Skutecznie wyświetla dane demograficzne na wydrukowanej mapie

Chciałbym wydrukować następujące dane dla każdej strefy (łącznie 30 stref) na drukowanej / nieinteraktywnej mapie:

• Średni wiek
• Średni dochód gospodarstwa domowego
• Liczba gospodarstw domowych
• Gęstość zaludnienia
• Liczba ludzi
• Liczba pracowników

Jak efektywnie wyświetliłbyś powyższe 6 warstw na jednej mapie?

Powiedziałbym, że nie możesz umieścić wszystkich tych danych na jednej mapie i mieć to jakikolwiek sens. Polecam, abyś pomyślał zgodnie z zasadą małych wielokrotności Tufte'a, mając wiele mniejszych map tego samego obszaru, z których każda używa innej zmiennej. Przykład: http://www.juiceanalytics.com/writing/better-know-visualization-small-multiples/

Nawet wtedy masz problem z tym, że używasz kilku różnych jednostek, więc potrzebujesz kilku kluczy. Innym sposobem przeglądania danych (ale nie na mapie) byłoby użycie tabeli ze wszystkimi wartościami, pokolorowanymi (tj. - różne kolory dla poniżej średniej, średniej, powyżej średniej)

Poleciłbym również zajrzeć do atlasu spisów, aby uzyskać więcej pomysłów na mapy: http://www.census.gov/population/www/cen2000/censusatlas/

Może pomóc w dokładniejszym zastanowieniu się nad tym, jaką wiadomość chcesz przekazać, a nie dokładnie (jakie dane masz).

Nie można skutecznie wyświetlić tak dużej ilości danych na jednej mapie. Dwie możliwości:

• Wyprodukuj 6 map,

• Przeanalizuj dane, aby sklasyfikować regiony i wyświetlić wynik klasyfikacji. Analiza głównego składnika może pomóc w określeniu najważniejszych korelacji w obrębie zmiennej. Metodę tę wykorzystano do stworzenia tej syntetycznej mapy:

z tych:

Zgadzam się, że małe wielokrotności są prawdopodobnie dobrym sposobem na rozwiązanie tego problemu. Aby uzupełnić mapę, sugerowałbym również macierz rozrzutu twoich zmiennych, która identyfikowałaby korelacje dwuwymiarowe. Podczas gdy tracisz aspekt geograficzny swoich danych, o wiele łatwiej jest zwizualizować relacje między zmiennymi na wykresie rozrzutu niż porównać dwie mapy (nawet obok siebie).

Jeśli nadal chcesz uchwycić pewien rodzaj trendów przestrzennych, możesz dołączyć statystyki przestrzenne (takie jak lokalny I Morana) między rozkładami i / lub zmiennymi oryginalnymi.

Edycja: Ostatnio natknąłem się na pracę nad przeglądaniem statystyk moralnych opublikowanych przez Andre-Michela Guerry'ego (pierwotnie w 1883 r.), Której celem jest wizualizacja różnorodnych relacji w przestrzeni. Implementacje tych autorów są bardzo podobne do tego, co zostało zasugerowane w tym wątku, małych wielokrotności, analizy głównych składników, macierzy wykresów rozrzutu i wewnątrz diagramów wielokątów. Załączone są zdjęcia z A.-M. Statystyki moralne Guerry we Francji: Wyzwania dla wielowymiarowej analizy przestrzennej autor: Michael Friendly Statistics Science, tom. 22, nr 3. (sierpień 2007), s. 368–399 ( plik PDF jest bezpłatny). Również inny artykuł ( Dray i Jombart, 2010 ) analizuje te same dane i ma trochę kodu źródłowego w R, aby tworzyć wspomniane wykresy.

Jedno zdjęcie to macierz wykresu rozrzutu, drugie to tak zwany diagram gwiazdy (który jest po prostu innym sposobem przedstawiania wykresów słupkowych, jak sugerował Pablo).

Oto wspaniały przykład małych mnożników opublikowanych na Andrew Gelman (i blogu firmy) Modelowanie statystyczne, wnioskowanie przyczynowe i nauki społeczne . Mapa stanowi poparcie wyborców dla bonów szkolnych według stanu, pod warunkiem uzyskania dochodów oraz różnych kategorii ras i religii. Biali nie-ewangelicy naprawdę nie lubią bonów szkolnych! (Jeśli przejdziesz do prawdziwego bloga, chociaż pojawia się on w danych z ankiety z 2004 r., Oznacza to, że w większym stopniu wspiera on kupony szkolne w tej grupie).

