 Pada masa yang berikutnya, kami akan bercakap tentang Keputusan Visualisation, yang saya rasa adalah juga sebuah kelasan dan kelasan yang kami tahu. Kami berbincang dengan kata-kata yang sangat berbincang dan berjaya dengan kata-kata. Sebelumnya, saya akan berkongsi dengan Keputusan Visualisation. Jadi, Keputusan Visualisation, Keputusan Visualisation, dia tidak akan berjaya dengan kelasan. Kerana dia lebih suka menggabungkan lebih sedikit. Jadi mari kita berikan tangan kepada Mr. Amin. Terima kasih, Zazan. Am I audible at the back? Ya? Okay. Saya akan cuba membuatnya seperti biasa. Saya boleh lakukannya di atas klip yang sangat cepat. Tapi sehingga kita rasa... ...tidak lebih daripada bercakap, saya rasa. Berbual saya, ya, adalah dalam konsultasi perjalanan. Jadi saya melakukan berada 10 tahun dalam konsultasi perjalanan. Saya penjena dan MBA. Kemudian saya melakukan berada 10 tahun dalam konsultasi perjalanan. Tapi sekarang saya merasakan mengajar... ...basisnya di tempat data, kisah dan visual. Jadi, sebuah kata-kata itu. Jadi saya melakukan banyak hal dalam visualisasi data... ...biasa dalam konteksi perjalanan. Tapi saya juga melakukan konteksi data. Jadi dalam konteksi visualisasi... ...in R, Python dan data science juga. Biasa saya adalah untuk bercakap tentang basis. Kerana, awak boleh belajar sebuah kata-kata. Awak boleh belajar kata-kata dengan mudah. Saya hanya mahu menginspirasi orang... ...untuk melihat sebuah kata-kata ini... ...sehingga mereka boleh membina kemahiran mereka sendiri. Jadi itu kata-kata saya. Saya akan bercakap tentang visualisasi di general. Jadi saya akan mulakan dengan kata-kata basis... ...dan kemudian pergi ke jalan multidimensional. Jadi ini kata-kata yang saya beritahu di Strata. Dan itu kemudian saya berjalan multidimensional... ...dan dia minta saya datang ke sini, jadi saya ada di sini hari ini. Berhati-hati untuk berhati-hati... ...untuk tanya pertanyaan. Mungkin pertanyaan yang awak fikir adalah... ...apa yang awak kawan awak juga fikirkan... ...dan tak tanya. Jadi berhati-hati untuk tanya pertanyaan. Dan saya akan berjawab... ...atau jika saya fikir ia bergantung... ...bercakap, saya akan tanya awak... ...untuk mencabar di akhir. Adakah itu okey? Adakah kita bersama? Okey, baiklah. Jadi, memasakkan data multidimensional. Saya akan mulakan dengan kisah. Kisah ini adalah tentang Flatland. Flatland adalah... ...kini sebuah romantik yang berlain-lain... ...dan bukan sebuah romantik... ...tapi sebuah kisah yang dibuat oleh Edwin Abbond pada tahun 1884. Berapa banyak... ...berapa banyak orang menerima kisah ini? Satu, dua, tiga, empat... ...sangat dengan tangan, kan? Jadi, tiga di belakang. Dan kisah ini adalah sebuah kisah... ...sangat mengikut kisah dua di tengah kisah, ...di mana setiap orang dan objek... ...terangkannya benar-benar... ...suara jemput dan terus memenuhi... ...di mendapat kisah ini. Jadi, kisah mengikut kisah dua di tengah kisah, ...setiap orang berbeda segar... ...dan kisah waking di tinggi segera... ...sangat tertinggi segera. Dan kisah kami tak dapat mengikut kisah dua di tengah kisah... ...jadi jika kita melihat kisah kelihatan kekirnaan... ...dalam kisah dua di tengah kisah, ...kita hanya melihat kisah. Mereka mengerti semasa kisah yang adalah... Sebuah sifat. Sifat ini sangat menarik. Sifat ini dalam kejadian ketiga dan dia boleh memasak di dalam dan di luar sifat kejadian ketiga supaya dia boleh menghubungi, dia boleh menjadi besar, dia boleh menjadi kecil dan tidak apapun yang sifat itu mencari dia tidak dapat faham dia tidak dapat faham bagaimana ini berlaku. Jadi sifat ini tidak dapat menjelaskan bagaimana ini berlaku. Kerana dia hidup kejadian ketiga dan sifat ini dalam kejadian ketiga. Sebenarnya pada akhir sifat itu menghubungi kejadian ketiga atau menghubungi kejadian ketiga dan menunjukkan bahawa dia adalah kejadian ketiga tetapi dalam kejadian ketiga dia adalah kejadian ketiga. Jadi ia adalah sebuah buku yang cantik untuk menunjukkan ini. Dan saya ingin menolong anda melihat dunia di mana-mana. Jadi, kejadian ketiga lebih daripada kejadian ketiga di satu cara. Saya akan menunjukkan kejadian ketiga dan lebih daripada beritahu anda. Kerana beritahu tidak akan menjelaskan. Jika saya dapat menjelaskan beberapa orang dan menuliskan kejadian di cara yang berlaku maka ia akan menarik. Jadi, kami adalah secara biasa. Dan itu sebabnya visualisasi berlaku. Jadi 50% sebuah buku digunakan untuk visualisasi. Kita dapat menghubungi kejadian ketiga dan memahami kejadian ketiga dengan lebih kurang dari 100 milis. Kita memang biasa. Menurut saya, perasaan visual di sebuah kejadian lebih baik daripada pelbagai mempunyai sebuah abstraksi simbolik yang berlainan, yang banyak-banyak yang telah dibuat di sekolah atau sekolah. Atau anda dapat mempunyai abstraksi visual. Bagi mereka sebenarnya adalah sebuah abstraksi kerana kita mempunyai sebuah fenomena hidup dalam sebuah istimewa dan sebuah simbolik. Sebuah simbolik adalah sesuatu yang sebuah komputer mungkin sangat bagus pada, sebuah istimewa adalah sesuatu yang kita pasti mungkin lebih berlainan. Jadi, sebuah istimewa di syarikat ini adalah sebuah proses transformasi sebuah simbolik ke dalam sebuah