Direkt zum Hauptbereich

"Pie charts are the worst"

 


Die Aussage, dass Tortendiagramme unnütz sind, findet man häufig im Internet. Bei der Beschäftigung damit, welche Grafik welche Aussage haben. So landete ich auch bei der im Titel genannten Aussage. Zum Beispiel dieser Artikel mit der Aussage "... one simple way is to eliminate pie charts from your repertoire". Oder dieser Artikel mit dem Tipp diese ab sofort nicht mehr zu benutzen. Selbst bei der Hilfe in R zu PieCharts steht: "Pie charts are a very bad way of displaying information. The eye is good at judging linear measures and bad at judging relative areas."

Grafiken werden benutzt um Daten einfacher verständlich zu machen. Speziell das Tortendiagramm ist einfach herzustellen und allseits bekannt und lesbar. Doch genau diese Aussagekraft könne bei Tortendiagrammen hinterfragt werden. Tortendiagramme seien zwar gut geeignet um Verhältnisse aufzuzeigen und Kinder lernten die Figur mit gleich großen Stücken kennen. Sobald diese Tortenstücke aber nicht mehr gleich groß seien, würde es schwierig die Verhältnisse zu erfassen. Dies läge auch an unserer räumlichen Auffassungsgabe. Ferner müssten Tortendiagramme eine gewisse Größe haben, um Daten aufzuzeigen; Linien- oder Balkendiagramme könnten hingegen auch schon in kleiner Größe Aussagen rüberbringen. 

 Nun, Zeit dies auszuprobieren. Von der Datenbank der Weltbank besorgte ich mir die BIP-Zahlen für die Euro-Länder für die Jahre 2000 und 2015. Die Rohdaten hierfür sehen wiefolgt aus:





Als Tortendiagramm dargestellt bekommen wir folgende Darstellung - tatsächlich wenig aufschlussreich:

 Aus dem Diagramm kann man verschiedene Informationen ziehen. Wenn es um die Verhältnisse der einzelnen Tortenstücke geht, würde sich zB ein Treemap-Diagramm anbieten:

Die größten Volkswirtschaften werden schon sichtbarer. Doch es geht noch detaillierter. Mit einem Balkendiagramm wird die Relation sichtbarer und man kann die einzelnen Balken sogar direkt beschriften!

Natürlich kann man auch an der Entwicklung selbst interessiert sein. Tatsächlich zeigt sich hier noch eine ganz andere Information - das absolute Wachstum über die 15 Jahre hinweg:











Wir sehen, dass es einige Alternativen zum Tortendiagramm gibt. Falls man doch nicht auf diese Grafiken verzichten will, so ist die Empfehlung, dass maximal fünf Tortenstücke zur Anzeige von Prozentwerten genutzt werden sollen.

 Anbei noch mein Code für diese Grafiken:

 
library("RColorBrewer")
library(ggplot2)
require(gridExtra)
library("reshape2")
library("treemap")
#data prep
data_GDP <- read.csv("~/.../GDP & Pie Charts/data.csv", header=TRUE, stringsAsFactors=FALSE)
data_GDP[,5:ncol(data_GDP)] <- sapply(data_GDP[,5:ncol(data_GDP)], as.numeric)
data_GDP[is.na(data_GDP)] <- 0
data_GDP[data_GDP==".."]<- 0
sapply(data_GDP, class)
data_GDP[,5:ncol(data_GDP)] <- data_GDP[,5:ncol(data_GDP)] /10^9   #conversion to billion
data_GDP$Series.Code <- NULL
data_GDP$Series.Name <- NULL
data_GDP$Country.Code <- NULL
# Data for EURO Countries
Countries <- c("Austria", "Belgium", "Cyprus", "Estonia", "Finland", "France", "Germany", "Greece", "Ireland", "Italy", "Latvia", "Lithuania", "Luxembourg", "Malta", "Netherlands", "Portugal", "Slovac Republic", "Slovenia", "Spain")
data_GDP_EURO <- subset(data_GDP, Country.Name %in% Countries)
data_GDP_EURO <- data_GDP_EURO[,c(1,3,9)]
data_GDP_EURO$y2000_rel <- data_GDP_EURO$X2000..YR2000./sum(data_GDP_EURO$X2000..YR2000.)
data_GDP_EURO$y2015_rel <- data_GDP_EURO$X2015..YR2015./sum(data_GDP_EURO$X2015..YR2015.)
data_GDP_EURO <- data_GDP_EURO[order(data_GDP_EURO$y2000_rel, decreasing=TRUE),] #sort for coloring
data_GDP_EURO$color <- rainbow(nrow(data_GDP_EURO)) #assign colors to labels
# Analysis
sum_2000 = round(sum(data_GDP_EURO$X2000..YR2000.))
sum_2015 = round(sum(data_GDP_EURO$X2015..YR2015.))

