능 대 역량.

00:02:52

여기에서 각각의 크기를 가질 수 있습니다.

00:02:54

수년간의 서비스를 나타내는 거품,

00:02:56

청중이

00:02:57

방법에 대한 감각을 빠르게 얻을 수 있습니다.

00:02:59

근속 연수는 영향을 미칠 수 있습니다

00:03:01

사이의 관계

00:03:02

역량과 성과.

00:03:04

거품형 차트가 나쁜 이유는 무엇입니까?

00:03:06

거품형 차트를 사용하면 더 많은 데이터를 비교할 수 있습니다.

00:03:08

그러나 카테고리의 수

00:03:09

당신은 그것에 매핑 할 수 있습니다 제한.

00:03:11

하나에 너무 많은 거품

00:03:14

차트가 혼란스러워 보일 수 있습니다.

00:00:02

在本教程中，我們將

00:00:04

瞭解有關關係的更多資訊

00:00:06

可用屬性之間的圖表。

00:00:07

擺在我們面前的是兩張圖，

00:00:10

左邊的那個被稱為

00:00:11

散點圖和散點圖和

00:00:13

在右側作為氣泡圖。

00:00:15

讓我們從散點圖開始，

00:00:17

散點圖，主要使用者是

00:00:19

觀察和顯示關係

00:00:22

在兩個數值變數之間。

00:00:24

僅散點圖中的點報表

00:00:26

單個數據點的值，

00:00:29

但也有模式時的數據

00:00:30

作為一個整體。

00:00:32

散點圖的用途是什麼？

00:00:35

就像莖葉圖一樣，

00:00:37

散點圖旨在顯示

00:00:40

兩個變數之間的關係

00:00:41

在散點圖上 X 軸即

00:00:44

水平軸用於顯示

00:00:47

自變數和 Y 軸。

00:00:49

縱軸用於顯示

00:00:52

因變數。

00:00:53

那麼散點圖最適合做什麼呢？

00:00:56

在比較大數位時效果最好

00:00:59

的數據點，不考慮時間。

00:01:02

這是一個非常強大的。

00:01:03

圖表類型，當你是

00:01:05

試圖顯示關係

00:01:07

在兩個變數 X&Y 軸之間。

00:01:09

例如，在這裡，

00:01:10

員工績效與

00:01:12

員工的能力分數。

00:01:14

在此示例中，

00:01:16

它用於說明相關性

00:01:19

在員工績效和

00:01:21

能力並表現出

00:01:23

員工績效隨著

00:01:25

能力提高了X&Y軸

00:01:27

協同工作以表示數據

00:01:28

圖表上的圖基於

00:01:30

X 值和 Y 值的交集，

00:01:32

所以。

00:01:33

如果我遇到

00:01:35

這一點一直到這裡和

00:01:38

我可以看到有一個情節的重點

00:01:40

在這裡，這表明有改進。

00:01:43

越有能力的人，

00:01:45

他們表現得更好。

00:01:46

讓我們繼續討論氣泡圖。

00:01:48

所以就像散點圖一樣，

00:01:50

主要使用氣泡圖

00:01:52

描繪和顯示關係

00:01:54

在數值變數之間。

00:01:55

然而

00:01:56

將標記大小添加為

00:01:58

尺寸允許比較

00:02:01

在三個變數之間，而不僅僅是兩個變數。

00:02:03

何時應使用氣泡圖？

00:02:05

為什麼？氣泡圖用於

00:02:07

確定是否至少三個數位

00:02:09

變數相關或共用一些

00:02:11

一種特殊下的模式

00:02:13

可以使用的情況

00:02:15

顯示隨時間推移的趨勢或

00:02:17

比較分類變數。

00:02:19

所以我們有一個圖表是

00:02:20

與第一個相同。

00:02:22

還有第三個變數，

00:02:24

所以在這個例子中是一個氣泡圖

00:02:26

是下一個XY散射的變體

00:02:28

情節。就像 XY 散點圖一樣。

00:02:31

氣泡圖顯示相關性

00:02:32

在兩組數據之間。

00:02:34

區別在於增加了三分之一

00:02:36

由

00:02:37

圖表中每個氣泡的大小，

00:02:39

我們可以看到較大的。

00:02:41

在這個級別。

00:02:42

第三個維度通常是

00:02:43

用於顯示相對影響

00:02:45

定量數據項，

00:02:47

例如

00:02:48

除了向員工展示

00:02:50

績效與能力。

00:02:52

在這裡你可以有每個的大小

00:02:54

代表服務年限的氣泡，

00:02:56

讓您的觀眾

00:02:57

快速瞭解如何

00:02:59

服務年限可能會影響

00:03:01

兩者之間的關係

00:03:02

能力和績效。

00:03:04

為什麼氣泡圖不好？

00:03:06

氣泡圖允許您比較更多數據，

00:03:08

但是類別的數量

00:03:09

您可以在其上映射是有限的。

00:03:11

一個氣泡太多

00:03:14

圖表可能看起來很混亂。

00:00:02

在本教程中，我们将

00:00:04

了解有关关系的更多信息

00:00:06

可用属性之间的图表。

00:00:07

摆在我们面前的是两张图，

00:00:10

左边的那个被称为

00:00:11

散点图和散点图和

00:00:13

在右侧作为气泡图。

00:00:15

让我们从散点图开始，

00:00:17

散点图，主要用户是

00:00:19

观察和显示关系

00:00:22

在两个数值变量之间。

00:00:24

仅散点图中的点报表

00:00:26

单个数据点的值，

00:00:29

但也有模式时的数据

00:00:30

作为一个整体。

00:00:32

散点图的用途是什么？

00:00:35

就像茎叶图一样，

00:00:37

散点图旨在显示

00:00:40

两个变量之间的关系

00:00:41

在散点图上 X 轴即

00:00:44

水平轴用于显示

00:00:47

自变量和 Y 轴。

00:00:49

纵轴用于显示

00:00:52

因变量。

00:00:53

那么散点图最适合做什么呢？

00:00:56

在比较大数字时效果最好

00:00:59

的数据点，不考虑时间。

00:01:02

这是一个非常强大的。

00:01:03

图表类型，当你是

00:01:05

试图显示关系

00:01:07

在两个变量 X&Y 轴之间。

00:01:09

例如，在这里，

00:01:10

员工绩效与

00:01:12

员工的能力分数。

00:01:14

在此示例中，

00:01:16

它用于说明相关性

00:01:19

在员工绩效和

00:01:21

能力并表现出

00:01:23

员工绩效随着

00:01:25

能力提高了X&Y轴

00:01:27

协同工作以表示数据

00:01:28

图表上的图基于

00:01:30

X 值和 Y 值的交集，

00:01:32

所以。

00:01:33

如果我遇到

00:01:35

这一点一直到这里和

00:01:38

我可以看到有一个情节的重点

00:01:40

在这里，这表明有改进。

00:01:43

