Freunde lassen einen solche Datenvisualisierungen nicht erstellen – 16 schlechte Diagrammtypen und warum
(github.com/cxli233)- Ein GitHub-Repository, das 16 fehlerhafte Visualisierungspraktiken zusammenstellt, die in wissenschaftlichen Arbeiten und Datenanalysen häufig vorkommen, jeweils mit Beispielen; die Fälle lassen sich mit R-Code und Simulationsdaten direkt reproduzieren
- Benennt konkret Visualisierungen, die Verteilung und Eigenschaften der Daten verzerren, etwa die missbräuchliche Nutzung von Balkendiagrammen zum Mittelwertvergleich, Violin-Plots bei kleinen Stichproben oder bidirektionale Farbskalen für unidirektionale Daten
- Erklärt die Probleme von Diagrammtypen, die menschliche visuelle Wahrnehmung nicht berücksichtigen, darunter fehlende Neuordnung von Zeilen und Spalten in Heatmaps, ungeprüfte Ausreißer sowie die grundlegenden Grenzen von Kreisdiagrammen und konzentrischen Donut-Charts
- Enthält Warnungen vor strukturellen Designfehlern, die Missverständnisse erzeugen, etwa die Verwechslung positionsbasierter und längenbasierter Visualisierung oder Balkendiagramme mit abgeschnittener Achse
- Eine praktische Sammlung von Anti-Patterns für alle Forschenden und Entwickler, die mit Datenvisualisierung arbeiten; zu jedem Punkt werden auch alternative Visualisierungsmethoden vorgeschlagen
1. Mittelwerte nicht mit Balkendiagrammen vergleichen
- Plots zum Mittelwertvergleich (means separation) gehören zu den häufigsten Visualisierungen in wissenschaftlichen Arbeiten; ihr Zweck ist es, Mittelwert, Varianz und Verteilung von zwei oder mehr Gruppen zu zeigen
- Im Beispiel haben zwei Gruppen ähnliche Mittelwerte und Standardabweichungen, aber völlig unterschiedliche Verteilungen — mit einem Balkendiagramm allein lässt sich dieser Unterschied nicht erkennen
- Vor der Verwendung eines Balkendiagramms sollte immer die Datenverteilung geprüft werden; auch Weissgerber et al. (2015, PLOS Biology) weisen auf die Grenzen von Balkendiagrammen hin
2. Bei kleinen Stichproben keine Violin-Plots verwenden
- Violin-Plots oder geglättete Verteilungskurven sind bei kleiner Stichprobengröße nicht aussagekräftig
- Bei kleinen Stichproben können Verteilung und Quartile selbst bei identischen Beobachtungswerten stark schwanken; damit sich Quartile stabilisieren, ist n von mindestens 50 nötig
- Dies wird durch ein Experiment belegt, bei dem wiederholt aus derselben Normalverteilung Stichproben gezogen und die Quartile verglichen wurden
3. Keine bidirektionalen Farbskalen für unidirektionale Daten verwenden
- In einer Farbskala sollten die dunkelste und die hellste Farbe sinnvolle Werte wie Maximum, Minimum, Mittelwert oder 0 repräsentieren
- Dass die hellste oder dunkelste Farbe eine beliebige Zahl darstellt, ist ein ebenso gravierender Fehler wie „wenn der längste Balken in einem Balkendiagramm nicht den Maximalwert darstellt“
- Bei Heatmaps/Farbverläufen ist es zwingend, eine Farbskala zu wählen, die zur Richtung der Daten passt (unidirektional vs. bidirektional)
4. Keine Balkendiagramm-Wiese (Bar Plot Meadow) erzeugen
- Wenn Ergebnisse mehrfaktorieller Experimente als Reihe von Balkendiagrammen dargestellt werden, entsteht eine „Balkendiagramm-Wiese“, die Ergebnisse ineffizient vermittelt
- Um Ergebnisse mehrfaktorieller Experimente wirksam zu kommunizieren, müssen Gruppierung/Facettierung nach interessierenden Faktoren sorgfältig gestaltet werden
- Das Beispiel vergleicht auf Variety-Ebene die Effekte von Treatment und Explant auf Response und betont, dass sich das Layout je nach Analysefokus ändern sollte
5. Die Neuordnung von Zeilen und Spalten in Heatmaps berücksichtigen
- Heatmaps sind in wissenschaftlichen Arbeiten, besonders in Omics-Papers, sehr verbreitet; ohne Neuordnung der Zeilen- und Spaltenreihenfolge lassen sich jedoch keine nützlichen Informationen extrahieren