Aby wybrać między przedstawionymi tutaj rozwiązaniami, możesz podać dwie kluczowe informacje:

• jaki jest cel mapy? (Odkryć, ujawnić?)
• jaka jest zamierzona publiczność mapy? (Ty, koledzy analitycy, urbanista, publiczny?)

Rozwiązania cytowane tutaj mogą mieć różną wydajność w zależności od celu i społeczeństwa.

Chciałbym uogólnić odpowiedź Juliena (jedna mapa syntetyczna za pomocą PCA), powołując się na technikę diagonalizacji macierzy, opisaną przez J. Bertina. Jest to przydatne, gdy ktoś szuka syntezy wszystkich informacji, a nie pełnej prezentacji danych.

W skrócie, polega na reprezentowaniu każdej zmiennej za pomocą histogramu, sortowaniu stosu histogramów w taki sposób, aby wartości (strefy mapy) były wyrównane po przekątnej, aby uzyskać typologię:

(Źródło: http://books.google.com/books?id=2tlQAAAAMAAJ&dq=bertin%20graphique%20information&hl=fr&source=gbs_similarbooks )

To dużo informacji i faktem jest, że jedna mapa łącząca je wszystkie w sposób tematyczny dałaby bezużyteczną prezentację z powodu zanieczyszczenia wizualnego. Z drugiej strony istnieje 30 stref, więc wiele map dla każdej strefy również spowodowałoby zanieczyszczenie.

Moje rozwiązanie: wybierz, która jest najważniejszą informacją, powiedzmy „dochód gospodarstwa domowego”, a następnie podziel mapę na kategorie według niektórych kategorii dochodów. I na koniec dla każdego miejsca dochodu, wykreśl czat barowy z innym 5 atrybutem.

Dzięki tej mapie można dokonać porównań, na przykład: „Obszary o wysokich dochodach zawsze pokazują dużą liczbę pracowników i średni wiek przekraczający 21 lat”.

Spójrz na przykład...

Być może niektóre z tych pomysłów mogłyby pomóc?

Zakładając, że masz sześć wymiarów:

1: Choropleth : Przykład dochodu gospodarstwa domowego 0

2, 3 i 4: Symbole : Liczba osób reprezentująca kropki, co pozwala zobaczyć tło: przykład 1, przykład 2 przy użyciu skali szarości dla pracowników / osób niebędących pracownikami oraz inny schemat kolorów pokazujący wiek

5: 3D : Wykorzystanie gęstości zaludnienia jako przykładu terenu 3

6: (Nie mogę wymyślić szóstego sposobu!)

Czy niepotrzebne jest wyświetlanie „liczby gospodarstw domowych”, „gęstości zaludnienia” i „liczby osób”?

Byłbym sceptyczny, gdyby mapa o takiej złożoności była zrozumiała dla każdego oprócz ciebie. Gdybym go przedstawiał, najpierw pokazywałbym każdy element osobno, a następnie dodawał go, aby widz mógł zrozumieć kroki.

Jednym z alternatywnych sposobów (jeśli nie masz miejsca na wykres radarowy dla każdej strefy, może być utworzenie „glifu” reprezentującego ten przykład informacyjny 4, rys . 10.28 . Myślę, że są one zwykle trudne do zrozumienia i niełatwe do zaprojektowania) oczywiście, ale w tym przypadku można zastosować powiązany przykład.

Inną myślą, jaką miałem, byłoby wyciągnięcie wielokątów na tę samą wysokość dla każdego wielokąta, a następnie użycie odcinka wysokości do przedstawienia tych parametrów. Podobne do tworzenia wykresu słupkowego dla każdego obszaru, ale gdzie każda sekcja jest ułożona na wierzchu w podobnych odstępach. Musiałoby to być oglądane z 3D, co oznaczałoby, że niektóre z nich byłyby zasłonięte.

To trudne zadanie. Moja odpowiedź to pójść z mapą wielu odmian. Sprawdź tę mapę . Mapa będzie wyglądać na zajętą, jeśli pokażesz wszystkie zmienne na jednej mapie. Upewnij się, że wybierasz odpowiedni schemat kolorów, jeśli wybierasz mapę wielowymiarową.

Jednym ze stopni uproszczenia byłoby wyrażenie jednego elementu, takiego jak gęstość zaludnienia, poprzez kartogram, tj. Zniekształcenie powierzchni każdej jednostki, tak aby była proporcjonalna do liczby ludności:

_{(źródło: amherst.edu )}

Główną wadą jest to, że widz musi być w stanie rozpoznać zniekształcenie stref od ich „zwykłych” kształtów.

Więcej informacji tutaj: http://gis.amherstma.gov/data/SpringNearc2009/Session4Cartograms.pdf