Um die Entscheidungsfindung in einem schnelllebigen, globalen Markt zu beschleunigen und zu verfeinern, können Unternehmen generative Modelle der künstlichen Intelligenz einsetzen, um die Diagramme zusammenzufassen und zu interpretieren, die häufig in Marktzusammenfassungen und Finanzberichten enthalten sind.

Aber selbst die neuesten Imaginative and prescient-Sprach-Modelle haben manchmal Probleme mit dieser Aufgabe, da sie ein Modell benötigen, um visuelles, numerisches und sprachliches Verständnis zu integrieren. Ein Unternehmen, das in ein hochmodernes Modell investiert, erhält möglicherweise dennoch ungenaue oder unvollständige Informationen.

Um diese Leistungslücke zu schließen, haben Forscher des MIT und des MIT-IBM Computing Analysis Lab eine vielseitige Ressource für KI-Benutzer entwickelt, die speziell darauf ausgelegt ist, Imaginative and prescient-Language-Modellen (VLMs) beizubringen, wie man Diagramme effektiv interpretiert.

Sie verwendeten eine neuartige Datengenerierungsmethode, um einen hochmodernen Datensatz zu erstellen, der mehr als eine Million verschiedener Diagramme umfasst. Der Datensatz kodiert außerdem viele visuelle, sprachliche und numerische Komponenten jedes Diagrammbilds, die es Modellen ermöglichen, fundierte Überlegungen zu den Informationen in einem Diagramm anzustellen.

Die Forscher verwendeten diesen Datensatz namens ChartNetum eine Reihe von Open-Supply-VLMs zu trainieren. Viele dieser kleineren Modelle übertrafen größere, kommerzielle Modelle um Größenordnungen bei Aufgaben wie Datenextraktion und Diagrammzusammenfassung deutlich.

Indem es Open-Supply-Modellen ermöglicht, ihre kommerziellen Pendants zu übertreffen, könnte ChartNet es kleinen Unternehmen mit begrenzten Budgets ermöglichen, KI leichter zu nutzen. Der Open-Supply-Datensatz kann verwendet werden, um die Fähigkeiten von KI-Modellen für Aufgaben wie Geschäftstrendanalysen und die Interpretation wissenschaftlicher Zahlen zu verbessern.

„Wir haben ChartNet als zentrale Anlaufstelle für das Verständnis von Diagrammen entwickelt, die im Grunde alles abdeckt, was ein KI-Modell und ein Praktiker, der dieses Modell trainiert, benötigen könnten. Wir hoffen, dass unsere Arbeit Forscher dazu motiviert, mit kleineren Modellen, die nicht unendlich viel Rechenaufwand erfordern, Spitzenleistungen zu erzielen“, sagt Jovana Kondic, Absolventin der Elektrotechnik und Informatik (EECS) am MIT und Hauptautorin von a Artikel auf ChartNet.

Sie wird von zahlreichen Co-Autoren des MIT, des MIT-IBM Computing Analysis Lab und von IBM Analysis unterstützt, darunter Pengyuan Li, ein Forschungsmitarbeiter bei IBM Analysis; Dhiraj Joshi, leitender Wissenschaftler bei IBM Analysis; Isaac Sanchez, Softwareentwickler bei IBM Analysis; Aude Oliva, Direktorin für strategisches Branchenengagement am MIT Schwarzman School of Computing, MIT-Direktorin des MIT-IBM Computing Analysis Lab und leitende Forschungswissenschaftlerin im Pc Science and Synthetic Intelligence Laboratory (CSAIL); und Rogerio Feris, leitender Wissenschaftler und Supervisor am MIT-IBM Computing Analysis Lab. Die Forschung wird auf der IEEE Pc Imaginative and prescient and Sample Recognition Convention vorgestellt.

Ein Datensatzengpass

Forscher haben große Fortschritte bei der Entwicklung generativer KI-Modelle gemacht, die sich durch die Verarbeitung natürlicher Sprache und die Schlussfolgerung über natürliche Bilder auszeichnen. Laut Kondic konzentrierte sich die Arbeit jedoch weniger auf die Interpretation komplexer multimodaler Daten, die in Diagrammen enthalten sind.

Doch für große und kleine Unternehmen in nahezu jeder Branche ist das Verständnis von Diagrammen eine entscheidende Aufgabe.

„Die Finanzbranche lebt von Diagrammen. Wenn Imaginative and prescient-Language-Modelle Informationen aus Diagrammen extrahieren können, etwa Beschreibungen von Developments, erleichtert das viele Arbeitsabläufe, die nachgelagert stattfinden“, sagt Joshi.

Der Mangel an qualitativ hochwertigen Trainingsdaten ist ein großer Engpass, der die Entwicklung von VLMs, die Diagramme genau interpretieren können, behindert. Viele Datensätze enthalten nur begrenzte Diagrammbilder aus dem Web und verfügen häufig nicht über den erforderlichen Maßstab und zusätzliche Informationen, um einem Modell bei der Interpretation der zugrunde liegenden Daten zu helfen.