越有能力的人，

00:01:45

他们表现得更好。

00:01:46

让我们继续讨论气泡图。

00:01:48

所以就像散点图一样，

00:01:50

主要使用气泡图

00:01:52

描绘和显示关系

00:01:54

在数值变量之间。

00:01:55

然而

00:01:56

将标记大小添加为

00:01:58

尺寸允许比较

00:02:01

在三个变量之间，而不仅仅是两个变量。

00:02:03

何时应使用气泡图？

00:02:05

为什么？气泡图用于

00:02:07

确定是否至少三个数字

00:02:09

变量相关或共享一些

00:02:11

一种特殊下的模式

00:02:13

可以使用的情况

00:02:15

显示随时间推移的趋势或

00:02:17

比较分类变量。

00:02:19

所以我们有一个图表是

00:02:20

与第一个相同。

00:02:22

还有第三个变量，

00:02:24

所以在这个例子中是一个气泡图

00:02:26

是下一个XY散射的变体

00:02:28

情节。就像 XY 散点图一样。

00:02:31

气泡图显示相关性

00:02:32

在两组数据之间。

00:02:34

区别在于增加了三分之一

00:02:36

由

00:02:37

图表中每个气泡的大小，

00:02:39

我们可以看到较大的。

00:02:41

在这个级别。

00:02:42

第三个维度通常是

00:02:43

用于显示相对影响

00:02:45

定量数据项，

00:02:47

例如

00:02:48

除了向员工展示

00:02:50

绩效与能力。

00:02:52

在这里你可以有每个的大小

00:02:54

代表服务年限的气泡，

00:02:56

让您的观众

00:02:57

快速了解如何

00:02:59

服务年限可能会影响

00:03:01

两者之间的关系

00:03:02

能力和绩效。

00:03:04

为什么气泡图不好？

00:03:06

气泡图允许您比较更多数据，

00:03:08

但是类别的数量

00:03:09

您可以在其上映射是有限的。

00:03:11

一个气泡太多

00:03:14

图表可能看起来很混乱。

00:00:02

In diesem Tutorial werden wir

00:00:04

Erfahren Sie mehr über die Beziehung

00:00:06

Diagramme zwischen verfügbaren Eigenschaften.

00:00:07

Vor uns haben wir zwei Diagramme,

00:00:10

Die linke wird als

00:00:11

ein Punktdiagramm und das eine

00:00:13

rechts als Blasendiagramm.

00:00:15

Beginnen wir mit den Punktdiagrammen,

00:00:17

Streudiagramme, primäre Benutzer sind

00:00:19

Zusammenhänge beobachten und aufzeigen

00:00:22

zwischen zwei numerischen Variablen.

00:00:24

Die Punkte in einem Streudiagramm berichten nur

00:00:26

die Werte der einzelnen Datenpunkte,

00:00:29

aber auch Muster, wenn die Daten

00:00:30

werden als Ganzes betrachtet.

00:00:32

Wozu dient das Streudiagramm?

00:00:35

Und wie der Stamm- und Blattplot,

00:00:37

Ein Streudiagramm soll die

00:00:40

Beziehung zwischen zwei Variablen

00:00:41

in einem Punktdiagramm Die X-Achse, d. h.

00:00:44

Die horizontale Achse wird verwendet, um die

00:00:47

unabhängige Variable und die Y-Achse.

00:00:49

Die vertikale Achse wird verwendet, um

00:00:52

Die abhängige Variable.

00:00:53

Wofür wird ein Punktdiagramm am besten verwendet?

00:00:56

Es funktioniert am besten beim Vergleich großer Zahlen

00:00:59

von Datenpunkten ohne Rücksicht auf die Zeit.

00:01:02

Das ist eine sehr mächtige.

00:01:03

Art des Diagramms und gut, wenn Sie es sind

00:01:05

Der Versuch, die Beziehung zu zeigen

00:01:07

zwischen zwei Variablen X&Y-Achse.

00:01:09

Hier z.B.

00:01:10

Die Leistung eines Mitarbeiters im Vergleich zu

00:01:12

Die Kompetenzbewertung eines Mitarbeiters.

00:01:14

In diesem Beispiel

00:01:16

Es wird verwendet, um die Korrelation zu veranschaulichen

00:01:19

zwischen Mitarbeiterleistung und

00:01:21

Kompetenz und nachgewiesen eine

00:01:23

Die Leistung der Mitarbeiter steigt mit

00:01:25

Kompetenz verbessert die X&Y-Achse

00:01:27

Zusammenarbeit zur Darstellung von Daten

00:01:28

Diagramme auf dem Diagramm basierend auf dem

00:01:30

Schnittpunkt von X- und Y-Werten,

00:01:32

Also.

00:01:33

Wenn ich die Kreuzung von

00:01:35

Dieser Punkt hier unten und

00:01:38

Ich kann sehen, dass es einen Fokus von Plots gibt

00:01:40

Hier drüben zeigt das, dass es Verbesserungen gibt.

00:01:43

Je mehr Person kompetent ist,

00:01:45

Besser performen sie.

00:01:46

Kommen wir zu den Blasencharts.