- Eine Neuordnung per Clustering ist üblich, aber nicht die einzige Methode; wenn wie bei einer 96-Well-Platte eine physische Anordnung dargestellt wird, ist eine Neuordnung nicht möglich
- Kombiniert man Zeilen-/Spaltenneuordnung mit einem passenden Farbverlauf, lassen sich auch visuell ansprechende Heatmaps erzeugen
6. Ausreißer in Heatmaps prüfen
- Ausreißer können Wahrnehmung und Interpretation einer Heatmap vollständig verändern; das Problem gilt für alle Visualisierungen, die numerische Daten über Farben darstellen
- Im Beispiel wirken zwei Beobachtungen, für die 20 Merkmale gemessen wurden, ohne Ausreißerprüfung insgesamt ähnlich; wenn die Farbskala jedoch am 95. Perzentil ausgerichtet wird, werden Unterschiede in allen Merkmalen sichtbar
7. Den Datenbereich für jede Faktorstufe prüfen
- In mehrfaktoriellen Experimenten kommt es häufig vor, dass sich der Wertebereich der Antwortvariablen je nach Faktorstufe stark unterscheidet
- In einem hypothetischen Experiment wurden drei Verbindungen in zwei Gruppen gemessen (Kontrollgruppe vs. Behandlungsgruppe); der Konzentrationsbereich von Verbindung 1 ist deutlich enger als bei den anderen Verbindungen, wodurch die Gefahr besteht, einen Behandlungseffekt zu übersehen
- Wenn der Datenbereich je Verbindung nicht vorab geprüft wird, können wichtige Behandlungseffekte übersehen werden
8. Bei Netzwerkgraphen mehrere Layouts ausprobieren
- Das Erscheinungsbild eines Netzwerkgraphen (das Layout, nicht die Topologie) hat großen Einfluss auf seine Wirksamkeit
- Drei Netzwerkgraphen derselben Daten sehen völlig unterschiedlich aus; enthalten ist auch ein Beispiel mit neun verschiedenen Layouts
- Da sich je nach Layout die Interpretierbarkeit eines Netzwerks stark verändert, sollten mehrere Layouts ausprobiert werden
9. Positionsbasierte und längenbasierte Visualisierung nicht verwechseln
- In Punkt- und Liniendiagrammen werden Werte über ihre Position auf x- und y-Achse dargestellt, in Balkendiagrammen dagegen über den Abstand (die Länge) von der x-Achse
- Im Beispiel lässt ein Balkendiagramm, das nicht bei 0 beginnt, die Balkenlänge von Zeitpunkt 2 ungefähr dreimal so groß erscheinen wie bei Zeitpunkt 1; die tatsächliche Mittelwertdifferenz beträgt jedoch nur etwa das 1,6-Fache — die Verwechslung von Länge und Position führt zu irreführenden Diagrammen
-
Vorsicht bei Balkendiagrammen mit Achsenbruch (Broken Axis)
- Ein Achsenbruch kann nützlich sein, um Werte über einen großen Bereich darzustellen (alternativ kann eine logarithmische Achse verwendet werden), ist aber nur bei positionsbasierten Diagrammen angemessen
- Wird die Position des Achsenbruchs in einem Balkendiagramm verändert, entsteht eine optische Täuschung, bei der bestimmte Balken länger oder kürzer wirken
- Im Beispiel erscheint die Länge des Balkens „d“ je nach Position des Achsenbruchs sehr unterschiedlich; der Grund ist, dass Balkendiagramme längenbasierte Grafiken sind
10. Keine Kreisdiagramme erstellen
- Kreisdiagramme stellen Anteilsdaten als Kreissektoren dar, doch Menschen können Längen wesentlich besser lesen als Winkel und Flächen
- In einem Beispiel mit zwei Gruppen und jeweils vier Unterkategorien sind Vergleiche zwischen den Gruppen in Kreisdiagrammen sehr schwierig
- Selbst wenn man sie zu Donut-Charts vereinfacht, werden die Daten über Bogenlängen dargestellt; es ist deutlich effektiver, den Donut aufzuklappen und daraus ein gestapeltes Balkendiagramm zu machen
- In ggplot sind Skripte für Kreisdiagramme und Donut-Charts sogar komplexer als für gestapelte Balkendiagramme
11. Keine konzentrischen Donut-Charts erstellen
- Bei konzentrischen Donuts liegt die Annahme nahe, dass Daten über Bogenlängen dargestellt werden, tatsächlich werden sie aber über Bogenwinkel dargestellt; Menschen sind schlecht darin, Bogenwinkel zu lesen