„Im Gegensatz zu unserem Gehirn muss ein Imaginative and prescient-Sprachmodell während des Trainings möglicherweise Tausende von Beispielen sehen, um zuverlässig etwas als Liniendiagramm zu erkennen“, sagt Kondic.

Die Forscher versuchten, diese Mängel durch die Generierung synthetischer Daten zu beheben. Synthetische Daten werden von Algorithmen künstlich generiert, um die statistischen Eigenschaften tatsächlicher Daten nachzuahmen.

Der ChartNet-Datensatz enthält mehr als eine Million hochwertige Diagrammbilder sowie den entsprechenden Code, der zum Generieren jedes Diagramms verwendet wird, eine Textbeschreibung und eine Tabelle mit den numerischen Informationen. Darüber hinaus enthält jeder Datenpunkt Frage-Antwort-Paare, um dem Modell beizubringen, wie es Fragen zum Diagrammbild richtig beantwortet.

„Diese zusätzlichen Datenmodi leiten das Modell an, die verschiedenen Informationen, die das Diagrammbild kodiert, zu verbinden und auszurichten“, sagt Kondic.

Datengenerierung

Um ChartNet aufzubauen, erstellten die Forscher eine zweistufige Pipeline zur Generierung synthetischer Daten.

Zunächst übersetzt ihr automatisiertes System alle bereits vorhandenen Diagrammbilder in Code. Anschließend erweitert das System diesen Code iterativ, um verschiedene Aspekte jedes Diagramms zu ändern, z. B. Diagrammtyp, Datenwerte, Thema, Farben usw.

„Wir können mit einem einzigen Diagramm beginnen, das wir als Ausgangspunkt verwenden, und daraus Hunderte von Erweiterungen erstellen. Auf diese Weise konnten wir einen Datensatz mit mehr als einer Million verschiedener Bilder erstellen“, erklärt Kondic.

Sie haben außerdem einen automatisierten Qualitätsprüfungsprozess integriert, um sicherzustellen, dass die synthetischen Daten von hoher Qualität sind. Dieser Prozess überprüft, ob der Code ausführbar ist und ob die gerenderten Diagrammbilder korrekt und sauber sind.

„Wir wollen nicht nur vielfältige Stichproben generieren, sondern die Informationen auch auf sinnvolle Weise präsentieren“, sagt sie.

ChartNet enthält außerdem eine Auswahl von Diagrammdatenpunkten, die von menschlichen Experten mit Anmerkungen versehen wurden. Dies ermöglicht den Zugriff auf zusätzliche Diagrammtypen und unterstützende Daten mit Gültigkeitsgarantien.

Ein Praktiker könnte die kommentierten Daten verwenden, um ein vorhandenes VLM zu optimieren und so die Leistung für eine bestimmte Anwendung weiter zu steigern, fügt Joshi hinzu.

Die Forscher testeten ChartNet, indem sie die Modellreihe Granite Imaginative and prescient von IBM sowie mehrere andere Open-Supply-Modelle unterschiedlicher Größe trainierten und sie für verschiedene Diagramminterpretationsaufgaben evaluierten. Der Datensatz verbesserte die Genauigkeit aller Modelle bei der Diagrammrekonstruktion, der Diagrammdatenextraktion, der Diagrammzusammenfassung und der Beantwortung von Diagrammfragen.

Mit ChartNet übertrafen kleine Open-Supply-Modelle durchweg viel größere kommerzielle Modelle.

„Viele frühere Trainingsdatensätze konzentrierten sich nur auf die Beantwortung einfacher Fragen zu einem Diagramm. Mit ChartNet haben wir versucht, darüber hinauszugehen, indem wir Daten generierten, die alle Aspekte eines soliden Diagrammverständnisses unterstützen“, sagt Kondic.

In Zukunft planen die Forscher, ChartNet durch die Einbindung von Daten mit höherer Komplexität weiter auszubauen. Sie wollen auch das Suggestions der Forschungsgemeinschaft einbeziehen.

Diese Forschung wurde teilweise vom MIT-IBM Computing Analysis Lab finanziert.

Programmierexperten neigen dazu, 30–40 % ihrer Zeit nur für das Verständnis des bereits vorhandenen Codes zu verwenden. Das sind zwei ganze Arbeitstage professional Woche, die damit verschwendet werden, veraltete Dokumentation durchzugehen, mehrdeutigen Code zu verstehen und verzweifelt nach Entwicklern zu suchen, die vor Monaten aufgegeben haben.

Im November 2025 präsentierte Google Abhilfe: Code-Wikiein auf künstlicher Intelligenz basierendes Device, das Dokumentationen für ganze Code-Repositories bereitstellt, die immer auf dem neuesten Stand sind. Dabei handelt es sich nicht nur um ein neues Dokumentationstool; Es ist eine völlige Überarbeitung der Artwork und Weise, wie wir das Verständnis von Codebasen wahrnehmen.

Was ist Google Code Wiki?

Code Wiki ist ein innovatives Dokumentationssystem, das Ihre Codedokumente immer mit Ihrer echten Codebasis synchronisiert. Im Gegensatz zu herkömmlicher Dokumentation, die schnell veraltet, durchsucht Code Wiki mit Hilfe von KI Repositories, erstellt detaillierte Wikis und alles wird nach jedem Commit automatisch aktualisiert.