00:01:48

So wie das Streudiagramm,

00:01:50

Hauptsächlich wird ein Blasendiagramm verwendet

00:01:52

um Zusammenhänge darzustellen und aufzuzeigen

00:01:54

zwischen numerischen Variablen.

00:01:55

Aber

00:01:56

die Hinzufügung der Markergröße als

00:01:58

Dimension ermöglicht den Vergleich

00:02:01

zwischen drei Variablen statt nur zwei.

00:02:03

Wann sollte ein Blasendiagramm verwendet werden?

00:02:05

Warum? Bbubble-Diagramme werden verwendet, um

00:02:07

Stellen Sie fest, ob mindestens drei numerische

00:02:09

Variablen sind verwandt oder teilen einige

00:02:11

Eine Art Muster unter Special

00:02:13

Umstände, unter denen sie verwendet werden könnten

00:02:15

um Trends im Laufe der Zeit anzuzeigen oder

00:02:17

Vergleichen Sie kategoriale Variablen.

00:02:19

Wir haben also ein Diagramm, das

00:02:20

das gleiche wie das erste.

00:02:22

Es gibt eine dritte Variable,

00:02:24

In diesem Beispiel ein Blasendiagramm

00:02:26

ist eine Variation der nächsten XY-Streuung

00:02:28

Handlung. Genau wie das XY-Streudiagramm.

00:02:31

Blasendiagramme zeigen die Korrelation

00:02:32

zwischen zwei Datensätzen.

00:02:34

Differenz ist die Addition eines Drittels

00:02:36

Dimension, die durch die

00:02:37

Größe jeder Blase im Diagramm,

00:02:39

Und wir können die größeren sehen.

00:02:41

Auf dieser Ebene.

00:02:42

Die dritte Dimension ist typischerweise

00:02:43

verwendet, um die relativen Auswirkungen zu zeigen

00:02:45

eines quantitativen Datenelements,

00:02:47

Zum Beispiel

00:02:48

Zusätzlich zur Anzeige des Mitarbeiters

00:02:50

Leistung versus Kompetenz.

00:02:52

Hier können Sie die Größe von jedem haben

00:02:54

Blase, die Dienstjahre darstellt,

00:02:56

Ermöglichen Sie Ihrem Publikum,

00:02:57

Schnell ein Gefühl dafür bekommen, wie

00:02:59

Dienstjahre können sich auf

00:03:01

Die Beziehung zwischen

00:03:02

Kompetenz und Leistung.

00:03:04

Warum sind Blasendiagramme schlecht?

00:03:06

Blasendiagramme ermöglichen es Ihnen, mehr Daten zu vergleichen,

00:03:08

aber die Anzahl der Kategorien

00:03:09

Sie können Karte darauf ist begrenzt.

00:03:11

Zu viele Blasen in einer

00:03:14

Diagramm kann chaotisch aussehen.

00:00:02

En este tutorial vamos a

00:00:04

más información sobre la relación

00:00:06

gráficos entre propiedades disponibles.

00:00:07

Ante nosotros, tenemos dos diagramas,

00:00:10

el de la izquierda se conoce como

00:00:11

un gráfico de dispersión y el único

00:00:13

a la derecha como el gráfico de burbujas.

00:00:15

Comencemos con los gráficos de dispersión,

00:00:17

Diagramas de dispersión, los usuarios principales son

00:00:19

para observar y mostrar relaciones

00:00:22

entre dos variables numéricas.

00:00:24

Los puntos de un diagrama de dispersión solo informan

00:00:26

los valores de los puntos de datos individuales,

00:00:29

pero también patrones cuando los datos

00:00:30

se toman como un todo.

00:00:32

¿Qué pretende hacer el diagrama de dispersión?

00:00:35

Y como la trama del tallo y la hoja,

00:00:37

Un gráfico de dispersión está destinado a mostrar el

00:00:40

relación entre dos variables

00:00:41

en un eje G de la gráfica de dispersión, es decir,

00:00:44

El eje horizontal se utiliza para mostrar el

00:00:47

variable independiente y el eje Y.

00:00:49

El eje vertical se utiliza para mostrar

00:00:52

la variable dependiente.

00:00:53

Entonces, ¿para qué se usa mejor un gráfico de dispersión?

00:00:56

Funciona mejor cuando se comparan números grandes

00:00:59

de puntos de datos sin tener en cuenta el tiempo.

00:01:02

Este es un muy poderoso.

00:01:03

Tipo de gráfico y bueno cuando estás

00:01:05

tratando de mostrar la relación

00:01:07

entre dos variables eje X&Y.

00:01:09

Aquí, por ejemplo,

00:01:10

el desempeño de un empleado frente a

00:01:12

el puntaje de competencia de un empleado.

00:01:14

En este ejemplo,

00:01:16

Se utiliza para ilustrar la correlación

00:01:19

entre el desempeño de los empleados y

00:01:21

competencia y demostrado un

00:01:23

el rendimiento de los empleados aumenta a medida que

00:01:25

La competencia mejora el eje X&Y

00:01:27

trabajaron juntos para representar datos

00:01:28

gráficos en el gráfico basados en el

00:01:30

intersección de valores X e Y valores,

00:01:32

así que.

00:01:33

Si me encontrara con la intersección de

00:01:35

este punto hasta aquí y

00:01:38

Puedo ver que hay un enfoque de tramas

00:01:40

por aquí eso demuestra que hay una mejora.

00:01:43

Cuanta más persona sea competente,

00:01:45

mejor se desempeñan.

00:01:46

Pasemos a los gráficos de burbujas.

00:01:48

Así que como el diagrama de dispersión,

00:01:50

Se utiliza principalmente un gráfico de burbujas

00:01:52

para representar y mostrar relaciones

00:01:54

entre variables numéricas.

00:01:55

Sin embargo

00:01:56

la adición del tamaño del marcador como un

00:01:58

la dimensión permite la comparación

00:02:01

entre tres variables en lugar de solo dos.

00:02:03

¿Cuándo se debe usar un gráfico de burbujas?