# Pie Charts
par(mfrow=c(1,2))
data_GDP_EURO <- data_GDP_EURO[order(data_GDP_EURO$y2000_rel),]
pie(data_GDP_EURO$y2000_rel, 
    labels = paste(data_GDP_EURO$Country.Name,"(", round(data_GDP_EURO$y2000_rel*100,0),"%)"), 
    main=paste("GDP 2000 [$ billion]:", sum_2000), 
    init.angle=90, cex = 0.5, col=data_GDP_EURO$color)
data_GDP_EURO <- data_GDP_EURO[order(data_GDP_EURO$y2015_rel),]
pie(data_GDP_EURO$y2015_rel, 
    labels = paste(data_GDP_EURO$Country.Name,"(", round(data_GDP_EURO$y2015_rel*100,0),"%)"), 
    main=paste("GDP 2015 [$ billion]:", sum_2015), 
    init.angle=90, cex = 0.5, col=data_GDP_EURO$color)
# Tree Plots
vplayout <- function(x, y) viewport(layout.pos.row = x, layout.pos.col = y)
grid.newpage()
pushViewport(viewport(layout=grid.layout(1, 2, widths=c(2,2), heights=c(2,2))))
treemap(data_GDP_EURO, index = "Country.Name", vSize="X2000..YR2000.", type="color", vColor="color", vp=vplayout(1,1))
treemap(data_GDP_EURO, index = "Country.Name", vSize="X2015..YR2015.", type="color", vColor="color", vp=vplayout(1,2))
# Bar Plots
par(mfrow=c(1,2))
data_GDP_EURO <- data_GDP_EURO[order(data_GDP_EURO$X2000..YR2000.),]
plot2000_2 <- barplot(data_GDP_EURO$X2000..YR2000., 
                 names.arg=data_GDP_EURO$Country.Name,
                 main=paste("GDP 2000 [$ billion]:", sum_2000),
                 las=2, cex.label=.1, col=data_GDP_EURO$color)
text(plot2000_2, data_GDP_EURO$X2000..YR2000.+50, labels=round(data_GDP_EURO$X2000..YR2000.,0), xpd=TRUE, cex=0.7, srt=90)
data_GDP_EURO <- data_GDP_EURO[order(data_GDP_EURO$X2015..YR2015.),]
plot2015_2 <- barplot(data_GDP_EURO$X2015..YR2015., 
                      names.arg=data_GDP_EURO$Country.Name,
                      main=paste("GDP 2015 [$ billion]:", sum_2015),
                      las=2, cex.label=.1, col=data_GDP_EURO$color)
text(plot2015_2, data_GDP_EURO$X2015..YR2015.+70, labels=round(data_GDP_EURO$X2015..YR2015.,0), xpd=TRUE, cex=0.7, srt=90)
# Line Plots
data_GDP_EURO_long <- data_GDP_EURO[,c(1:3,6)]
data_GDP_EURO_long <- melt(data_GDP_EURO_long, id.vars = c("Country.Name","color")) #first get new dataframe shape
ggplot(data=data_GDP_EURO_long, aes(x=variable, y=value, group = Country.Name, color = color)) +
  geom_line() +
  geom_point( size=4, shape=21, fill="white") +
  scale_color_identity(guide="legend", labels=data_GDP_EURO_long$Country.Name, breaks=data_GDP_EURO_long$color)