Stellen Sie sich vor, dass es einen erfahrenen Entwickler gibt, der Ihre gesamte Codebasis kennt, immer bereit ist und die Aktualisierungen für die gesamte Dokumentation sofort durchführt, wenn sich der Code ändert.

Schlüsselfunktionen, die Code Wiki zu einem Recreation-Changer machen

Hier sind einige der herausragenden Funktionen von Code Wiki:

• Selbstaktualisierende Dokumentation: Das Code-Wiki betrachtet die Dokumentation als Nebenprodukt, wobei der Code die einzige zuverlässige Quelle darstellt. Die Neugenerierung der Dokumentation ist ein kontinuierlicher Prozess, der das Drawback der Dokumentationsdrift, das ein großes Drawback darstellt, effektiv beseitigt.
• Interaktives Deep Linking: Sie können nun problemlos zwischen dem Gesamtbild und den konkreten Umsetzungen navigieren. Während Sie über eine Funktion lesen, können Sie den Code sehen, die zugehörigen Komponenten untersuchen und den Ausführungspfaden folgen, indem Sie durchklicken.
• Visuelle Architekturdiagramme: Automatisch generierte Diagramme werden aktualisiert, wenn Änderungen an Ihrem Code vorgenommen werden. Haben Sie einen neuen Microservice erstellt oder eine Datenbankabhängigkeit geändert? Das Architekturdiagramm zeigt dies sofort.
• Intelligenter Chat-Assistent: Sie können Fragen in natürlicher Sprache stellen, z. B. „Wie funktioniert die Authentifizierung?“ oder „Welche Dienste sind von der Benutzerdatenbank abhängig?“ und erhalten Sie umfassende Antworten zusammen mit Hyperlinks zu den relevanten Codeteilen.

Bereitstellungsoptionen für Code-Wiki

• Öffentliche Vorschau: Open-Supply-Repositorys können zur automatischen, öffentlich einsehbaren Dokumentation an die Code-Wiki-Website übermittelt werden.
• Gemini CLI-Erweiterung: Unternehmensgruppen haben die Möglichkeit, Code Wiki auf ihren eigenen Servern für vertrauliche Repositories zu betreiben (Wartelistenzugriff).

Entdecken Sie Code-Wiki mit Open Supply

Schritt 1: Besuchen Sie die öffentliche Code-Wiki-Vorschau und suchen Sie nach einem bekannten Repository (LangChain, LangGraphusw.)

Schritt 2: Navigieren Sie zur Repository-Übersicht. Identifizieren Sie wichtige Module, Abhängigkeiten und Einstiegspunkte.

Schritt 3: Tauchen Sie tief in eine bestimmte Funktion ein. Verfolgen Sie die Dokumentation von der allgemeinen Beschreibung bis zur Implementierung und klicken Sie sich durch die Code-Hyperlinks.

Schritt 4: Verwenden Sie die Chat-Oberfläche. Fragen Sie: „Welche Designmuster werden verwendet?“ oder „Wie wird die Fehlerbehandlung implementiert?“

Schritt 5: Vergleichen Sie die offiziellen Dokumente des Projekts. Beachten Sie Unterschiede in der Aktualität, der einfachen Navigation und der Verbindung zwischen Konzepten und Code.

Visuelle Beziehungen erforschen

1. Gehen Sie zur öffentlichen Vorschau von Code Wiki.

2. Geben Sie Ihren bevorzugten Repository-Namen ein und wählen Sie den gewünschten aus der Liste aus.

3. Nach der Auswahl sehen Sie eine Seitenleiste, in der der gesamte Codeteil in verschiedene Abschnitte unterteilt ist.

4. Fordern Sie das Modell auf, eine visuelle Beziehung darzustellen, oder verwenden Sie die folgende Eingabeaufforderung

„Erstellen Sie ein Diagramm, das den gesamten Arbeitsablauf dieses Repositorys darstellt.“

Ausgabe:

Code-Wiki vs. traditionelle Dokumentation

Wichtiger Hinweis: Code Wiki ist ein leistungsstarkes Device für die menschliche Dokumentation. Es eignet sich perfekt für „Was“ und „Wie“, während menschliche Dokumente immer noch das „Warum“ und den Geschäftskontext abdecken.

Wiki zu realen Anwendungen von Code

Die realen Anwendungen von Code Wiki sind:

• Beschleunigung des Onboardings: Neue Entwickler erhalten sofortige Hilfe bei häufig gestellten Fragen, navigieren selbstständig durch die Systeme und leisten innerhalb weniger Tage statt Wochen einen wesentlichen Beitrag.
• Verständnis des Legacy-Techniques: Untersuchen Sie alte Codebasen, die Entwickler bereits verlassen haben, und erstellen Sie eine umfangreiche Dokumentation, um Änderungen einfacher zu machen.
• Teamübergreifende Zusammenarbeit: Gruppen können auf die Dokumentation anderer Dienste zugreifen, Integrationspunkte erkennen und Abhängigkeiten herausfinden, ohne ständig Besprechungen abhalten zu müssen.
• Open-Supply-Zugänglichkeit: Senken Sie die Anmeldegrenze für Mitwirkende erheblich, indem Sie eine vollständige und stets aktuelle Dokumentation anbieten.