00:02:05

Por qué los gráficos de burbujas están acostumbrados a

00:02:07

determinar si al menos tres numéricos

00:02:09

las variables están relacionadas o comparten algunas

00:02:11

tipo de patrón bajo especial

00:02:13

circunstancias en las que podrían utilizarse

00:02:15

para mostrar tendencias a lo largo del tiempo o para

00:02:17

comparar variables categóricas.

00:02:19

Así que tenemos un gráfico que es

00:02:20

lo mismo que el primero.

00:02:22

Hay una tercera variable,

00:02:24

así que en este ejemplo un gráfico de burbujas

00:02:26

es una variación de siguiente por qué scatter

00:02:28

al igual que el diagrama de dispersión XY.

00:02:31

Los gráficos de burbujas muestran la correlación

00:02:32

entre dos conjuntos de datos.

00:02:34

La diferencia es la adición de un tercio

00:02:36

dimensión representada por el

00:02:37

tamaño de cada burbuja en el gráfico,

00:02:39

y podemos ver los más grandes.

00:02:41

A este nivel.

00:02:42

La tercera dimensión es típicamente

00:02:43

se utiliza para mostrar el impacto relativo

00:02:45

de un elemento de datos cuantitativos,

00:02:47

por ejemplo

00:02:48

además de mostrar empleado

00:02:50

rendimiento versus competencia.

00:02:52

Aquí puedes tener el tamaño de cada uno

00:02:54

burbuja que representa años de servicio,

00:02:56

permitiendo que su audiencia

00:02:57

obtenga rápidamente una idea de cómo

00:02:59

los años de servicio pueden afectar

00:03:01

la relación entre

00:03:02

competencia y rendimiento.

00:03:04

¿Por qué son malos los gráficos de burbujas?

00:03:06

Los gráficos de burbujas le permiten comparar más datos,

00:03:08

pero el número de categorías

00:03:09

se puede mapear en él es limitado.

00:03:11

Demasiadas burbujas en una

00:03:14

el gráfico puede parecer caótico.

00:00:02

في هذا البرنامج التعليمي ، سنقوم بذلك

00:00:04

اكتشف المزيد عن العلاقة

00:00:06

الرسوم البيانية بين العقارات المتاحة.

00:00:07

أمامنا رسمان بيانيان،

00:00:10

يشار إلى الشخص الموجود على اليسار باسم

00:00:11

مخطط مخطط مبعثر وواحد

00:00:13

على اليمين كمخطط فقاعي.

00:00:15

لنبدأ بالمخططات المبعثرة ،

00:00:17

Scatterplots ، المستخدمون الأساسيون هم

00:00:19

لمراقبة وإظهار العلاقات

00:00:22

بين متغيرين رقميين.

00:00:24

النقاط في تقرير مخطط مبعثر فقط

00:00:26

قيم نقاط البيانات الفردية ،

00:00:29

ولكن أيضا أنماط عندما البيانات

00:00:30

تؤخذ ككل.

00:00:32

ما المقصود من مخطط التشتت؟

00:00:35

ومثل مؤامرة الساق والأوراق ،

00:00:37

يهدف مخطط التشتت إلى إظهار

00:00:40

العلاقة بين متغيرين

00:00:41

على مخطط مبعثر المحور X هذا هو ،

00:00:44

يستخدم المحور الأفقي لإظهار

00:00:47

المتغير المستقل والمحور Y.

00:00:49

يستخدم المحور الرأسي لإظهار

00:00:52

المتغير التابع.

00:00:53

إذن ما هو المخطط المبعثر الأفضل استخداما؟

00:00:56

يعمل بشكل أفضل عند مقارنة الأعداد الكبيرة

00:00:59

من نقاط البيانات بغض النظر عن الوقت.

00:01:02

هذا قوي جدا.

00:01:03

نوع الرسم البياني وجيد عندما تكون كذلك

00:01:05

محاولة إظهار العلاقة

00:01:07

بين متغيرين المحور X و Y.

00:01:09

هنا ، على سبيل المثال ،

00:01:10

أداء الموظف مقابل

00:01:12

درجة كفاءة الموظف.

00:01:14

في هذا المثال،

00:01:16

يتم استخدامه لتوضيح الارتباط

00:01:19

بين أداء الموظف و

00:01:21

الكفاءة وأظهرت

00:01:23

يرتفع أداء الموظف مع ارتفاع

00:01:25

الكفاءة تحسن محور X &Y

00:01:27

العمل معا لتمثيل البيانات

00:01:28

المؤامرات على الرسم البياني على أساس

00:01:30

تقاطع قيم X وقيم Y ،

00:01:32

حتي.

00:01:33

إذا كنت سأقابل تقاطع

00:01:35

هذه النقطة على طول الطريق هنا و

00:01:38

أستطيع أن أرى أن هناك تركيزا على المؤامرات

00:01:40

هنا يظهر أن هناك تحسنا.

00:01:43

كلما زاد عدد الأشخاص الأكفاء ،

00:01:45

أفضل أنها أداء.

00:01:46

دعنا ننتقل إلى المخططات الفقاعية.

00:01:48

لذلك مثل مؤامرة مبعثر ،

00:01:50

يتم استخدام المخطط الفقاعي بشكل أساسي

00:01:52

لتصوير العلاقات وإظهارها

00:01:54

بين المتغيرات الرقمية.

00:01:55

لكن

00:01:56

إضافة حجم العلامة كملف

00:01:58

البعد يسمح بالمقارنة

00:02:01

بين ثلاثة متغيرات بدلا من متغيرين فقط.

00:02:03

متى يجب استخدام المخطط الفقاعي؟

00:02:05

لماذا؟ تستخدم مخططات Bbubble ل

00:02:07

تحديد ما إذا كان هناك ثلاثة أرقام على الأقل

00:02:09

المتغيرات مرتبطة أو تشترك في بعض

00:02:11

نوع من نمط تحت خاص

00:02:13

الظروف التي يمكن استخدامها

00:02:15

لإظهار الاتجاهات مع مرور الوقت أو

00:02:17

قارن المتغيرات الفئوية.

00:02:19

إذن لدينا مخطط

00:02:20

نفس الأول.