Photo by Buenosia Carol from Pexels
Labels:

Beliebte Posts aus diesem Blog

Was ist fremd?

brandy74 "Malstunde" Some rights reserved. www.piqs.de Der Begriff Fremdheit wird benutzt zur Charakterisierung einer Beziehung. Immer muss etwas bekannt sein um es auch als fremd zu bezeichnen; andernfalls kann es nicht beschrieben werden. Wissenschaftlich wird die Fremdheit oft auch als die Gleichzeitigkeit von Nähe und Entferntheit, von Verbundenheit und Getrenntheit charakterisiert. Wer demnach etwas als fremd bezeichnet, unterscheidet die Welt an dieser Stelle in ein Innen und ein Außen. Das Fremde sei jenseits einer einer imaginären Grenze. Diese Grenzen können unterschiedlich lokalisiert werden. Bei der kulturellen Fremdheit werden andere kulturelle Verhaltensweisen und Ansichten identifiziert und als fremd bezeichnet. Bei der sozialen Fremdheit ist der Fremde hingegen Teil der eigenen Gesellschaft, der eigenen Gemeinschaft. Durch die Zuschreibung der sozialen Fremdheit wird er aus dem eigenen Bereich, also dem eigenen sozialen Milieu, exkludiert. Drückt sich
Read more »

Sentiment-Analyse von deutschen Texten in R

Eine Sentiment-Analyse funktioniert im Grunde wiefolgt: die einzelnen Wörter werden eines Textes werden mit bestimmten Bibliotheken abgeglichen und eine Einteilung in "positiv/negativ" oder ein hinterlegter Sentiment-Wert abgegriffen. Die Summe dieser Werte ergibt schließlich den Sentiment-Score des ganzen Texts. Für englische Texte sind in R bereits Bibliotheken hinterlegt (z.B. im Package tidytext ). Für deutsche Texte habe ich auf meiner Recherche die Bibliothek  SentiWS  der Universität Leipzig gefunden. Die rund 16.000 positiven und 18.000 negativen Wörter sind mit einer Wertspanne von -1 zu 1 hinterlegt. Das Problem ist, dass diese in zwei Textdateien kommen, deren Format erst aufbereitet werden muss. So sieht die Bibliothek beim Einlesen aus: Mit folgendem Code habe ich mir die Bibliothek operationalisiert: library(dplyr) # SentiWS - Dateien hier runterladen: https://wortschatz.uni-leipzig.de/en/download # a) negative Wörter # die Textdatei einlesen negat
Read more »

Migration und Bevölkerungsentwicklung: Solidarität und Selbsthilfe

Aus: Neue Potenziale - zur Lage der Nation in Deutschland , Juni 2014,  Berlin-Institut für Bevölkerung und Entwicklung Vor ein paar Wochen war ich auf einem sehr spannenden Vortrag am ifo-Institut in München von Herrn Dr. Klingholz, Direktor des Berlin Instituts für Bevölkerung und Entwicklung. Der Vortrag widmete sich einerseits der Zusammensetzung und dem Bildungs- wie Integrationsgrad deutscher Migranten und andererseits der zukünftigen Bevölkerungsentwicklung in Teilen der Welt und deren Auswirkungen auf die Migration in Europa, bzw. Deutschland. Polarisierend Unterteilt man die Migranten(1) nach Gruppen hinsichtlich ihrer Herkunftsländer, so zeigt sich oft eine starke Polarisierung des Bildungsgrades. Beispiel Rumänien und Polen. Zwar ist der Anteil der Migranten aus Rumänien und Polen ohne Bildungsabschluss wesentlich höher als der Anteil der Einheimischen. Umgekehrt ist der Anteil an Akademikern bei Migranten aus Rumänien und Polen höher als bei Einheimischen. Auch
Read more »