Einschränkungen des Code-Wikis

Bei allem, was Code Wiki zu bieten hat, gibt es auch ein paar Nachteile:

• Kontextlücke: Der Code wird dokumentiert, jedoch nicht die Begründung für die Architekturentscheidungen
• Domänenwissen: Kennt die Programmiermuster, hat jedoch möglicherweise Schwierigkeiten mit den spezifischen Geschäftskonzepten der Domäne
• Qualitätsabhängigkeit: Eine gute Struktur des Codes führt zu einer guten Dokumentation
• Abdeckung: Die Unterstützung gilt nur für die gängigsten Sprachen und Frameworks

Abschluss

Google Code Wiki befasst sich mit einer der größten Herausforderungen in der Softwareentwicklung: der Diskrepanz zwischen dem, was der Code tut, und dem, was die Entwickler verstehen. Durch die kontinuierlich aktualisierte, KI-basierte Dokumentation ist ein schnelleres Lernen, weniger Frustration und mehr Zeitaufwand für den Aufbau statt für die Entschlüsselung gewährleistet.

Während Code Wiki in Richtung eines umfassenderen Zugriffs voranschreitet, wird es unsere Codierungsstruktur, die Teamzusammenarbeit und das Onboarding neuer Entwickler beeinflussen. Die Dokumentationsrevolution hat begonnen; KI ist die treibende Kraft dahinter.

Häufig gestellte Fragen

Ungefähr 4,5% der Weltbevölkerung sind farbenblind.

Millionen Menschen weltweit haben nur eine Artwork von Sehbehinderung. Die Zahlen werden erheblich höher, wenn Sie alle Bedingungen berücksichtigen. Es ist jedoch ein selten diskutiertes Thema.

Als Datenprofi möchten Sie, dass niemand Ihre Bilder falsch interpretiert. Sicher, besonders klar zu sein ist mehr Arbeit, aber Sie werden einen anständigen Teil der Bevölkerung glücklicher machen.

Heute erhalten Sie 5 umsetzbare Tipps, um Ihre vorhandenen Visualisierungen zugänglich zu machen.

Konkrete Richtlinien zur Implementierung der Zugänglichkeit in Ihrer Datenvisualisierung

Lassen Sie uns zunächst einige allgemeine Richtlinien durchgehen, die Sie befolgen sollten, wenn Zugänglichkeit hat eine oberste Priorität.

Alles, was unten aufgeführt ist, ist eine kuratierte und erheblich verkürzte Checkliste der A11Y -Projekt. Wenn Sie sich fragen, ist „A11Y“ eine Abkürzung für „Zugänglichkeit“ (11 Buchstaben zwischen „A“ und „Y“).

Wie auch immer, hier ist, worauf Sie achten sollten:

• Verlassen Sie sich nicht auf Farbe, um die Daten zu erklären – Ein anständiger Teil der Bevölkerung ist farbinterblind oder leiden unter einer anderen Sehbehinderung. Muster sind ein Weg zu gehen.
• Wenn Sie Farbe verwenden, gehen Sie mit dunkleren, kontrastischen Tönen -Leichte und geringe kontrastreiche Farben machen es quick unmöglich, visuell zwischen Gruppen in einer Tabelle zu unterscheiden.
• Verstecke keine wichtigen Daten hinter Interaktionen – Hover -Veranstaltungen sind nur auf dem Desktop verfügbar. Die Mehrheit Ihrer Benutzer befindet sich auf Smartphones.
• Verwenden Sie Etiketten und Legenden – Ohne sie weiß der Leser nicht, was die Daten darstellen.
• Daten in klare Erkenntnisse übersetzen – Vereinfachen Sie die Daten so weit wie möglich und noch einige. Sie möchten nicht, dass etwas für die Interpretation offen ist.
• Stellen Sie den Kontext an und erklären Sie die Visualisierung – Wenn machbar, kommentieren Sie Datenpunkte von Interesse und fügen Sie Untertitel/Bildunterschrift hinzu.
• Lassen Sie Benutzer mit Bildschirmlesern im Auge behalten – Personen mit Sehbehinderungen verwenden Bildschirmleser, um Webseiten zu navigieren. Verwenden Sie den Alt -Textual content, um Ihre eingebetteten Diagramme zu beschreiben.

Vor diesem Hintergrund habe ich 5 umsetzbare Optimierungen gefunden, die Sie gerade an Ihre Visualisierungen vornehmen können.

Lassen Sie uns in #1 eintauchen.

1. Verwenden Sie eine kontrastische oder farblich-freundliche Farbpalette

Der einfachste Weg zu verstehen, warum Farbauswahl wichtig ist, besteht darin, zuerst das Falsche zu tun.