geometra. Jadi, mari kita bincangkan bagaimana untuk melakukan ini. Saya akan bercakap tentang ini dalam 4 konteks yang berlainan. Kita akan bercakap tentang ini dalam konteks yang kecil. Kemudian saya akan membuatnya lebih besar, jadi kita akan menyebabkan data yang besar. Kemudian kita akan bercakap tentang data yang besar sebab semua orang akan berkata, bagaimana anda melihat data yang besar. Jadi, saya akan menjelaskan itu sedikit. Kemudian, setiap masa, kita akan mencari data yang lebih besar di syarikat yang lebih banyak, jadi lebih banyak berlainan daripada lebih banyak berlainan. Jadi, apa yang kita lakukan? Berhati-hati untuk menyebabkan pertanyaan dan berhati-hati. Jadi, kita akan mulakan dengan data yang paling kecil yang anda boleh berfikirkan. Jadi, 5 berlainan, sebuah data yang sangat mudah, sebuah area di sisi, di sisi, di tengah-tengah. Jadi, anda mempunyai berlainan kategorik dan anda mempunyai beberapa perjalanan. Rupi anda boleh membuat ke SDD, USD, apa-apa-apa. Dan anda mempunyai berlainan. Jadi, anda mempunyai data yang paling kecil yang anda boleh berfikirkan. Jadi, jika anda ingin melihatnya, kita akan berkata, bagaimana anda akan melakukan itu? Bagaimana cara anda dapat melihatnya? Itu sangat mudah. Apakah anda akan melihat data ini? Berlainan-lain, apa-apa saja yang anda lakukan? Berlainan, apa-apa saja yang anda lakukan? Berlainan, okey? Mungkin tidak, tapi... Berlainan, okey? Satu lagi. Heat map. Okey? Mungkin itu akan susah juga. Apa lagi? Satu lagi. Heat map. Heat map, okey? Jadi, tiga. Jadi, okey, kita mungkin akan keluar dengan tiga atau empat perjalanan, ia mungkin tidak susah untuk melakukan itu, okey? Dan... Mari kita ambil sesuatu yang tidak mudah sebagai barchat. Bagaimana anda akan membuat barchat? Bagaimana anda membuat barchat? Tiada siapa yang tanya ini dan anda menyebabkannya di Excel dan ia membuatnya untuk saya, bukan? Jadi... Saya tidak perlu memikirkan bagaimana barchatnya telah dibuat. Barchat telah dibuat pada sendiri, bukan? Tapi mari kita membuat prosesnya. Jadi, jika anda ingin membuat prosesnya dengan bagaimana barchatnya telah dibuat, anda mungkin mempunyai data yang bermakna, jika anda membuatnya di Excel, bukan? Dan kemudian, anda benar-benar menyebabkan variables, yang juga anda akan membuat di Excel. Anda akan berkata, sesuatu adalah x dan sesuatu adalah y. Di sini, x adalah variable kategorik. Jadi, kami mempunyai 5 kategorik, 1, 2, 3, 4, 5. Dan y adalah variable kontakitator di mana q adalah perjalanan, bukan? Jadi, kami mempunyai x dan y. Kemudian, kami sebenarnya mempunyai kategorik. Dan kami berkata, saya ingin mempunyai x sebagai posisi. Jadi, saya ingin x untuk menjadi posisi. Saya ingin y untuk menjadi barchat. Dan saya ingin membuatnya di kawasan yang berkata, 200 x 200 piksel. Jadi, jika anda membuat itu, anda mempunyai kategorik, anda mungkin akan mempunyai kategorik seperti ini. Dan kemudian anda memasukkannya ke sistem koordinat. Jadi, apabila anda memasukkannya ke sistem koordinat, anda mempunyai kategorik yang ini. Dan apabila anda memasukkannya ke sistem koordinat, anda memasukkannya ke kawasan yang ini. Dan anda memasukkannya ke barchat. Ini bagaimana xL membuatnya. Ini seperti kualitas visualisasi yang kami membuat. Tapi ini adalah proses jika kita mempakai proses visualisasi. Sekarang, ini sangat kuat. Kerana jika anda faham proses ini, kemudian ada lebih banyak yang anda boleh buat. Jadi, kami bercakap tentang tiga, mungkin di sini, di grup atau mungkin kami membuatkan kualitas 4 atau 5. Saya akan membuat 20 dengan cepat. Dan saya akan memastikan apabila anda tahu proses ini, bagaimana mudah untuk membuatnya. Apabila anda ingin memasukkan kualitas visualisasi sebagai kualitas visualisasi, seperti kualitas yang lebih kuat di sini, yang adalah bar, atau juga mengubah posisi x untuk membuat bar stat atau bar stagger. Jadi, kami mempunyai 5 cara yang berbeza untuk memasukkan. Memasukkan bermakna memasukkan kualitas variable ke dalam kualitas. Dan memasukkan di dalam kualitas. Jadi, kami memasukkan kualitas dalam kualitas. Dan kami memasukkan sistem kualitas. Jadi, jika kita membuat itu, kami mempunyai 5 cara yang berbeza. Jadi kami mempunyai dot plot, kami mempunyai line chart, kami mempunyai column chart, kami mempunyai stack column, kami mempunyai waterfall, dan kami mempunyai 5 cara yang berbeza. Dengan saya. Okey. Sekarang, ia mudah untuk memasukkan dan membuat kualitas lain. Jadi, kami boleh memasukkan sistem kualitas. Dan saya memasukkan kerana x akan memasukkan dan memasukkan semua pilihan. Dan anda boleh memasukkan. Dan anda boleh mempunyai bar chart, stack bar. Dan beberapa-berapa ini tidak mempunyai nama. Jadi, kami boleh memasukkan nama. Jadi, saya tidak memasukkan kualitas yang berbeza. Saya tidak memasukkan caskade. Untuk membuatnya lebih apalik. Kita boleh juga memasukkan sistem kualitas. Jadi, tanpa memasukkan tanpa memasukkan kualitas yang berbeza sebagai perpendekolah, kita boleh memasukkan kualitas yang berbeza dan kualitas yang berbeza. Jadi, anda akan dapat sesuatu seperti makradar, linadar, cockscom, bullseye dan sejak kami membuat nama polar waterfall. Kerana ia adalah akses polar. Dan kami boleh memasukkan lagi. Jadi, kami