00:02:22

هناك متغير ثالث ،

00:02:24

لذلك في هذا المثال مخطط فقاعي

00:02:26

هو شكل مختلف من مبعثر XY التالي

00:02:28

بيت. تماما مثل مخطط التشتت XY.

00:02:31

تظهر المخططات الفقاعية الارتباط

00:02:32

بين مجموعتين من البيانات.

00:02:34

الفرق هو إضافة الثلث

00:02:36

البعد الذي يمثله

00:02:37

حجم كل فقاعة في الرسم البياني ،

00:02:39

ويمكننا أن نرى أكبرها.

00:02:41

على هذا المستوى.

00:02:42

البعد الثالث هو عادة

00:02:43

تستخدم لإظهار التأثير النسبي

00:02:45

من عنصر بيانات كمية،

00:02:47

على سبيل المثال،

00:02:48

بالإضافة إلى إظهار الموظف

00:02:50

الأداء مقابل الكفاءة.

00:02:52

هنا يمكنك الحصول على حجم كل منها

00:02:54

فقاعة تمثل سنوات الخدمة ،

00:02:56

السماح لجمهورك

00:02:57

تعرف بسرعة على كيفية

00:02:59

قد تؤثر سنوات الخدمة

00:03:01

العلاقة بين

00:03:02

الكفاءة والأداء.

00:03:04

لماذا المخططات الفقاعية سيئة؟

00:03:06

تسمح لك المخططات الفقاعية بمقارنة المزيد من البيانات ،

00:03:08

لكن عدد الفئات

00:03:09

يمكنك خريطة على أنها محدودة.

00:03:11

الكثير من الفقاعات في واحد

00:03:14

قد يبدو الرسم البياني فوضويا.

00:00:02

În acest tutorial vom

00:00:04

afla mai multe despre relatie

00:00:06

diagrame între proprietățile disponibile.

00:00:07

În fața noastră, avem două diagrame,

00:00:10

cel din stânga este denumit ca

00:00:11

o diagramă prin puncte și cea

00:00:13

în dreapta ca diagramă cu bule.

00:00:15

Să începem cu diagramele prin puncte,

00:00:17

Scatterplots, utilizatorii principali sunt

00:00:19

pentru a observa și a arăta relațiile

00:00:22

între două variabile numerice.

00:00:24

Punctele dintr-un raport scatterplot numai

00:00:26

valorile punctelor de date individuale;

00:00:29

dar, de asemenea, modele atunci când datele

00:00:30

sunt luate ca un întreg.

00:00:32

Ce intenționează să facă parcela de împrăștiere?

00:00:35

Și, la fel ca tulpina și parcela frunzelor,

00:00:37

o parcelă de împrăștiere este destinată să arate

00:00:40

relația dintre două variabile

00:00:41

pe o parcelă de împrăștiere Axa X care este,

00:00:44

axa orizontală este utilizată pentru a afișa

00:00:47

variabila independentă și axa Y.

00:00:49

Axa verticală este utilizată pentru a afișa

00:00:52

variabila dependentă.

00:00:53

Deci, pentru ce este cel mai bine utilizată o diagramă prin puncte?

00:00:56

Funcționează cel mai bine atunci când se compară numere mari

00:00:59

de puncte de date fără a ține cont de timp.

00:01:02

Acesta este un foarte puternic.

00:01:03

Tip de diagramă și bun atunci când sunteți

00:01:05

încercarea de a arăta relația

00:01:07

între două variabile axa X&Y.

00:01:09

Aici, de exemplu,

00:01:10

performanța unui angajat versus

00:01:12

scorul de competență al unui angajat.

00:01:14

În acest exemplu,

00:01:16

este folosit pentru a ilustra corelația

00:01:19

între performanța angajaților și

00:01:21

competență și a demonstrat o

00:01:23

performanța angajaților crește pe măsură ce

00:01:25

competența îmbunătățește axa X&Y

00:01:27

au lucrat împreună pentru a reprezenta datele

00:01:28

parcele pe diagramă pe baza

00:01:30

intersecția valorilor X cu valorile Y;

00:01:32

deci.

00:01:33

Dacă ar fi să mă întâlnesc cu intersecția de

00:01:35

acest punct tot drumul în jos aici și

00:01:38

I can see there's a focus of plots

00:01:40

aici, care arată că există îmbunătățiri.

00:01:43

Cu cât mai multă persoană este competentă,

00:01:45

mai bine performează.

00:01:46

Să trecem la diagramele cu bule.

00:01:48

Deci, ca complot împrăștie,

00:01:50

o diagramă cu bule este utilizată în principal

00:01:52

pentru a descrie și a arăta relațiile

00:01:54

între variabilele numerice.

00:01:55

Însă

00:01:56

adăugarea dimensiunii markerului ca o

00:01:58

dimension permite compararea

00:02:01

între trei variabile, mai degrabă decât doar două.

00:02:03

Când ar trebui utilizată o diagramă cu bule?

00:02:05

De ce? Diagramele bbubble sunt utilizate pentru a

00:02:07

se determină dacă cel puțin trei numere numerice

00:02:09

variabilele sunt legate sau partajează unele

00:02:11

un fel de model sub speciale

00:02:13

circumstanțele în care ar putea fi utilizate

00:02:15

pentru a afișa tendințele ore suplimentare sau pentru a

00:02:17

comparați variabilele categorice.

00:02:19

Deci avem o diagramă care este

00:02:20

la fel ca prima.

00:02:22

Există o a treia variabilă,

00:02:24

deci, în acest exemplu, o diagramă cu bule

00:02:26

este o variație a următoarei împrăștieri XY

00:02:28

complot. La fel ca scatterplot XY.

00:02:31

Diagramele cu bule afișează corelația

00:02:32

între două seturi de date.

00:02:34

Diferența este adăugarea unei treimi

00:02:36

dimensiunea care este reprezentată de

00:02:37

dimensiunea fiecărei bule din diagramă,

00:02:39

și le putem vedea pe cele mai mari.

00:02:41

La acest nivel.