Betrachten Sie den folgenden Datensatz:

x = np.array(("New York", "San Francisco", "Los Angeles", "Chicago", "Miami"))
y1 = np.array((50, 63, 40, 68, 35))
y2 = np.array((77, 85, 62, 89, 58))
y3 = np.array((50, 35, 79, 43, 67))
y4 = np.array((59, 62, 33, 77, 72))

Es ist ein perfekter Kandidat für ein gestapeltes Bar -Diagramm. Mit anderen Worten, um Workplace-Standorte auf der X-Achse zu zeigen und Mitarbeiter zu stapeln, zählt die Y-Achse.

Stellen Sie sich jetzt vor, Sie möchten wirklich grün sind.

Möglicherweise möchten Sie einzelne Bar -Portionen in verschiedenen Grüntönen färben. Es ist eine schreckliche Praxis (mit Ausnahme einiger monochromatischer Farbpaletten), wie Sie aus den folgenden sehen können:

plt.bar(x, y1, label="HR", coloration="#32a852")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#3ebd61")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#2bc254")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#44c767")

plt.title("(DON'T) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Viele Leute fragen sich, wie ihre Tabelle aussehen würde, wenn sie in einem schwarz-weißen Buch gedruckt würden.

Dieser würde nur geringfügig schlechter aussehen, aber nur, weil er von Anfang an schrecklich aussieht. Die Unterscheidung zwischen Bar -Portionen ist selbst für Menschen ohne Sehbehinderungen eine Herausforderung.

Sie können diese Web site verwenden, um den Kontrast zwischen zwei Farben zu überprüfen.

Lassen Sie es uns mit einer mit hohen kontrastellen Farbpalette beheben.

Benutzerdefinierte Farbpalette mit hoher kontrastischer Farbpalette

Ich werde mit der Annahme fortfahren, dass Sie die Farbe grün mögen.

Frage: Wie können Sie aus einer Farbe eine kontrastreiche Farbpalette erstellen?
Antwort: Beginnen Sie mit einem dunklen Farbton und beenden Sie eine Farbe, die Ihrer Primärfarbe ähnlich ist. In diesem Fall ist Gelbgold ein perfekter Kandidat.

Sie erhalten das Beste aus beiden Welten auf diese Weise. Sie verwenden immer noch Farben, die Sie mögen, und die Farben müssen nicht leichter werden (was den Kontrast verringern würde), wenn Sie die Barsegmente durchlaufen.

In der Praxis läuft dies darauf hinaus, mit dem herumzuspielen coloration Parameter für alle Segmente:

plt.bar(x, y1, label="HR", coloration="#14342B")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400")

plt.title("(DO) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

So viel einfacher für die Augen.

Vordefinierte Farbpalette Farbblind

Betrachten Sie jedoch die folgenden Szenarien:

• Sie haben nicht die Zeit, mit verschiedenen Farbkombinationen herumzuspielen
• Sie haben Zeit, aber es gibt ungefähr ein Dutzend Kategorien in Ihrem Datensatz (lesen Sie: Dutzend Farben zu finden)

Es gibt eine einfachere Lösung, um Ihr Diagramm -Farbschema in den Augen zu erleichtern und gleichzeitig Menschen mit Sehbehinderungen zu berücksichtigen.

Eine solche Lösung besteht darin, eine farbblindfreundliche Farbpalette zu verwenden.

Die erste Zeile des Snippets zeigt Ihnen, wie:

plt.fashion.use("tableau-colorblind10")

plt.bar(x, y1, label="HR")
plt.bar(x, y2, backside=y1, label="Engineering")
plt.bar(x, y3, backside=y1 + y2, label="Advertising")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales")

plt.title("(DO) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Diese Palette enthält 10 farbblindfreundliche Farben, sodass sie intestine zu Diagrammen mit 10 Gruppen oder weniger passt.

Wenn Sie mehr brauchen, werden Sie Ihre Visualisierungsstrategie vielleicht besser überdenken.

2. Hören Sie auf Farben zu – verwenden Sie stattdessen Muster

Eine weitere gute Möglichkeit, jegliche Artwork von Fehlinterpretation aus Ihren Diagrammen zu entfernen, besteht darin, Muster anstelle von Farben (oder als Ergänzung zu Farben) zu verwenden.

Matplotlib hat 10 Lukenmuster Sie können wählen.

Sie können die Luken weiter anpassen, indem Sie ihre Dichte erhöhen oder mehrere Muster kombinieren. Aber das ist ein Thema für ein anderes Mal.

Um Muster zu implementieren, fügen Sie die hinzu hatch Parameter zu plt.bar(). Das folgende Beispiel beseitigt die Farbe insgesamt durch Einstellung fill=False:

plt.bar(x, y1, label="HR", fill=False, hatch="*")
plt.bar(x, y2, backside=y1, label="Engineering", fill=False, hatch="xx")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", fill=False, hatch="..")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", fill=False, hatch="//")

plt.title("(DO) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Jetzt gibt es keine Möglichkeit, Daten in diesem Diagramm falsch zu interpretieren.

Können Sie Muster mit Farbe mischen?

Wenn Sie das Beste aus beiden Welten wollen, ist Colour + Muster dort, wo es sich befindet.