memasukkan sekarang tanpa memasukkan kerana kami telah memasukkan kualitas polar tapi kami tidak memasukkan bar chart. Jadi, kami perlu memasukkan bar chart. Untuk memasukkan bar chart, kami memasukkan. Jadi, kami akan memasukkan. Wau. Y telah memasukkan kualitas dan x telah memasukkan kualitas. Dan itu yang kita memasukkan. Dan apabila kita memasukkan, kami dapat track, target, line, windrows, semua orang memasukkan bar chart dan polar casket. Baiklah. Ini hanya 20 visualisasi dengan data set yang paling mudah yang anda boleh memasukkan. Sebenarnya, jika anda mempunyai kolom, jika anda mempunyai setiap ruang, 2 visualisasi yang berbeza, anda tahu, ini akan menjelaskan. Baiklah. Jadi, jika anda melihat proses data untuk data set yang sangat kecil, anda memasukkan data, memasukkan peralatan, memasukkan kualitas, memasukkan kualitas dan kordinat renta. Baiklah. Apabila anda memasukkan, anda dapat memasukkan kemungkinan visualisasi. Anda dapat memasukkan sistem visualisasi sendiri, dan anda dapat terus memasukkan ini. Sekarang ini tidak baru. Ia tidak seperti, saya telah menjelaskan proses ini dan saya berada di sini dan bercakap tentangnya. Ia adalah sebuah grafis yang dikat oleh Leland Wilkinson. Saya rasa ia berada di atas kualitas 2 di 2005. Dan jika anda memakai kualitas ini seperti R atau Julia dan anda memasukkan tidak kualitas grafis ini yang digunakan tetapi G202, ini yang berlaku pada kembali, jika anda memasukkan gatflyi di Julia, ini akan berlaku pada kembali. Python tidak mengalami sistem visualisasi yang biasanya. Jadi, yang paling kiri anda akan mempunyai Bokeh yang digunakan tetapi tidak memasukkan ini sepenuhnya. Jadi, ia tidak memasukkan grafis itu. Kerana itu bukan cara hanya, tetapi itu adalah cara untuk menjelaskan. Jadi itu data kecil. Okey? Pada pertanyaan? Okey. Sebelumnya. Jadi mari kita membuatnya lebih besar seperti data set. Dan lihat apa yang berlaku di sana. Jadi saya akan memasukkan data set yang sedikit besar. Mereka adalah sekitar 2,400 pin kode di India. Pin kode adalah sebuah kode post-code atau zip kode. Di mana-mana anda datang. Dan data set itu sangat mudah. Ini sebuah pin kode yang berlaku di sebuah kode 6. Di sini 5, 6, 0, 0, 7, 6. Mereka mungkin mempunyai latihan atau latihan untuk membuatnya. Dan kemudian ada nama tempat. Jadi data set itu hanya sebuah kode yang sedikit besar. Tapi itu sangat besar dalam bahwa ada sebuah 24,000. Jadi bagaimana kita membuatnya? Kita boleh memasukkan setiap kode pada X dan Y. Jadi itu apa yang kita lakukan. Kita memasukkan data set dan kita memasukkan. Dan kita memasukkan setiap kode. Jika anda membuat itu dan membuatnya seperti sebuah kode, lupa sistem kode, sebuah kode X dan Y seperti latihan, dan memasukkan dot. Dan jika anda memasukkan sedikit dengan alfa, yang adalah keperluan dot, dalam bahagian yang lebih banyak, yang lebih lebih jahat, yang lebih kurang, yang lebih kelihatan, anda boleh mulakan untuk melihat kemahiran geografi di sebuah kode. Di mana kode berkode, di mana mereka diperlukan. Jadi kita membuat sebuah kode proksi atau sebuah kode proksi di dalam bahagian ini, dengan sebuah alfa di dalam bahagian ini, keperluan. Jadi ini 24,000 data poin yang sekarang diperlukan. Tapi kode proksi adalah kemahiran geografi dan kemahiran pertama di 5, untuk contoh, berkode untuk sesuatu. Jadi jika anda ingin memastikan kemahiran geografi, anda akan mencari bahawa jika anda memasukkan kode pada kemahiran pertama, anda boleh mulakan melihat kemahiran kemahiran geografi yang banyak kode proksi berkode. Jadi proses visualisasi sebenarnya adalah sangat bergantung. Kita tidak membuat satu graf atau kita tidak patut membuat hanya satu graf. Kita patut membuat banyak visualisasi untuk memahami data dan menjelaskan. Jadi kita mahu mempunyai proses untuk memperkenalkan data, melihat kemahiran geografi dan melihat data dan melihat kemahiran geografi untuk melihat kemahiran kita. Kerana pada esensi 1, apa yang kita cuba buat adalah membuat kemahiran geografi lebih baik di sebuah data atau memahami data lebih baik. Jadi untuk melakukan itu, anda mungkin akan perlukan sesuatu kemahiran geografi dan melihat kemahiran geografi. Jadi proses data ini untuk kemahiran geografi adalah lebih seperti anda mempunyai data, anda memahami data yang berlainan, anda mungkin membuat sesuatu kemahiran geografi yang adalah kemahiran geografi, filteri, atau kemahiran geografi, sesuatu kemahiran geografi, kemudian saya memperkenalkan kemahiran geografi, memilih kemahiran geografi dan melihat kemahiran geografi. Baik? Dengan saya? Mari kita pergi ke data besar. Jadi, apa yang kita buat dengan data besar? Saya tidak akan bercakap banyak tentang data besar, tetapi saya akan menjelaskan kepada anda untuk mengerti apa prosesnya yang berlainan. Kita memperkenalkan 1 juta data. Kita akan memilih X dan Y untuk 2 data. Dan... menjelaskan. Jadi, jika anda menjelaskan dan tidak memperkenalkan dan anda ingin menjelaskan data sejujurnya, sebab anda dapat menjelaskan dan menjelaskan dan menjelaskan varian. Dan itu hanya 1 data. Tapi visualisasi sangat berlainan sebab kita ingin melihat data sejujurnya atau sejujurnya sepanjangnya. Jadi, jika anda menjelaskan, tidak ada kejutan alfa yang akan