00:02:42

A treia dimensiune este de obicei

00:02:43

utilizate pentru a arăta impactul relativ

00:02:45

a unui element de date cantitative;

00:02:47

de exemplu

00:02:48

în plus față de afișarea angajatului

00:02:50

performanță versus competență.

00:02:52

Aici puteți avea dimensiunea fiecăruia

00:02:54

bulă reprezentând ani de serviciu,

00:02:56

permiterea audienței să

00:02:57

rapid a lua un sentiment de modul în care

00:02:59

anii de serviciu pot afecta

00:03:01

relația dintre

00:03:02

competență și performanță.

00:03:04

De ce sunt diagramele cu bule rele?

00:03:06

Diagramele cu bule vă permit să comparați mai multe date,

00:03:08

dar numărul de categorii

00:03:09

puteți harta pe ea este limitată.

00:03:11

Prea multe bule într-una singură

00:03:14

diagramă poate arata haotic.

00:00:02

Neste tutorial vamos

00:00:04

saiba mais sobre o relacionamento

00:00:06

gráficos entre propriedades disponíveis.

00:00:07

Antes de nós, temos dois diagramas,

00:00:10

o da esquerda é referido como

00:00:11

um gráfico de dispersão e um gráfico

00:00:13

à direita como o gráfico de bolhas.

00:00:15

Vamos começar com os gráficos de dispersão,

00:00:17

Gráficos de dispersão, os usuários primários são

00:00:19

observar e mostrar relacionamentos

00:00:22

entre duas variáveis numéricas.

00:00:24

Os pontos em um relatório somente de gráfico de dispersão

00:00:26

os valores de pontos de dados individuais,

00:00:29

mas também padrões quando os dados

00:00:30

são tomadas como um todo.

00:00:32

O que o gráfico de dispersão pretende fazer?

00:00:35

E como o caule e a parcela foliar,

00:00:37

um gráfico de dispersão destina-se a mostrar o

00:00:40

relação entre duas variáveis

00:00:41

em um gráfico de dispersão O eixo X que é,

00:00:44

o eixo horizontal é usado para mostrar o

00:00:47

variável independente e o eixo Y.

00:00:49

O eixo vertical é usado para mostrar

00:00:52

a variável dependente.

00:00:53

Então, para que serve um gráfico de dispersão?

00:00:56

Funciona melhor ao comparar números grandes

00:00:59

de pontos de dados sem levar em conta o tempo.

00:01:02

Este é um muito poderoso.

00:01:03

Tipo de gráfico e bom quando você está

00:01:05

tentando mostrar o relacionamento

00:01:07

entre duas variáveis do eixo X&Y.

00:01:09

Aqui, por exemplo,

00:01:10

o desempenho de um funcionário versus

00:01:12

a pontuação de competência de um funcionário.

00:01:14

Neste exemplo,

00:01:16

ele é usado para ilustrar a correlação

00:01:19

entre o desempenho dos funcionários e

00:01:21

competência e demonstrou um

00:01:23

o desempenho dos funcionários aumenta à medida que

00:01:25

a competência melhora o eixo X&Y

00:01:27

trabalharam em conjunto para representar dados

00:01:28

gráficos no gráfico com base no

00:01:30

intersecção dos valores X e Y,

00:01:32

Então.

00:01:33

Se eu fosse atender a interseção de

00:01:35

este ponto todo o caminho até aqui e

00:01:38

Eu posso ver que há um foco de enredos

00:01:40

aqui isso mostra que há melhora.

00:01:43

Quanto mais a pessoa for competente,

00:01:45

melhor eles executam.

00:01:46

Vamos passar para os gráficos de bolhas.

00:01:48

Então, como o gráfico de dispersão,

00:01:50

um gráfico de bolhas é usado principalmente

00:01:52

para retratar e mostrar relacionamentos

00:01:54

entre variáveis numéricas.

00:01:55

Contudo

00:01:56

a adição do tamanho do marcador como um

00:01:58

dimensão permite a comparação

00:02:01

entre três variáveis em vez de apenas duas.

00:02:03

Quando um gráfico de bolhas deve ser usado?

00:02:05

Por que? Os gráficos Bbubble são usados para

00:02:07

determinar se pelo menos três numéricos

00:02:09

variáveis estão relacionadas ou compartilham algumas

00:02:11

tipo de um padrão sob especial

00:02:13

circunstâncias em que poderiam ser utilizados

00:02:15

para mostrar tendências horas extras ou para

00:02:17

comparar variáveis categóricas.

00:02:19

Então nós temos um gráfico que é

00:02:20

o mesmo que o primeiro.

00:02:22

Há uma terceira variável,

00:02:24

portanto, neste exemplo, um gráfico de bolhas

00:02:26

é uma variação da próxima dispersão XY

00:02:28

enredo. Assim como o gráfico de dispersão XY.

00:02:31

Os gráficos de bolhas mostram a correlação

00:02:32

entre dois conjuntos de dados.

00:02:34

A diferença é a adição de um terço

00:02:36

dimensão que é representada pelo

00:02:37

tamanho de cada bolha no gráfico,

00:02:39

e podemos ver os maiores.

00:02:41

A este nível.

00:02:42

A terceira dimensão é tipicamente

00:02:43

usado para mostrar o impacto relativo

00:02:45

de um elemento de dados quantitativos,

00:02:47

por exemplo

00:02:48

além de mostrar funcionário

00:02:50

desempenho versus competência.

00:02:52

Aqui você pode ter o tamanho de cada

00:02:54

bolha representando anos de serviço,

00:02:56

permitindo que seu público

00:02:57

rapidamente ter uma noção de como

00:02:59

anos de serviço podem afetar

00:03:01

a relação entre

00:03:02

competência e desempenho.

00:03:04

Por que os gráficos de bolhas são ruins?

00:03:06

Os gráficos de bolhas permitem que você compare mais dados,

00:03:08

mas o número de categorias

00:03:09

você pode mapear nele é limitado.

00:03:11

Muitas bolhas em uma

00:03:14

gráfico pode parecer caótico.

00:00:02

В этом уроке мы собираемся

00:00:04

узнайте больше об отношениях

00:00:06

графики между доступными свойствами.