Sie möchten den Parameter fill = false entfernen und sie mit ändern coloration. Oder kopieren Sie einfach den folgenden Code -Snippet:

plt.bar(x, y1, label="HR", coloration="#14342B", hatch="*")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D", hatch="xx")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700", hatch="..")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400", hatch="//")

plt.title("(DO) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Dunkle Muster sind in Balkensegmenten deutlich sichtbar, aber das ist möglicherweise nicht immer der Fall.

Der edgecolor Der Parameter steuert die Musterfarbe. Mal sehen, was passiert, nachdem wir es an Weiß gesetzt haben:

plt.bar(x, y1, label="HR", coloration="#14342B", hatch="*", edgecolor="#FFFFFF")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D", hatch="xx", edgecolor="#FFFFFF")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700", hatch="..", edgecolor="#FFFFFF")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400", hatch="///", edgecolor="#FFFFFF")

plt.title("(MAYBE) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Das Muster ist sichtbar für HR Und Maschinenbau Abteilungen, aber die beiden an der Spitze sind eine andere Geschichte.

Möglicherweise haben Sie keine Probleme, die Linien im obersten Diagrammsegment zu sehen, sondern in die Schuhe einer Individual mit Sehbehinderungen. Sie sollten immer Ihr Referenzrahmen sein.

Erinnern: Helle Muster funktionieren intestine auf dunklen Hintergründen. Dunkelfarbene Muster funktionieren intestine auf hellen Hintergründen. Entsprechend einstellen.

3.. Überfordert der Benutzer nicht mit den Informationen

Dieses Prinzip geht in zwei Richtungen:

• Setzen Sie nicht zu viele Informationen auf ein einzelnes Diagramm
• Geben Sie nicht zu viele Diagramme nebeneinander, z. B. in Ihren Anwendungen/Dashboards

Beides gleichzeitig ist etwas von einem ultimative Sünde in der Datenvisualisierung.

Beginnen wir zunächst ein paar weitere Abteilungen in den Combine ein.

Die Daten werden schwer zu verwalten Python Pay attention, additionally habe ich mich stattdessen für einen Pandas -Datenframe entschieden:

import pandas as pd


df = pd.DataFrame({
    "HR": (50, 63, 40, 68, 35),
    "Engineering": (77, 85, 62, 89, 58),
    "Advertising": (50, 35, 79, 43, 67),
    "Gross sales": (59, 62, 33, 77, 72),
    "Buyer Service": (31, 34, 61, 70, 39),
    "Distribution": (35, 21, 66, 90, 31),
    "Logistics": (50, 54, 13, 71, 32),
    "Manufacturing": (22, 51, 54, 28, 40),
    "Upkeep": (50, 32, 61, 69, 50),
    "High quality Management": (20, 21, 88, 89, 39)
}, index=("New York", "San Francisco", "Los Angeles", "Chicago", "Miami"))

df

Lassen Sie uns nun die farbenblindfreundliche Palette mit der Anzahl der Mitarbeiter professional Ort und der Abteilung als gestapelter Balkendiagramm aufzeichnen. Um die Dinge besonders voll zu machen, habe ich auch Textual content gezählt in die Mischung:

plt.fashion.use("tableau-colorblind10")
ax = df.plot(form="bar", stacked=True)

for container in ax.containers:
    ax.bar_label(container, label_type="heart", fontsize=10, coloration="#000000", fontweight="daring")

plt.title("(DON'T) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")
plt.legend(title="Division", bbox_to_anchor=(1.05, 1), loc='higher left', ncol=1)

plt.present()

Das ist nur hässlich.

Repair #1 – präsentieren Sie weniger Informationen

Eine Möglichkeit, dieses unausgesagte Chaos zu lösen, besteht darin, dem Benutzer weniger Informationen anzuzeigen.

Zum Beispiel nur zeigen, dass Mitarbeiter in einer Stadt (über die Abteilungen) zählen. Sie können dann a hinzufügen Dropdown -Menü An der Seite des Diagramms, damit der Benutzer den Büroort steuern kann.

Die folgenden Snippet -Angestellten professional Abteilung in Chicago als horizontaler Balkendiagramm:

chicago_data = df.loc("Chicago").sort_values()

bars = plt.barh(chicago_data.index, chicago_data.values, coloration="#60935D", edgecolor="#000000")
for bar in bars:
    plt.textual content(bar.get_width() + 2, bar.get_y() + bar.get_height() / 2, f"{int(bar.get_width())}", va="heart", ha="left", fontsize=14, coloration="#000000")

plt.title("(DO) Worker Depend by Division in Chicago", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Depend")
plt.ylabel("Division")

plt.present()

Repair #2 – reorganisieren die Daten neu

Wenn es keine Possibility ist, weniger Informationen zu zeigen, können Sie vielleicht können Sie Übertragen Sie Ihre Daten.

Zum Beispiel haben wir es mit 5 Bürostandorten und 10 Abteilungen zu tun. Das Anzeigen von 10 Spalten anstelle von 10 Barsegmenten ist für die Augen einfacher.