membantu anda. Sebab apabila anda menjelaskan di atas satu sama lain, anda akan mendapatkan sebuah blob yang berlainan. Dan... dan itu juga sebab pada sesungguhnya, sebarang pixel yang saya perlu menjelaskan sebenarnya juga berlainan. Jadi, makhbuk saya akan mempunyai sekurang-kurang 1.4 juta pixel. Dan saya sudah mempunyai 1 juta data di sini. Jadi, kemungkinan untuk saya menjelaskan apabila saya menjelaskan spesial yang saya ada, spesial fizikal atau spesial pixel yang saya ada. Jadi, apa yang saya boleh lakukan? Apa yang boleh saya lakukan? Berlainan. Berlainan. Berlainan? Berlainan. Berlainan. Berlainan. Berlainan. Berlainan. Berlainan. Berlainan. Baiklah. Jadi, berlainan. Ini adalah yang pertama. Anda dapat menjelaskan. Dan sejujurnya, jika anda menjelaskan dengan sesuatu efektif. Jadi, menjelaskan bukan perkara yang mudah sebab anda perlu menjelaskan dengan sesuatu efektif yang anda akan menjelaskan dengan alasan yang tidak biasa. Anda tidak akan menjelaskan konteksnya. Anda dapat menjelaskan dan menjelaskan. Kemudian itu bagus. Anda mungkin boleh mulakan untuk berlainan. Apa yang boleh kita lakukan? Mereka mungkin berlainan lebih daripada struktur yang lebih sedap. Berlainan. Berlainan. Berlainan adalah seperti menjelaskan. Jika anda melakukan sesuatu efektif yang berlainan, itu tidak berlainan. Berlainan. Berlainan. Berlainan. Berlainan. Berlainan. We're struggling with two dimensions. Do you want to show more dimensions in this movement? We can model some of these ideas. We can model it or aggregate it down at a model level to show it. Because models are great. That's why all of this big data works. Because model scales very nicely. Once you have a model of the data, it doesn't really matter how big the data set is. The model itself scales very nicely. The model is great because it answers the first level of ignorance. menjawab perjalanan pertama. Jadi, perbezaan berdiri antara modulasi dan visualisasi. Modulasi menjawab perjalanan pertama. Saya tidak tahu apa yang saya tahu. Jadi, itu adalah perjalanan kedua dan saya tidak tahu apa yang saya tahu. Saya ingin mem visualisasi kerana saya tidak ada hipotesis. Jika saya tahu apa yang saya tidak tahu, yang menggunakan modulasi, saya dapat modulasi. Sebab, saya ada beberapa hipotesis yang saya dapat mulai memasang model dan menerima. Tapi visualisasi adalah sangat baik apabila anda tidak bergantung tentang data. Apabila anda telah diberikan data dan anda tidak tahu apa-apa tentangnya. Macam mana anda membuat keputusan? Macam mana anda mempunyai data ini? Apa keputusan ini? Terutamanya jika orang mempunyai kompetisi kagal sehingga semuanya terlalu anonymis. Kemudian mereka berkata, anda mempunyai konteks semua tentang data. Sekarang anda cuba membantu dan menolakannya. Anda perlu memasakannya ke beberapa hal. Untuk memasakkan bahawa beberapa jenis faham tentang data. Dan itu sebabnya modulasi visualisasi lebih besar atau lebih berguna di sana anda boleh memasakkan bahawa apa yang saya mempunyai. Jika anda tidak tahu apa yang anda tidak tahu, anda perlu memasakannya. Yang lain, yang ada di sini, seseorang telah memasakkan memasak atau memasak. Jadi memasak adalah jika anda betul-betul ingin menunjukkan segalanya. Memasak adalah akhirnya apa yang anda akan memasak. Kerana untuk memasak pada sebuah data yang besar, katanya 1 juta atau lebih daripada itu, anda betul-betul perlu memasak data. Dan jika anda memasak untuk memasak dalam beberapa jenis faham, anda boleh memasak untuk melihat perjalanan. Apa yang anda mahu lakukan? Ada banyak pabuk di sini. Ben Samurai Smooth adalah perjalanan untuk visualisasi data besar, seperti Hadley Wickham, sesiapa yang menggunakan R, anda mungkin tahu dia. Dia ada pabuk di mana dia memasak, saya rasa hanya sebuah MacBook Pro dengan 16GB RAM untuk visualisasi 100 juta data. Dan ini sebuah perjalanan untuk Ben Samurai Smooth. Jeffrey Heer dan perempuan dia juga melakukan banyak perjalanan pada masa yang sebenar. Jadi itu adalah perkara yang menarik untuk melakukan. Menarik adalah apa yang kita akhirkan melakukan. Menarik adalah tiada apa-apa yang baru. Kerana menarik adalah perkara yang pertama yang anda belajar apabila anda memasak untuk visualisasi data. Pertama yang pertama di Grade 5 atau Grade 6, anda akan belajar bagaimana untuk mencari Instagram. Instagram adalah apa yang anda mencari. Ketika anda memasak, ada banyak orang, bagaimana anda menunjukkan data, anda akan berkata, saya akan mencari beberapa bintang dan mencari. Tapi sekarang jika anda mencari Instagram, mungkin banyak orang tidak akan berkenal dengan anda. Kerana sebagai pula, ia bukan sesuatu yang XL telah memasak. Bukan sesuatu yang mudah dibina. Jadi perkara-perkara untuk menjelaskan, jika anda tidak menggunakan skill itu, anda akan menjelaskan atrofis. Jadi tidak ada sesiapa yang menjelaskan histogram. Sekarang kerana itu bukan sebuah default dalam program yang sangat popular XL telah memasak. Ia mungkin sebuah default dalam banyak kejadian visualisasi. Jadi Amanda Cox, yang adalah editor grafika New York Times, berkata, kami mencari Instagram tahun 2015. Dan jika saya memasak, saya akan menjelaskan data besar. Ia hanya proses mencari histogram generalisasi. Jadi