- Die Bogenlänge des äußeren Rings ist deutlich größer als die des inneren Rings, sodass die Bogenlänge von Group 3 viel länger wirkt, obwohl Group 2 und Group 3 denselben Wert haben
- Die Gruppenreihenfolge (welche Gruppe welchem Ring zugeordnet wird) beeinflusst den Eindruck des Plots stark und kann zu dem Paradox führen, dass ein größerer Wert einen kürzeren Bogen hat
- Dasselbe Problem gilt für kreisförmige Layouts wie circos plots; die Alternative besteht schlicht darin, den Donut aufzuklappen und in einen gestapelten Balkenplot umzuwandeln
12. Keine Rot/Grün- und Regenbogen-Farbskalen verwenden
- Rot-Grün-Sehschwäche (Deuteranomalie) ist die häufigste Form von Farbenblindheit und tritt bei 1/16 der Männer und 1/256 der Frauen auf
- Rot/Grün- und Regenbogen-Farbskalen sind für farbenblinde Nutzer problematisch; auch beim Schwarzweißdruck ist der Informationserhalt sehr schlecht
- „Moderne“ Farbskalen wie viridis sind farbenblind-freundlich und zugleich graustufensicher sowie visuell überlegen
13. Die Neuordnung gestapelter Balkenplots nicht vergessen
- Gestapelte Balkenplots werden häufig zur Visualisierung von Anteilsdaten, Community-Struktur, Populationsstruktur und Admixture Analysis eingesetzt
- In einem Beispiel mit 100 Samples und 8 Klassen lässt sich im Diagramm kein Muster erkennen, wenn die Balkenreihenfolge nicht optimiert wird
- Nach der Neuordnung der Balken treten Muster dramatisch hervor; Gruppierung der Samples und Optimierung der Sortierung sind entscheidend
14. Gestapelte Balken und Mittelwertvergleich nicht vermischen
- Gestapelte Balkenplots zeigen Anteilsdaten, die sich zu 100 % summieren; Plots zum Mittelwertvergleich zeigen Unterschiede der Mittelwerte und Varianz — es handelt sich um völlig unterschiedliche Visualisierungsaufgaben
- Im Beispiel eines Experiments mit Blaubeerpflanzen zeigt ein standardmäßiger gestapelter Balkenplot klar, dass die chemische Behandlung das Farbprofil der Früchte stark in Richtung der reifsten Stufe (dark blue) verschiebt
- Wenn Fehlerbalken und Punkte auf gestapelte Balken überlagert werden, ist unklar, welche Fehlerbalken und Punkte verglichen werden; die Fehlerbalken der oberen Stacks werden nach oben verschoben, wodurch die Interpretation der y-Achse nicht intuitiv ist
- Wenn Mittelwertvergleich und Varianz das Hauptziel der Visualisierung sind, ist ein separates Diagramm zum Mittelwertvergleich besser geeignet
15. Bei kleinen Stichproben keine Histogramme verwenden
- Histogramme werden zwar mitunter als Alternative zu Balkendiagrammen vorgeschlagen, doch ihre Robustheit gegenüber der Anzahl der Bins ist bei kleinen Stichproben sehr gering
- Zieht man aus derselben Normalverteilung Stichproben mit n = 10, 100 und 1000 und zeichnet Histogramme mit 10, 30 und 50 Bins, unterscheiden sich die Formen der Histogramme stark, obwohl es dieselbe Verteilung ist
- Bei kleinen Stichproben (n < 30) ist es deutlich vorzuziehen, alle Datenpunkte direkt im Diagramm zu zeigen; selbst bei n = 100 verändert sich das Erscheinungsbild eines Histogramms je nach Bin-Anzahl drastisch
- Damit ein Histogramm robust gegenüber Änderungen der Bin-Anzahl wird, ist eine Stichprobengröße von ungefähr 1000 oder mehr erforderlich
16. Keine Boxplots für bimodale Daten verwenden
- Boxplots konzentrieren sich auf Median und Quartile und können daher bimodale (und multimodale) Daten nicht korrekt darstellen
- Vor dem Erstellen eines Boxplots sollte immer die Datenverteilung geprüft werden
- Bei kleinen bis mittleren Stichprobengrößen (unter Zehntausenden) ist es Best Practice, mit
geom_quasirandom()aus dem Paket ggbeeswarm alle Datenpunkte direkt darzustellen - Verteilungsbasierte Grafiken wie Violin-Plots und Histogramme sind bei kleinen Stichproben nicht robust
2 Kommentare
Der Titel ist witzig. Wenn Sie sich den Originalbeitrag ansehen, finden Sie dort auch Beispielgrafiken, sodass er sich leichter anschauen lässt.