00:00:07

Перед нами две диаграммы,

00:00:10

Тот, что слева, называется

00:00:11

точечная диаграмма и диаграмма

00:00:13

справа как пузырьковая диаграмма.

00:00:15

Начнем с точечных диаграмм,

00:00:17

Точечные диаграммы, основными пользователями являются

00:00:19

наблюдать и показывать отношения

00:00:22

между двумя числовыми переменными.

00:00:24

Точки в точечной диаграмме сообщают только

00:00:26

значения отдельных точек данных,

00:00:29

но также шаблоны, когда данные

00:00:30

берутся как единое целое.

00:00:32

Для чего предназначен точечный график?

00:00:35

И как стебель и листовой участок,

00:00:37

Точечная диаграмма предназначена для отображения

00:00:40

связь между двумя переменными

00:00:41

на точечной диаграмме Ось X, то есть,

00:00:44

Горизонтальная ось используется для отображения

00:00:47

независимая переменная и ось Y.

00:00:49

Вертикальная ось используется для отображения

00:00:52

зависимая переменная.

00:00:53

Так для чего же лучше всего использовать точечную диаграмму?

00:00:56

Он лучше всего работает при сравнении больших чисел

00:00:59

точек данных без учета времени.

00:01:02

Это очень мощно.

00:01:03

Тип графика и хорошо, когда вы

00:01:05

пытаясь показать отношения

00:01:07

между двумя переменными оси X&Y.

00:01:09

Вот, например,

00:01:10

производительность сотрудника в сравнении с

00:01:12

оценка компетентности сотрудника.

00:01:14

В этом примере

00:01:16

Он используется для иллюстрации корреляции

00:01:19

между производительностью сотрудников и

00:01:21

компетентность и продемонстрировал

00:01:23

производительность сотрудников повышается по мере того, как

00:01:25

компетенция улучшает ось X&Y

00:01:27

работал вместе для представления данных

00:01:28

графики на графике на основе

00:01:30

пересечение значений X и Y,

00:01:32

так.

00:01:33

Если бы я встретил перекресток

00:01:35

эта точка до самого низа здесь и

00:01:38

Я вижу, что есть фокус сюжетов

00:01:40

здесь это показывает, что есть улучшение.

00:01:43

Чем больше человек компетентен,

00:01:45

лучше они работают.

00:01:46

Перейдем к пузырьковым графикам.

00:01:48

Так же, как точечный график,

00:01:50

В основном используется пузырьковая диаграмма

00:01:52

для изображения и демонстрации отношений

00:01:54

между числовыми переменными.

00:01:55

Однако

00:01:56

добавление размера маркера в качестве

00:01:58

размер позволяет проводить сравнение

00:02:01

между тремя переменными, а не только двумя.

00:02:03

Когда следует использовать пузырьковую диаграмму?

00:02:05

Почему? Графики Bbubble используются для

00:02:07

Определите, если по крайней мере три числовых

00:02:09

переменные связаны или имеют общий доступ к некоторым

00:02:11

вид узора под специальным

00:02:13

обстоятельства, при которых они могут быть использованы

00:02:15

для отображения тенденций сверхурочно или для

00:02:17

сравнить категориальные переменные.

00:02:19

Итак, у нас есть диаграмма, которая

00:02:20

то же самое, что и первый.

00:02:22

Есть третья переменная,

00:02:24

Таким образом, в этом примере пузырьковая диаграмма

00:02:26

является вариацией следующего рассеяния XY

00:02:28

участок. Так же, как и диаграмма рассеяния XY.

00:02:31

Пузырьковые диаграммы показывают корреляцию

00:02:32

между двумя наборами данных.

00:02:34

Отличие заключается в добавлении третьего

00:02:36

измерение, представленное

00:02:37

размер каждого пузырька на графике,

00:02:39

и мы можем видеть более крупные.

00:02:41

На этом уровне.

00:02:42

Третье измерение, как правило,

00:02:43

используется для отображения относительного воздействия

00:02:45

элемента количественных данных,

00:02:47

например

00:02:48

в дополнение к показу сотрудника

00:02:50

производительность в сравнении с компетенцией.

00:02:52

Здесь вы можете иметь размер каждого

00:02:54

пузырь, представляющий годы службы,

00:02:56

позволяя вашей аудитории

00:02:57

быстро получить представление о том, как

00:02:59

годы службы могут повлиять

00:03:01

взаимосвязь между

00:03:02

компетентность и производительность.

00:03:04

Почему пузырьковые графики плохие?

00:03:06

Пузырьковые диаграммы позволяют сравнивать больше данных,

00:03:08

но количество категорий

00:03:09

вы можете нанести на него карту ограниченно.

00:03:11

Слишком много пузырьков в одном

00:03:14

график может выглядеть хаотично.

00:00:02

ในบทช่วยสอนนี้เราจะไปที่

00:00:04

ค้นหาข้อมูลเพิ่มเติมเกี่ยวกับความสัมพันธ์

00:00:06

แผนภูมิระหว่างคุณสมบัติที่มีอยู่

00:00:07

ก่อนหน้าเราเรามีสองแผนภาพ

00:00:10

ทางซ้ายมือเรียกว่า

00:00:11

แผนภูมิพล็อตกระจายและแผนภูมิหนึ่ง

00:00:13

ทางด้านขวาเป็นแผนภูมิฟอง

00:00:15

เริ่มจากแผนภูมิกระจาย

00:00:17

Scatterplots ผู้ใช้หลักคือ

00:00:19

เพื่อสังเกตและแสดงความสัมพันธ์

00:00:22

ระหว่างตัวแปรตัวเลขสองตัว

00:00:24

จุดในรายงาน scatterplot เท่านั้น

00:00:26

ค่าของจุดข้อมูลแต่ละจุด

00:00:29

แต่ยังมีรูปแบบเมื่อข้อมูล

00:00:30

ถูกนํามาเป็นภาพรวม

00:00:32

พล็อตกระจายตั้งใจจะทําอะไร?