jika anda ingin membuat visualisasi besar, anda perlu mencari cara untuk membuat histogram generalisasi. Dan banyak pilihan yang di sekitar itu adalah benar-benar membina bagaimana saya dapat membuat agregasi lebih cepat, agregasi pre-compute, data kolomana. Mereka semua dibina soalan ini sebab saya ingin membuat agregasi lebih cepat dan sehingga saya dapat memasak. Bukan hanya memasak, tapi memasak akan berlaku. Jadi jika anda ingin mencari proses data besar, masih tidak sama? Kita memasak data, mencari peralatan, mencari data, memasak, mencari kelasan, mencari kelasan di dalam perangkat. Okey? Saya boleh berhenti di sini. Saya rasa ini menyebabkan kelas besar, atau jika anda mahu, saya boleh membuat data yang panjang. Ya, tolonglah. Pertanyaan pertama hari ini. Ya. Okey, jadi kita akan pergi ke sebagainya. Okey. Jadi bagaimana kita membuat data panjang? Ya. Okey. Percayalah, saya tidak memasakkan pertanyaan itu. Jadi data panjang. Okey, jadi data panjang... Apa data panjang? Data panjang adalah bahawa anda mempunyai, sekarang kita bercakap tentang X dan Y. Jadi X dan Y adalah dua waris. Apabila kita bercakap tentang data multidimensional, kita berkata, N adalah nombor observasi. Sekarang kita bercakap tentang N dalam perangkat 5, N dalam perangkat 20,000, N dalam perangkat 1 milion. Sekarang kita berkata, kita mempunyai banyak perangkat atau P. Apabila kita berkata, P adalah dimensi. Jadi itu sebabnya dimensi multidimensional. Untuk membuat dimensi multidimensional, ada banyak perjalanan untuk membuat itu. Jadi anda boleh mulakan dari perjalanan sangat standard, perjalanan klipp, transform geometrik, staking, pixel base. Dan saya akan menyebabkan beberapa mereka untuk beri anda senjata. Pertanyaan pertama hari ini adalah semasa anda bergerak dari jauh, atau saya segerak ke jauh, perlukan untuk perjalanan bergerak, perjalanan interpretasi bergerak. Jadi jika anda ingin menginterpret, biasanya lebih mudah untuk menginterpret kartisan 2D, 3D, lebih susah untuk menginterpret perjalanan pixel base. Jadi kita akan menyebabkan sedikit untuk beri anda senjata apa yang bermakna. Jadi saya akan menggunakan sebuah data-set yang sangat mudah disebabkan dimensi multidimensional. Berapa banyak anda menggunakan R? Berapa banyak anda tahu tentang dimensi multidimensional? Saya sangka semua orang akan tahu. Oke, jadi dimensi, jika anda tahu, data-set itu sangat mudah, tetapi itu juga bagus kerana ia adalah data-set yang lebih besar. Jadi ia adalah sekitar 10 dimensi, 50,000 plus data-points. Jadi ini adalah data-set yang lebih besar. Dan ia adalah proses dimensi. Dan proses dimensi, seperti yang banyak anda beli, mungkin anda tahu, bergantung dengan 5 varitasi, atau 4C. Jadi karat, yang bergantung dengan perjalanan dimensi, dia hanyalah ke-diamantinya, jika ia seronok kata sebuah termasuk ideal, menanti.... ke-diamantinya Keytaan. Bagaimana ke-diamantinya? strok sengajaHa제 itu, atau sebabnya ia memanfaatkan ke-diamantinya? ke-diamantinya. Jadi mereka bergantung dengan 4 dimensi dan daripada alih, dan hanya menunjukkan bagaimana besar dimensi ialah, kita mesti dapat unknown y dan z supaya mendengar dimensi. Dan sebab dan dimensi bukan elak per heading, ia mempunyai hadapan di atas dan hadapan di bawah, di bawah, jadi ada tepung dan tabung. Jadi kita ada 10 variables di data set ini. Jadi data set ini nampak seperti ini, yang berkali $326 adalah harga, $0.23 karat, karat ideal ideal, karat kecuali, karat kecil, kekalkan ke-2, dan kemudian kemahiran ke-3. Okey, jadi data set yang mudah, kita boleh menggunakan untuk melihat banyak kekalkan ini. Sudah tentu, 3 daripada mereka adalah variable kategorikal. Jadi karat, maaf, karat kecuali dan kekalkan. Dalam kemahiran mereka, kekalkan kekalkan dan kemahiran ke-3. Jadi kita ada 7 yang adalah kategorikal, 3 yang adalah kategorikal. Tidak? Ya? Okey. Jadi mari kita mulakan dengan semula. 1 dan 2 dimisi. Ini sangat mudah. Siapa yang telah dilakukan sebuah tanda statistikal akan tahu bagaimana untuk melakukan. Jadi saya tidak akan mempunyai masa ini. Tapi ada 5 ira periuk kategorikal yang семь satu dari segbil dua. Oleh itu Ia cara kategorikal behöver kategorikalnya. Atau lalu saya telah memutuskan bagaimana menget pue stara bahawa kita dapat memperlihatkan mendapat tempatan, cetai seberat, student, sebar, ... ... Jadi captain, kita memutuskan 5 cara 4 cara. Jika anda melihat itu, anda akan mendapatkan... ...sebarang pemerintah visualisasi yang mudah. Jadi anda akan mempunyai... ...in pemerintah 1D kontritori dengan pilihan strip... ...dan anda melihat setiap poin... ...atau jika anda menggantikan histogram, frekuensi, polygon, densiti pilihan. Jika anda mempunyai kategorikal, anda akan mempunyai... ...pilihan dot atau bar-chart. Dan kemudian ia sangat mudah untuk membuat apa-apa dengan pilihan dan pilihan. Dan jika anda mempunyai kategorikal 2D kontritori... ...atau anda boleh mempunyai pilihan strip dengan sedikit jitter... ...untuk membuat peraturan seperti itu. Anda dapat menggantikan dan membuat pilihan box, pilihan frekuensi, polygon, densiti pilihan. Jika anda mempunyai kategorikal dan kategorikal... ...pilihan dan pilihan tidak mungkin... ...tapi anda boleh membuat pilihan