Meinungen auf Hacker News
Einerseits wirkt dieser Inhalt ziemlich gut.
Andererseits scheint ein beträchtlicher Teil solcher schlechten Diagramme absichtlich so gewählt zu sein, um zu verbergen, dass es nur wenige Datenpunkte gibt oder dass die zugrunde liegende Verteilung fragwürdig ist.
Es geht also weniger um „Freunde lassen einen so etwas nicht machen“, sondern eher um „Wenn du ein Diagramm siehst, das eher verschleiert als klar darstellt, solltest du vermuten, dass das Absicht sein könnte.“
Bei keinem Paper, an dem ich beteiligt war, gab es je eine andere Haltung als „Lasst es uns sofort raushauen“.
Der Grund, warum Diagramme nicht klar sind, ist oft, dass es Zeit und Mühe kostet, sie klar zu machen – und in der Wissenschaft mangelt es an beidem erheblich. Hässliche Details werden sicher manchmal absichtlich versteckt, aber ich sehe das nicht als Hauptquelle solcher schlechten Abbildungen.
Manche Gruppen wollen schlafende Hunde nicht wecken, andere wissen es schlicht nicht besser. Es gibt Leute, die keine Forschung betreiben sollten, aber die Ausbildung ist unzureichend, und billige Doktoranden sind auch nicht einfach zu bekommen – deshalb ist es so gekommen.
Das Beispiel „Freunde lassen einen keine Heatmap erstellen, bei der Ausreißer nicht als Maximalwert behandelt werden“ ist wirklich häufig. Man sieht es oft auch bei Statistikvisualisierungen in Videospielen.
In Strategie- und Simulationsspielen gibt es viele Visualisierungen, die Spielern helfen sollen, eine Situation oder ein Problem zu verstehen, aber Heatmaps werden wegen des Ausreißereffekts oft in ihrer Farbskala ziemlich nutzlos.
Wenn man zum Beispiel in Oxygen Not Included die Temperaturvisualisierung einschaltet, sorgen Wärmequellen wie Vulkane dafür, dass alle übrigen Farben kalt wirken, sodass der Bildschirm oft nur blau oder rosarot wird. Man kann einen 1000-°C-Vulkan nicht von einer leicht überhitzten 270-°C-Dampfkammer unterscheiden; beide werden fast einheitlich rosarot. Auch eine überhitzte 60-°C-Basis wirkt relativ kalt und erscheint blau, sodass die Heatmap zur Diagnose von Temperaturproblemen fast nutzlos ist.
Tatsächlich klingt es nach einer ziemlich schlechten Idee, dass sich die Bedeutung der Farben je nach Temperaturänderung verschiebt.
Das funktioniert sowohl als Hotspot-Warnung als auch als Hinweis, diese Stellen zu ignorieren, und ist wirklich nützlich.
Vor einiger Zeit gab es auf HN eine hitzige Debatte, weil jemand meinte, jedes Diagramm, bei dem das Minimum aller Achsen nicht 0 ist, sei irreführend.
Es ging um ein Diagramm zur globalen Temperaturerhöhung durch den Klimawandel, und diese Person sagte, das Diagramm sei misleading, weil die Y-Achse, also die Temperatur, nicht bei 0 beginne. Ob 0 Grad Fahrenheit, 0 Grad Celsius oder verdammt noch mal 0 Kelvin gemeint waren, weiß ich nicht.
Sie sagte sogar: „Wenn eine Veränderung nicht sichtbar ist, wenn man den unteren Wert auf 0 setzt, ist sie vielleicht gar nicht so signifikant?“ Eine Zeit lang hat das meinen Glauben an die Menschheit beschädigt, aber ich bin froh, dass die Diskussion inzwischen offenbar auf einem etwas höheren Niveau stattfindet. 2016–2020 scheinen eine andere Ära gewesen zu sein.
Ein Diagramm, das 25 °C so aussehen lässt, als seien sie „25 % heißer“ als 20 °C, kann in diesem Sinn als irreführend gelten. Natürlich rechtfertigt das keine Leugnung der Erderwärmung.
Zum Beispiel ist dies das erste Diagramm, das ich gefunden habe: https://religionnews.com/wp-content/uploads/2014/08/61Years-...