00:00:35

และเช่นเดียวกับแปลงลําต้นและใบ

00:00:37

พล็อตกระจายมีวัตถุประสงค์เพื่อแสดง

00:00:40

ความสัมพันธ์ระหว่างสองตัวแปร

00:00:41

บนพล็อตกระจาย แกน X นั่นคือ

00:00:44

แกนนอนใช้เพื่อแสดง

00:00:47

ตัวแปรอิสระและแกน Y

00:00:49

แกนแนวตั้งใช้เพื่อแสดง

00:00:52

ตัวแปรขึ้นอยู่กับ

00:00:53

ดังนั้นแผนภูมิกระจายที่ดีที่สุดใช้สําหรับอะไร?

00:00:56

ทํางานได้ดีที่สุดเมื่อเปรียบเทียบตัวเลขจํานวนมาก

00:00:59

ของจุดข้อมูลโดยไม่คํานึงถึงเวลา

00:01:02

นี่เป็นพลังที่ทรงพลังมาก

00:01:03

ประเภทของแผนภูมิและดีเมื่อคุณเป็น

00:01:05

พยายามแสดงความสัมพันธ์

00:01:07

ระหว่างสองตัวแปรแกน X &Y

00:01:09

ตัวอย่างเช่นที่นี่

00:01:10

ผลการปฏิบัติงานของพนักงานเทียบกับ

00:01:12

คะแนนความสามารถของพนักงาน

00:01:14

ในตัวอย่างนี้

00:01:16

ใช้เพื่อแสดงให้เห็นถึงความสัมพันธ์

00:01:19

ระหว่างผลการปฏิบัติงานของพนักงานและ

00:01:21

ความสามารถและแสดงให้เห็นถึง

00:01:23

ผลการปฏิบัติงานของพนักงานเพิ่มขึ้นเมื่อ

00:01:25

ความสามารถปรับปรุงแกน X&Y

00:01:27

ทํางานร่วมกันเพื่อแสดงข้อมูล

00:01:28

พล็อตบนแผนภูมิตาม

00:01:30

จุดตัดของค่า X และค่า Y

00:01:32

ดังนั้น

00:01:33

ถ้าผมจะไปเจอสี่แยก

00:01:35

จุดนี้ตลอดทางลงที่นี่และ

00:01:38

ฉันเห็นว่ามีจุดเน้นของพล็อต

00:01:40

กว่าที่นี่ที่แสดงให้เห็นว่ามีการปรับปรุง

00:01:43

ยิ่งคนมีความสามารถมากเท่าไหร่

00:01:45

พวกเขาทํางานได้ดีขึ้น

00:01:46

มาดูแผนภูมิฟองกันดีกว่า

00:01:48

เช่นเดียวกับพล็อตกระจาย

00:01:50

แผนภูมิฟองจะใช้เป็นหลัก

00:01:52

เพื่อพรรณนาและแสดงความสัมพันธ์

00:01:54

ระหว่างตัวแปรตัวเลข

00:01:55

อย่างไรก็ตาม

00:01:56

การเพิ่มขนาดเครื่องหมายเป็น

00:01:58

มิติช่วยให้การเปรียบเทียบ

00:02:01

ระหว่างสามตัวแปรแทนที่จะเป็นเพียงสองตัว

00:02:03

ควรใช้แผนภูมิฟองเมื่อใด

00:02:05

ทําไม แผนภูมิ Bbubble ใช้เพื่อ

00:02:07

ตรวจสอบว่าตัวเลขอย่างน้อยสามตัว

00:02:09

ตัวแปรที่เกี่ยวข้องหรือแบ่งปันบางส่วน

00:02:11

ชนิดของรูปแบบภายใต้พิเศษ

00:02:13

สถานการณ์ที่พวกเขาสามารถใช้ได้

00:02:15

เพื่อแสดงแนวโน้มการทํางานล่วงเวลาหรือ

00:02:17

เปรียบเทียบตัวแปรหมวดหมู่

00:02:19

ดังนั้นเราจึงมีแผนภูมิที่เป็น

00:02:20

เช่นเดียวกับคนแรก

00:02:22

มีตัวแปรที่สาม

00:02:24

ดังนั้นในตัวอย่างนี้แผนภูมิฟอง

00:02:26

เป็นรูปแบบของการกระจาย XY ถัดไป

00:02:28

แผนการ เช่นเดียวกับ XY scatterplot

00:02:31

แผนภูมิฟองแสดงความสัมพันธ์

00:02:32

ระหว่างข้อมูลสองชุด

00:02:34

ความแตกต่างคือการเพิ่มหนึ่งในสาม

00:02:36

มิติที่แสดงโดย

00:02:37

ขนาดของแต่ละฟองในแผนภูมิ

00:02:39

และเราสามารถเห็นคนที่ใหญ่กว่า

00:02:41

ในระดับนี้

00:02:42

มิติที่สามโดยทั่วไปคือ

00:02:43

ใช้เพื่อแสดงผลกระทบสัมพัทธ์

00:02:45

ของรายการข้อมูลเชิงปริมาณ

00:02:47

อย่างเช่น

00:02:48

นอกจากการแสดงให้พนักงานเห็นแล้ว

00:02:50

ประสิทธิภาพเทียบกับความสามารถ

00:02:52

ที่นี่คุณสามารถมีขนาดของแต่ละ

00:02:54

ฟองสบู่เป็นตัวแทนของปีของการให้บริการ

00:02:56

อนุญาตให้ผู้ชมของคุณ

00:02:57

เข้าใจได้อย่างรวดเร็วว่าอย่างไร

00:02:59

ปีของการให้บริการอาจส่งผลกระทบ

00:03:01

ความสัมพันธ์ระหว่าง

00:03:02

ความสามารถและประสิทธิภาพ

00:03:04

ทําไมแผนภูมิฟองถึงไม่ดี?

00:03:06

แผนภูมิฟองช่วยให้คุณสามารถเปรียบเทียบข้อมูลเพิ่มเติม

00:03:08

แต่จํานวนหมวดหมู่

00:03:09

คุณสามารถแมปบนมันมี จํากัด