bar-chart... ...pilihan pilihan yang berlainan. Jadi ia boleh dipanggil, ia boleh dipanggil, ia boleh dipanggil 100%. Jadi banyak pilihan di sana. Atau jika anda mahu menunjukkan pilihan 2D... ...di mana anda mungkin akan membuat pilihan musik... ...atau jika sesiapa-siapa akan membuat pilihan pilihan pilihan. Jika anda membuat pilihan 2D kontritori plus kontritori... ...saya akan membuat pilihan pilihan. Jika anda mempunyai semua sebagai pilihan, itu adalah pilihan pilihan. Atau anda boleh membuat pilihan tabel untuk bar, kraft-kraft, pilihan pilihan. Bagaimana anda membuat apa-apa dengan area. Ini semua hal yang mudah. Walaupun anda tidak berminat dengan beberapa pilihan, itu baik. Anda dapat membuat pilihan ini tidak sangat susah. Tapi anda akan mahu membuat pilihan lebih. Kerana 2D mungkin adalah sesuatu yang kita memiliki. Jadi kami mahu membuat pilihan lebih. Dan kami akan cuba membuat pilihan 2D ke semua jalan. Jadi kami akan mulakan dengan sesuatu seperti pilihan yang paling common yang anda akan membuat. Jadi anda mahu membuat pilihan 2D. Anda akan mempunyai pilihan di sini... ...pada pilihan x dan y-axis... ...dan pilihan karat di y-axis. Dan jika anda membuat pilihan statistik... ...saya akan memiliki pilihan ini dan memiliki pilihan ini tidak senyum. Oh, maaf. Kita boleh memiliki pilihan pilihan. Apabila anda memiliki pilihan ini, anda akan memiliki pilihan ini. Memiliki pilihan dan memiliki pilihan ini. Ini penting kerana idea ini adalah untuk memiliki hipotek di dalam data. Jadi anda mahu dapat memiliki pilihan yang banyak. Jadi anda boleh membuat pilihan dan memiliki pilihan untuk mengatakan... ...saya akan memiliki pilihan yang banyak. Tapi kami mahu mengatakan tentang 3D. Itu adalah soalan. Jadi bagaimana kita memiliki pilihan itu? Jadi apa yang kita boleh buat untuk memiliki pilihan 2D ke 3D? Apa yang kita boleh buat untuk memiliki pilihan 2D ke 3D? Ini mudah. Pilihan yang mudah. Okey, itu satu. Apa lagi? Pilihan yang lebih besar? Apa lagi? Pilihan yang lebih besar? Pilihan yang lebih besar. Pilihan yang lebih besar? Kita ada kecuali, kecuali, kecuali dengan pergerakan. Pergerakan dengan pergerakan. Itu adalah... Pergerakan adalah sebuah contoh, apabila anda memasaknya dengan pola, kita boleh memasaknya atau... Pada masa itu. Ya, betul. Ya, betul. Jadi kita memulakan sebuah satu dengan estetik untuk 3D. Jadi estetik bermaksud anda memilih kecuali atau kecuali dan kemudian anda boleh menggunakan kecuali untuk menunjukkan data. Jadi ada sebuah contoh di mana kita memilih sebuah log X, Y, Z untuk menunjukkan kecuali dan anda boleh mula melihat bahawa kecuali data berat di bawah, kecuali data berat di atas. Jadi kecuali kecuali dalam kes ini menunjukkan bagaimana besar kecuali. Kecuali kecuali. Jadi kecuali adalah sebuah cara untuk membuat contoh. Anda boleh juga membuat kecuali. Jadi untuk kecuali, bagi contoh, jika anda memilih kecuali dan mengatakan D, E, F, G, H, I, J. Anda boleh mula melihat stratifikasi pada kecuali untuk mengatakan bahawa kecuali telah mempunyai kecuali dan mempunyai kecuali yang lebih tepat atau di atas, kecuali yang tidak baik adalah di bawah. Jadi kecuali dan kecuali adalah cara yang lebih mudah untuk membuat kecuali. Anda boleh juga membuat kecuali dan kecuali tidak memilih kecuali dengan kecuali data terakhir. Jadi saya mula menggunakan kecuali untuk menunjukkan kecuali, kecuali, kecuali, kecuali. Walaupun dengan kecuali data, anda tidak dapat membuat kecuali. Jadi kecuali tidak memilih kecuali. Jadi kecuali dan kecuali adalah dua pilihan yang anda ada. Itu adalah pilihan ini. Anda juga boleh membuat kecuali dengan kecuali. Untuk mengapa kita mempunyai kecuali sebagai seseorang yang mempunyai X dan Y pada dua kecuali, saya memilih Z sebagai kecuali untuk menggunakan. Sebenarnya sebagai kecuali isometrik. Dan ia tidak benar-benar bekerja dengan kecuali kerana ketika saya melakukan ini, saya tidak dapat melihat kecuali yang di belakang. Saya tidak dapat melihat kecuali yang terdapat di belakangnya. Dan ia adalah prosesnya bahawa kami perlu mempunyai kecuali sepanjang hubungan. Jadi anda perlu mempercayai kecuali. Jadi anda perlu mempercayai kecuali supaya anda dapat mempercayai kecuali. Jadi jika anda betul-betul mahu membuat kecuali 3D, dan saya tidak benar-benar berpengaruh dengan terlalu banyak, tetapi jika anda betul-betul mahu membuat kecuali 3D, anda perlu mempunyai pilihan yang menjelaskan untuk membuat kecuali kecuali. Kerana tidak, kecuali kecuali Ia benar-benar dihidup dan anda tidak boleh melakukan banyak dengan data itu. Jadi, kita telah melakukan tiga. Mari kita pilih. Tiga, dua, enam. Okey, sekarang apa yang kita lakukan? Jadi anda boleh menambah densiti. Anda boleh menambah densiti. Apa maksud densiti? Alfa Channel. Alfa Channel. Okey, tapi Alfa sudah ada di sini. Alfa sudah ada di sini sebagai Channel. Dalam warna, saya sudah menambah Alfa. Jika tidak, saya tidak akan melihat poinsan. Kerana jika saya tidak menambah Alfa, saya tidak dapat melihat 50,000 poins. Mereka hanya akan menjadi... Tidak, ini masih tanpa menambah Alfa. Tapi ya, betul, betul. Ya, ini... Okey, betul, betul. Betul. Betul, betul. Okey, jadi menambah satu opsi. Saya sedang menjelaskan