die Hot-Dog-Ökonomie

Diego Torres Silvestre " Ice Creams, Hot Dogs & Pretzels" Some rights reserved. www.piqs.de Man stelle sich eine Wirtschaft vor, in der nur zwei Güter hergestellt würden: Würstchen und Brötchen. Konsumenten würden Hotdogs kaufen; also jeweils ein Brötchen mit einer Wurst. Die Fertigung geschieht durch Menschenhand. So fing Paul Krugman 1997 einen Artikel für das Online-Magazine Slate an, in welchem er den Zusammenhang von Technologie, Jobs und Kapitalismus erklären will. Er fährt fort, dass in dieser Wirtschaft 120 Millionen Arbeiter beschäftigt sind, was einer Vollbeschäftigung entspreche. Zur Herstellung einer Wurst oder eines Brötchens benötige es zwei Arbeitstage. Die 60 Millionen Angestellten in der Brötchenproduktion und genauso viele in der Wurstfabrikationen produzieren demnach täglich 30 Millionen Brötchen und Würste. Angenommen es komme eine verbesserte Technologie auf, mit deren Hilfe ein Arbeiter zur Herstellung einer Wurst nur noch einen Tag
Read more »

die schöne Welt von Red Bull

Till Krech "wroooom" Some rights reserved. www.piqs.de Red Bull – vom Marktführer für Energiegetränke zum kommenden Medienimperium? Das Magazin Fast Company vergab in der Liste „The World´s 50 Most Innovative Companies“ den 29. Platz an Red Bull für genau diese Entwicklung. Gebündelt unter dem Dach der Red Bull Media House GmbH besitzt der Konzern mittlerweile verschiedene Medienbeteiligungen und Neugründungen. Kritiker bezeichnen es als eine gewaltige Marketingmaschine. Rund ein Drittel des Umsatzes wird für die Pflege des Marktauftritts ausgegeben. Eine firmeninterne Nachrichtenagentur sammelt Inhalte zu einen der vielen weltweiten aufsehenerregenden Red-Bull-Ereignisse, um sie externen Medien gebündelt und aufbereitet zur Verfügung zu stellen. Über eigene Medien werden die Konsumenten sogar direkt erreicht. Das 2007 gegründete Hochglanzmagazin "Red Bulletin" hat bereits eine Auflage von 5 Millionen Heften erreicht und wird mehrspraching in zwö
Read more »

Verspargelung der Landschaft

FZ 18: "Mount Idarkopf" www.piqs.de Some Rights reserved. Vielleicht ist es, weil ich erst 22 Jahre alt bin. Vielleicht weil es bei meiner Heimatstadt schon seit mehr als zehn Jahren ein Windrad gibt. Aber das Argument einer Verspargelung der Landschaft durch Windräder zählt für mich nicht. Ich komme aus Baden-Württemberg. Insofern verfolgt mich das Argument der Verspargelung der Landschaft durch den ehemaligen baden-württembergischen Ministerpräsidenten Erwin Teufel fast genauso lange wie das Windrad vor meiner Haustür. Das Argument wird immer wieder von jenen hervorgebracht, welche gegen die Aufstellung von Windrädern sind. Die einen fürchten um die Landschaft, andere finden sie einfach nicht schön und noch andere bringen es nur als Vorwand. Besonders die Nähe zur Atomwirtschaft fällt einem bei der hießigen CDU auf. In Baden-Württemberg ist der Fall bei den Windrädern vielleicht ein bisschen spezieller. Wenn man hier die Windenergie effizient nutzen will, so
Read more »