Про важность визуализации на примере Квартета Энскомба и динозавриках
“Graphics reveal data. Indeed graphics can be more precise and revealing than conventional statistical computations.”
- Tufte, Edward (1983). The Visual Display of Quantitative Information
Визуализация данных помогает раскрывать данные и, следуя цитате Тафти выше, графики могут быть точнее, чем некоторые статистические вычисления, а особенно, обычная summary statistics.
Есть такой набор данных — квартет Энскомба, прикол в том, что у 4х датасетов внутри него одинаковые описатльные статистики: среднее, стандартное отклонение и коэффициент корреляции. Но если эти 4 датасета визуализировать, становиться быстро понятно, что они достаточно разные по своей природе внутри. То есть 4 разных набора данных дают одинаковые статистики. И как после этого доверять средним и не рисовать графики?
Это, конечно, не значит, что такое будет происходить всегда. Для сравнения есть другой набор данных, тоже со схожими статистиками, но и с похожими друг на друга графиками.
Похожую же штуку сделал Альберто Кайро с идеей:
“ Never trust summary statistics alone; always visualize your data”
А Justin Matejka, George Fitzmaurice превратили это в “the Datasaurus Dozen”. Про то, как они этот набор данных сделали можно почитать тут, но на картинке четко видно, как динозавр, звездочка и просто всякие абстракции выглядят сильно по-разному, но имеют одинаковые средние, стандартное отклонение и корреляцию между переменными (не точь в точь, конечно, но разница идет на уровне десятичных цифр). Если не верите, вот данные (download .csv)
Вот поэтому датавиз это круто и нужно! Это не просто графики для красоты, это графики для понимания сути данных, для их наглядности и поиска паттернов и инсайтов. У меня был такой кейс с боксплотом и барчартом, описанный тут. Я всегда советую крутить данные с разных сторон, разными типами графиков и стараться смотреть на них с разных сторон, потому что датавиз может открыть то, что по базовым статистикам мы не увидим.
PS: Я накидала это в Tableau Public здесь, чтобы можно было потыкать разные датасеты самостоятельно.
