در این مقاله می آموزیم که چگونه نقشه برداری داده‌های مکان Map به ما امکان می‌دهد الگوهای فضایی spatial patterns را ببینیم و درک کنیم.کمک می‌کند پاسخ دهیم داده‌ها در کجا قرار دارند و چگونه توزیع می‌شوند و مکان‌ها چگونه به هم مرتبط هستند؟
بسیاری از مجموعه‌های داده شامل جزئیات مکان، مانند آدرس‌ها، نام کشورها، یا مناطق فروش نام‌گذاری شده است. نقشه برداری Mapping از این عناصر مکان امکان تجسم، کاوش و ارتباط در مورد الگوهای فضایی در داده ها را فراهم می کند – به ما کمک می کند تا دنیای اطراف خود را بهتر درک کنیم.
در مقاله قبلی، نحوه پاسخگویی به سوالات داده های خود با نقشه Map در تبلو Tableau، من سه نوع اساسی سوال را بررسی کردم که نقشه ها به ما در پاسخ به آنها کمک می کنند:
- نحوه یافتن ارزش برای یک مکان خاص مورد علاقه
- نحوه کاوش الگوهای کلی در سراسر یک منطقه
- نحوه مقایسه مقادیر بین مکان ها یا ویژگی ها
در این مقاله ، نحوه پاسخ به این سوالات را با بررسی دو روش اصلی برای گنجاندن تحلیل بصری و فضایی در تبلو Tableau توضیح خواهم داد:
- داده های مکانی در کجا قرار دارند و چگونه توزیع می شوند؟
- مکان ها چگونه به یکدیگر مرتبط هستند؟
1. داده های مکانی در کجا قرار دارند و چگونه توزیع می شوند؟
طبق تعریف، داده‌های مکانی دارای مکان هستند، بنابراین اولین قدم برای درک داده‌ها، قرار دادن آنها بر روی نقشه Map است تا ببینید کجا قرار دارند. فرقی نمی‌کند با داده‌هایی کار می‌کنید که به صورت نقاط، خطوط یا چند ضلعی نشان داده می‌شوند، این همیشه اولین قدم است – فقط به آن نگاه کنید!
راه های زیادی برای مشاهده توزیع ها برای یافتن این الگوها وجود دارد. برای درک واقعی آنچه در داده های شما اتفاق می افتد، به بیش از یک نوع نقشه توزیع (distribution map) نگاه کنید، زیرا احتمالاً الگوهای مختلفی را به شما نشان می دهند.
به عنوان مثال، تصویر زیر شش روش مختلف برای ترسیم توزیع نقطه را نشان می دهد. در حالی که شباهت هایی بین الگوهای قابل شناسایی نقشه ها وجود دارد، هر کدام داستان کمی متفاوت در مورد توزیع را بیان می کنند.
2. مکان ها چگونه به یکدیگر مرتبط هستند؟
کاوش در توزیع‌ها اولین قدم عالی در تجزیه و تحلیل داده‌های مکانی است، اما گاهی اوقات لازم است از تحلیل بصری الگوها در مجموعه‌های داده منفرد (یا بین مجموعه‌های داده چندگانه) فراتر رفته و روابط فضایی بین مجموعه داده‌ها را رسمی کنیم.
برای مثال، ممکن است لازم باشد:
- شمارش دقیق تعداد مشتریان در هر چند ضلعی منطقه فروش،
- همه بیماران را در فاصله 10 مایلی بیمارستان ها پیدا کنید، یا
- شکاف های خدماتی را پیدا کنید و تمام بیمارانی را که در 10 مایلی بیمارستان ها نیستند شناسایی کنید.
دو ویژگی تبلو Tableau به شما امکان می دهد به روابط بین مجموعه داده های متعدد نگاه کنید: لایه بندی منبع چند داده و تقاطع های فضایی. لایه‌بندی منبع چندداده تجزیه بصری مجموعه داده‌ها را بر روی یک نقشه Map آسان می‌کند و تقاطع‌های فضایی برای تعیین کمیت روابط بین مجموعه‌های داده ما قدمی فراتر می‌گذارند.
به عنوان مثال، در مثال زیر می‌توانیم رابطه بین بازارهای کشاورز و مناطق همسایه سرشماری ایالات متحده را ببینیم. سپس می‌توانیم ویژگی‌های همه مکان‌های نزدیک را برای درک کمی منطقه مورد استفاده بررسی کنیم. این شامل یک تقاطع فضایی چند ضلعی به چند ضلعی است – همه چند ضلعی های مسیر سرشماری را که چند ضلعی بافر دایره ای را در اطراف بازار کشاورز قطع می کنند، پیدا کنید.
یا، می‌توانیم به سایر روابط فضایی مانند نقطه در چندضلعی برای تحلیل‌های دینامیکی کنترل‌شده توسط کاربر نگاه کنیم. برای مثال، مثال زیر نشان می‌دهد که چگونه می‌توان تمام آدرس‌های نزدیک به ایستگاه‌های اتوبوس را در نقشه Map شناسایی کرد و چگونه پارامتر فاصله را تنظیم کرد تا دقیقاً چگونه «نزدیک» را تعریف کنیم.
در مقالات بعدی این مجموعه، نحوه استفاده از تبلو Tableau را برای دیدن و درک بیشتر داده‌های مکانی خود بررسی خواهیم کرد. بیایید با یادگیری نحوه پاسخگویی به این سوالات کلیدی فضایی، پتانسیل تحلیلی را در مجموعه داده های شما باز کنیم.
دیدگاهتان را بنویسید