Auf diese Weise zeigen Sie am Ende Bürostandorte als Barsegmente anstelle von Abteilungen:

df_transposed = df.T
df_sorted = df_transposed.loc(df_transposed.sum(axis=1).sort_values().index)

ax = df_sorted.plot(form="barh", width=0.8, edgecolor="#000000", stacked=True)

for container in ax.containers:
    ax.bar_label(container, label_type="heart", fontsize=10, coloration="#FFFFFF", fontweight="daring")

plt.title("(DO) Worker Depend Per Location And Division", loc="left", fontdict={"weight": "daring"}, y=1.06)
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.present()

Es geht nur darum, das Downside umzufreuen.

Die Tabelle auf Bild 10 ist meilenweit vor der Tabelle auf Bild 8. Es ist eine Tatsache. Niemand kann damit streiten.

4. Geben Sie ausführliche Erklärungen für Daten in Ihren Diagrammen

Sie können Untertitel- und/oder Bildunterschriftenabschnitte Ihres Diagramms nutzen, um zusätzliche Informationen hinzuzufügen.

Dies ist praktisch, wenn Sie mehr Kontext über die Daten bereitstellen, Quellen angeben oder die Hauptpunkte Ihrer Visualisierung zusammenfassen möchten. Der letzte ist am besten für Menschen mit Sehbehinderungen anwendbar.

Das Downside mit Matplotlib ist, dass es es hat keine spezielle Funktion Für Tabellenuntertitel und Untertitel. Sie können Suptitle () verwenden, aber Sie müssen mit X- und Y-Achse-Koordinaten herumspielen.

Hier ist ein Beispiel:

plt.bar(x, y1, label="HR", coloration="#14342B", hatch="*")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D", hatch="xx")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700", hatch="..")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400", hatch="//")

plt.suptitle("Chart exhibits how the workers are distributed per division and per workplace location.nChicago workplace has essentially the most workers.", x=0.125, y=0.98, ha="left", fontsize=14, fontstyle="italic")
plt.title("Worker Depend Per Location And Division", fontsize=20, fontweight="daring", y=1.15, loc="left")
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Wenn Sie eine Bildunterschrift gegenüber einem Untertitel bevorzugen, haben Sie nur die Änderung der y-Achse-Koordinate in plt.suptitle():

plt.bar(x, y1, label="HR", coloration="#14342B", hatch="*")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D", hatch="xx")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700", hatch="..")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400", hatch="//")

plt.suptitle("Chart exhibits how the workers are distributed per division and per workplace location.nChicago workplace has essentially the most workers.", x=0.125, y=0, ha="left", fontsize=14, fontstyle="italic")
plt.title("Worker Depend Per Location And Division", fontsize=20, fontweight="daring", y=1.06, loc="left")
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.present()

Alles in allem kann ein Untertitel oder eine Bildunterschrift der entscheidende Faktor sein, wenn Sie Ihre Nachricht an eine Individual mit Sehbehinderungen korrekt erhalten.

Machen Sie es einfach nicht 10 Absätze lang. Ansonsten ist es wieder der 3. Punkt dieses Artikels.

5. Alt -Textual content hinzufügen, wenn Sie Diagramme einbetten

Viele Menschen mit Sehbehinderungen verwenden Bildschirmleser.

Das Downside mit Bildschirmlesern und Diagrammen ist, dass sie einfach nicht koexistieren können. Möglicherweise können sie Textelemente aus dem Diagramm aufnehmen, aber sie können den visuellen Inhalt nicht interpretieren. Wenn Sie additionally Ihre Visualisierungen teilen (z. B. in eine Web site einbetten), müssen Sie Alt -Textual content hinzufügen.

Dies ist ein Absatz, den der Bildschirmleser Ihrem Benutzer vorlegt.

Um demonstrieren, lassen Sie uns die verwenden plt.savefig() Funktion zum Speichern des Diagramms als Bild:

plt.bar(x, y1, label="HR", coloration="#14342B", hatch="*")
plt.bar(x, y2, backside=y1, label="Engineering", coloration="#60935D", hatch="xx")
plt.bar(x, y3, backside=y1 + y2, label="Advertising", coloration="#BAB700", hatch="..")
plt.bar(x, y4, backside=y1 + y2 + y3, label="Gross sales", coloration="#F5E400", hatch="//")

plt.suptitle("Chart exhibits how the workers are distributed per division and per workplace location.nChicago workplace has essentially the most workers.", x=0.125, y=0, ha="left", fontsize=14, fontstyle="italic")
plt.title("Worker Depend Per Location And Division", fontsize=20, fontweight='daring', y=1.06, loc="left")
plt.xlabel("Workplace Location")
plt.ylabel("Depend")

plt.legend(loc="higher proper", ncol=4)
plt.ylim(prime=320)
plt.savefig("determine.jpg", dpi=300, bbox_inches="tight")

Fügen Sie in einem neuen HTML -Dokument eine hinzu <img> Markieren Sie das auf das Bild. Hier sollten Sie Alt -Textual content angeben:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta title="viewport" content material="width=device-width, initial-scale=1.0">
    <title>Doc</title>
</head>
<physique>
    <img 
        fashion="width: 800px;"
        src="determine.jpg"
        alt="Stacked bar chart. It exhibits how the workers are distributed per division and per workplace location. Chicago workplace has essentially the most workers."
    >
</physique>
</html>

Sie können den ALT -Textual content nicht sehen, wenn Sie die HTML -Datei öffnen, aber das liegt daran, dass Sie keinen Bildschirmleser verwenden.