itu. Ia masih untuk menunjukkan banyak poinsan seperti kita boleh. Apa yang kita akan lakukan? Menambah. Oh, menambah. Okey, jadi sekali lagi, sedangkan sedangkan sedangkan. Saya tidak akan bercakap tentang itu. Tapi itu sebuah teknik statistik. Baiklah. Baiklah. Jadi menambah kandungan dan kandungan bersama. Okey, itu satu. Apa lagi? Okey, mari kita mulakan. Jadi menambah. Bagus. Menambah kandungan dan kandungan bersama. Anda mempunyai empat kandungan dan kandungan. Saya mempunyai empat kandungan bersama. Apa yang saya boleh lakukan? Bagaimana dengan kandungan atau kandungan? Jadi kandungan yang baik adalah kita boleh menghubungi kandungan dan kandungan dalam kandungan. Okey, jadi kita boleh menghubungi. Apa yang ini disebut? Kandungan. Kandungan? Okey, selesai. Okey, jadi satu kandungan, jika anda mempunyai kandungan sebagai kandungan lain, maaf, sebelum kita masuk ke dalam, anda boleh sebenarnya mengubungi kandungan dan melihat kandungan yang berbeza. Saya tidak menghubungi kandungan, tapi satu cara untuk membuat animasi. Saya juga mengubungi kandungan yang berbeza dan dimensi dan kandungan yang berbeza. Okey, jadi saya bukan kandungan besar 3D kerana saya mencari sangat susah untuk mengubungi. Semua kandungan tidak sangat baik untuk membuatnya. Jadi saya memang mengubungi 3D. Tapi dalam kandungan 2D dan anda dapat mengubungi kandungan 3D dan itu mengubungi kandungan lain. Anda dapat menghubungi. Jadi kita tidak mengubungi dengan kandungan. Kita mengubungi satu kandungan sejauh. Anda dapat mengubungi kejadian kecil yang dipanggil sekeliling atau membuang. Anda boleh mengubungi kandungan menjadi enam atau setiap kategori. Jadi anda dapat mengubungi kejadian kecil. Jadi anda dapat mengubungi kandungan yang lain di kandungan ini. Dan sejak kita mengubungi kandungan dan membuat lebih banyak kerja, kita boleh mengubungi kandungan berdua. Jadi kita dapat mempunyai satu kandungan di kira-kira, satu di kira-kira. Dan kami mempunyai banyak kandungan. kita boleh mula melihat perhatian berbeda. Jadi kita boleh melakukan lebih dari 5 varitasi di sini secara mudah. Atau bahkan 6 varitasi di sini. Teruskan lagi. Di mana periukannya? Periukannya adalah di atas itu. Jadi periukannya adalah atas ini. Carat adalah atas ini. Dots adalah kualiti di sini. Atau kualiti di atas ini. Tidak, hanya kualiti. Kemudian kita ada satu lagi atas dan satu lagi atas di atas. Ini adalah kebiasaan kecil. Kita membuat kebiasaan di atas itu. Kita membuat kebiasaan kecil di atas itu. Dan memasukkan kebiasaan itu. Bukan betul tak? Tidak. Jadi jika kita mahu membuat kebiasaan kecil ini. Atau kita hanya membuat... Untuk kualiti D, kita hanya membuat satu kualiti. Untuk kualiti E, kita membuat satu kualiti. Jadi kita membuat kebiasaan kecil atau varitasi. Dan kemudian membuat begitu banyak kualiti. Itu satu cara untuk mengawal. Kerana sekarang kita ada banyak kualiti. Kualiti atau kualiti. Atau kualiti atau kualiti. Kualiti atau kualiti. Ia tentu saja jika kita mempunyai 6 atau 7 kualiti. Jika kita mempunyai banyak kualiti, kita akan mempunyai cara untuk membuatnya. Kita juga boleh mempunyai cara yang berbeza. Jika kita mempunyai lebih banyak kualiti, kita boleh membuat kataplot. Itu juga kualiti yang penting. Apa lagi yang boleh kita lakukan? Apa lagi yang boleh kita lakukan? Kualiti dan kualiti. Kualiti dan kualiti, ya? Ya, kita boleh. Ada lagi kata-kata? Kualiti atau kualiti, dan anda boleh menggunakan kata-kata. Saya tidak akan terlalu terdekat ke kualiti dan kualiti dan semua itu kerana ada seluruh dimensi dan agregasi yang saya telah berkata-kata. Tapi ada satu contoh. Jadi anda boleh mempunyai dan melakukannya. Ini seperti subplot yang telah dilakukan. Apa yang anda boleh lakukan sebenarnya untuk menggunakan kata-kata adalah membuat kata-kata. Ada kata-kata yang berbeza. Ada projekta yang berbeza. Jadi di sini ada kata-kata kata-kata, kata-kata kata-kata, kata-kata kata-kata, dimensi. Saya rasa itu kata-kata. Kita ada kata-kata dan kata-kata. Jadi anda boleh membuat kata-kata dan menggunakan kata-kata untuk menggunakan kata-kata. Jadi jika anda ada kata-kata untuk memilih sesuatu yang disebut pakaian dan menggunakan kata-kata anda boleh melihat tempat yang digunakan dan melihat tempat yang menggunakan kata-kata untuk menggunakan kata-kata. Jadi itu cara lain untuk menghubungkan. Di sesuai kata-kata kata-kata, kata-kata kita tidak boleh membesar kata-kata atau menggunakan kata-kata. Sebenarnya banyak kata-kata yang kita gunakan tidak menggunakan kata-kata. Jika anda memakai studio R atau kata-kata pakaian dan kata-kata mereka tidak sangat baik menunjukkan banyak kata-kata untuk membuatnya. Jadi ini, bagi contoh, dibuat dengan kata-kata yang sangat mudah dibuat dengan kata-kata yang sangat mudah untuk membuat kejutan multidimensional. Tapi banyak kata-kata atau kata-kata pakaian dan kata-kata tidak membuat kata-kata yang ini. Sebab itulah anda perlu memikirkan beberapa kata-kata untuk membuatnya. Atau kata-kata atau kata-kata untuk membuat kejutan multidimensional. Boleh saya masuk? Sudah cukup. Sudah cukup. Jadi bagaimana kita membuat 6 atau lebih? Saya akan membuat 1 atau 2 lebih dan kita akan berhenti kerana saya rasa idea adalah untuk meminsipkan orang untuk memikirkan bahawa ada banyak kejutan multidimensional. Setelah anda mencari apa yang anda boleh lakukan. So, salah satu alasan adalah kata-kata kata-kata. Sebenarnya anda akan menggunakan kata-kata untuk menunjukkan kejutan multidimensional. Sebenarnya anda akan menggunakan kata-kata kata-kata atau kata-kata kata-kata kejutan multidimensional dan menggunakan kata-kata anda mempunyai kata-kata dan kemudian anda dapat memimpin kata-kata di atas dan anda boleh mulakan untuk membuat kata-kata yang menarik. So, itu satu alasan. Anda perlu memikirkan apakah ia membuat kata-kata atau tidak. Apabila anda memikirkan mereka atau memperkenalkan mereka, anda dapat mulakan untuk melihat banyak kata-kata ini. Saya akan berhenti. Jadi, saya rasa saya akan mengubah dan bercakap tentang apa yang perlu dibuat tentang kata-kata. Jadi, kata-kata, anda boleh membangun kata-kata dan pergi ke perjalanan yang berlainan. Kata-kata itu sebab kata-kata yang berlainan anda perlu memikirkan algara untuk menggantikan bagaimana untuk membuat kata-kata dan membuat pembentukan. Pembentukan adalah perkara yang bagus yang membantu anda membuat banyak pembentukan multidimensional dan visualisasi. Anda perlu memikirkan apa yang perlu dikotek dengan sering. Jadi, apakah kata-kata yang membuat pembentukan yang membuat pembentukan yang membuat pembentukan. Anda menggunakan kata-kata dan pembentukan. Pembentukan dan pembentukan adalah satu cara untuk mengikuti semua itu. Jadi, semua kata-kata ini dibuat di dalam kata-kata. Anda boleh pergi ke kata-kata saya dan anda dapat melihat kata-kata untuk semua ini. Semua ini lebih atau kurang semua ini dibuat di dalam kata-kata. Anda boleh sebenarnya pergi ke pembentukan yang membuat pembentukan dan anda dapat melihat kata-kata yang berlainan di belakang kata-kata. Pembentukan yang paling besar adalah apa yang tidak kita berharap dapat melihat. Ini John Tukey, orang-orang yang membuat pembentukan yang membuat pembentukan dan pembentukan. Jadi, saya ingin orang-orang membuat lebih banyak visualisasi untuk membantu anda mempelajari lebih banyak tentang data dan membuat lebih banyak untuk membuat lebih banyak yang lebih berlainan. Dan jika anda boleh mempercayai kata-kata yang berlainan dan anda akan melihat bahawa anda dapat melihat kata-kata yang lebih berlainan. Ini adalah dua website saya memiliki amithcaps.com yang seperti website personal dan ratavis.com yang adalah yang saya melakukan adalah lebih banyak kata-kata yang lebih berlainan atau mempercayai kata-kata visual dengan kata-kata. Jadi, saya bekerja di sebuah kata-kata dan visual. Amithcaps adalah apa yang saya sedang memiliki di mana-mana. Jadi, jika anda mahu melihat kata-kata yang berlainan, itu adalah perkara yang terbaik. Saya akan membuat satu plug-in. Saya akan melakukan kata-kata yang berlainan pada kata-kata yang berlainan. Jadi, jika sesiapa-siapa berminat di General Assembly, jadi saya rasa mereka... Kita akan lihat jika saya berlainan. Jadi, saya melakukan kata-kata yang berlainan yang tiada apa-apa dengan kata-kata. Sebenarnya, di sebuah kata-kata yang berlainan tetapi memikirkan kata-kata yang berlainan. Jika sesiapa-siapa memiliki kata-kata yang berlainan, kemudian anda dapat datang 7-9 hari esok pada kerja NXC3. Terima kasih banyak-banyak. Jika ada pertanyaan, saya akan ambil satu. Terima kasih kerana menikmati kata-kata yang berlainan. Sebenarnya, saya sedang memiliki kata-kata yang berlainan. Jika anda memiliki kata-kata yang berlainan dan mengalami kata-kata dan memiliki kata-kata dan memiliki kata-kata. Apa yang berlainan pada kekalkan mencubanya? Saya ada banyak kekalkan. Sebenarnya, saya akan ambil kata-kata yang berlainan dan tidak akan berlainan semasa kekalkan. Saya baik-baik saja mencubanya dengan saya. dan melihat data dan melihat hypothesis saya. Tapi ada banyak perkara yang telah dibuat pada visualisasi otomatis. Kerana real-cost visualisasi adalah orang-orang yang mahu datang dan melihat visualisasi. Jadi ada tujuan yang akan melakukan sekejap selekasi, sekejap sekejap mencari kamu untuk berkata, Okay, ini adalah perasaan yang menarik yang saya mahu seorang manusia datang dan melihat. Itu saja bagaimana kamu boleh melihat visualisasi. Kerana membuat visualisasi bukan begitu banyak, tetapi cost itu adalah apabila seseorang perlu melihat 100 variable dan setiap kombinasi itu 100 C2. Itu sudah ada setelah setiap visualisasi untuk melihat. Jadi banyak perkara yang telah dibuat pada analisis otomatis untuk menerima apa yang menarik yang kamu mahu kepada orang-orang atau pengguna untuk melihatnya. Saya tidak melakukan terlalu banyak kerja di tempat itu. Saya lebih menarik untuk melihat kisah dengan data. Jadi saya menghidupkan lebih banyak untuk membuat visualisasi dan cuba memikirkan sebuah negara yang saya dapat mengambil mereka. Dan dalam kes ini, saya mungkin membuat 100, tetapi saya akan melihat ke-2 atau 3 yang menarik dan ke-1. Jadi saya mahu melakukan begitu banyak masa dan melihatnya. Tapi ya, jika kamu mempunyai data seperti itu, itu adalah masalah separat. Anda akan mencari banyak orang yang bekerja pada itu untuk melihatnya. Okey, saya rasa itu saja untuk hari ini. Terima kasih banyak kerana menerima.