Wenn der Bildschirmleser erkannt wird, wird der ALT -Textual content dem Benutzer automatisch vorgelesen.

Das Beste, was Sie tun können, ist eine Verwendung a Bildschirmleser -Plugin Oder zeigen Sie auf das Bild, das in HTML nicht existiert:

<img 
    fashion="width: 800px;"
    src="doesnotexist.jpg"
    alt="Stacked bar chart. It exhibits how the workers are distributed per division and per workplace location. Chicago workplace has essentially the most workers."
>

Jetzt kann das Bild nicht gefunden werden, sodass stattdessen der ALT -Textual content angezeigt wird.

Summieren der Datenvisualisierungsgängigkeit

Und dort haben Sie es – 5 Dinge, die Sie beim Entwerfen von Datenvisualisierungen immer berücksichtigen sollten.

Diese Tipps sind im Allgemeinen hilfreich, sind jedoch von entscheidender Bedeutung, wenn Zugänglichkeit von wesentlicher Bedeutung ist. Und es sollte immer sein. Es erfordert ein bisschen zusätzliche Arbeit von Ihrem Ende, macht jedoch Ihre Ergebnisse für Millionen zusätzlicher Menschen weltweit zugänglich.

Fühlen Sie sich inspiriert, Ihren ersten TDS-Beitrag zu schreiben? Wir sind immer offen für Beiträge neuer Autoren.

Schlagworte und Tendencies kommen und gehen, aber die Kernaufgabe, mit Daten überzeugende Geschichten zu erzählen, bleibt eine der Hauptsäulen im täglichen Arbeitsablauf von Datenwissenschaftlern. Für Praktiker, die ihre Visualisierung verbessern möchten, stellen wir diese Woche einige unserer besten aktuellen Artikel zum Erstellen leistungsstarker, effektiver und eleganter Ergebnisse vor.

Unsere Auswahl befasst sich aus verschiedenen Blickwinkeln mit dem Thema. Egal, ob Sie sich für Kartenoptimierung, Geodatenhilfen oder interaktive Dashboards interessieren, wir sind sicher, dass Sie hier etwas finden, das Sie inspiriert und Ihnen hilft, Ihre aktuellen Fähigkeiten zu erweitern. Viel Spaß beim Basteln!

• Schritt-für-Schritt-Anleitung zum Erstellen von Bump-Charts in Plotly
  Sind Sie bereit, von Balkendiagrammen zu fortgeschritteneren und benutzerdefinierten Formaten überzugehen? Nicht verpassen Amanda Iglesias Morenoist das Plotly-basierte Tutorial, das einen vollständigen Workflow zum Erstellen eines Bump-Diagramms vorstellt, einer spezielleren Visualisierung, die „dazu entwickelt wurde, Änderungen in einem Rating im Laufe der Zeit zu untersuchen“ und es uns ermöglicht, „Tendencies schnell zu erkennen und Elemente an der Spitze oder zu erkennen“. Schlusslicht im Rating.“
• Einfache Extraktion von Kartengrenzen mit GeoPandas
  Die Arbeit mit Geodaten kann sehr lohnend sein – ganz zu schweigen davon, dass sie in vielen Branchen unerlässlich ist –, aber sie kann auch knifflig und manchmal unhandlich sein. Lee VaughanDer neueste Python-Leitfaden von bringt Klarheit und Praktikabilität in einen sehr häufigen Anwendungsfall: das Extrahieren, Messen und Plotten von Ländergrenzen.

Die meisten Grafiken sind keinen Blick wert. Unabhängig davon, in welcher Branche Sie tätig sind oder welchen Dienstalter Sie haben – Tatsache ist, dass Sie bei Ihrer Arbeit wahrscheinlich auf viele mittelmäßige Datenvisualisierungen stoßen.

Gute Grafiken vermitteln eine bestimmte Botschaft, und zwar schnell. Gleichzeitig sind sie optisch ansprechend genug, um den Betrachter dazu einzuladen, sich länger mit ihnen zu beschäftigen und sein Verständnis der Kernbotschaft zu vertiefen. Gute Grafiken vermitteln auch, woher sie kommen – welches Unternehmen oder welche Abteilung –, weil sie die gleiche visuelle Sprache sprechen.

Schlechte Grafiken enthalten möglicherweise viele Informationen, vermitteln dem Betrachter jedoch nicht die Kernbotschaft. Entweder versuchen sie, zu viele Dinge auf einmal zu zeigen, oder sie sind optisch so unattraktiv, dass der Betrachter woanders hinschaut, bevor er die Botschaft verstanden hat. Der Zuschauer hat keine Ahnung, wer ein schlechtes Diagramm erstellt hat, es sei denn, der Ersteller sagt ihm, dass es von ihm stammt.

Die meisten Datenwissenschaftler, Analysten und ähnliche Fachleute, die Diagramme erstellen, sind schlau genug, um herauszufinden, wie man ein gutes Diagramm erstellt. Das Drawback ist, dass nie genug Zeit dafür bleibt.