Auf den ersten Blick sieht es so aus, als sei es um 2/3 zurückgegangen, was irreführend ist. Solche Abwärtsdiagramme vermitteln oft einen visuellen Eindruck, der den tatsächlichen Rückgang nicht widerspiegelt.
Wenn man mehr über Datenvisualisierung lesen möchte, ist Edward Tuftes The Visual Display of Quantitative Information ein hervorragendes Nachschlagewerk. Es ist ein Klassiker, erstmals 1983 erschienen, aber auch heute noch relevant.
Allerdings ist die zentrale Prämisse des Textes – „maximiere das Verhältnis von Information zu Tinte“ – zwar sehr plausibel, aber grundsätzlich fehlerhaft. Denn die Menge an Tinte, auf dem Bildschirm die Zahl schwarzer Pixel, ist nicht dasselbe wie visuelle Komplexität. Wenn das Gehirn visuelle Informationen interpretiert, hat es Kantenerkennung, Gruppierung und andere Vorverarbeitung bereits erledigt.
Er bringt ein Beispiel, bei dem in einem Streudiagramm die Achsen nicht in der Ecke zusammentreffen, sondern so verkürzt werden, dass sie nur den Datenbereich zeigen; weniger Tinte und mehr Information, also eine Win-win-Situation, heißt es. Vergleicht man die beiden Varianten, ist jedoch offensichtlich, dass die überarbeitete Version visuell komplexer ist. Auf einer komplexen Seite mit Text und mehreren Diagrammen würden die Bruchstücke visuell ineinanderlaufen und es noch schlechter machen.
Eine Möglichkeit, diese Komplexität zu reduzieren, besteht darin, große Bereiche wie den gesamten Plot mit einem Rahmen einzufassen – Rahmen sind in diesem Buch und anderswo jedoch Tuftes absoluter Feind. Es ist erstaunlich, dass er diese Haltung beibehält, obwohl er sich so lange mit visueller Darstellung beschäftigt hat.
Tukey war einer von Tuftes Mentoren.
Als Überblick auf hoher Ebene, um ein zur jeweiligen Datenstory passendes Diagramm auszuwählen, ist http://data-to-viz.com hervorragend, und auch die Beispiele verschiedener Plotting-Libraries sind gute Inspirationsquellen. Zum Beispiel https://matplotlib.org/stable/gallery/index.html
Sehr interessant und relevant, aber nicht das letzte Wort zu diesem Thema.
Viele übersehen jedoch die dahinterliegende Logik und kopieren einfach den Tufte-Stil; das Ergebnis wirkt dann manchmal übermäßig stilisiert und ikonoklastisch. Die Standardplots von R ggplot2 sind ein gutes Beispiel.
Der Artikel bietet einen guten Überblick über verbreitete Fehler bei der Datenvisualisierung, daher werde ich ihn mit Kolleginnen und Kollegen teilen. Als Ergänzung empfehle ich nachdrücklich Kennedy Eliots 39 studies about human perception in 30 mins: https://medium.com/@kennelliott/39-studies-about-human-perce...
Das gibt einen schnellen Überblick über die Forschungsbasis vieler Behauptungen rund um Best Practices in der Datenvisualisierung. Besonders interessant ist das Dogma, keine Kreisdiagramme zu verwenden: ein Thema, mit dem Designer seit den 1930ern immer wieder hadern, während die Forschungsergebnisse bestenfalls uneindeutig sind.
Ein kurzer Blick auf den Medium-Artikel legt nahe, dass er zu diesen Fragen eine ähnliche Perspektive einnimmt; die beiden dürften sich also gut ergänzen.
Bei „3. Als Freund lässt man niemanden für unidirektionale Daten eine bidirektionale Farbskala verwenden“ verstehe ich schon grundsätzlich nicht, warum in diesen Beispielen überhaupt Farbe verwendet wird.
In vielen Fällen kann die Darstellung einer einzelnen Variable durch eine Farbskala besser werden als nur mit Graustufen. In solchen Fällen ist es schlecht, für unidirektionale Daten eine bidirektionale Skala zu verwenden – und umgekehrt ebenso.
Es sind also keine Beispiele dafür, wann man Farbskalen einsetzen sollte.
Viele dieser Lehren sind nicht neu. Man kann dazu Willard C. Brintons Buch Graphic presentation von 1939 lesen, das frei zugänglich ist: https://archive.org/details/graphicpresentat00brinrich/mode/...
In meinen Augen sind auch diese alle immer noch schlecht. Es gibt zu viel Chartjunk, und die meisten verwenden auch zu viele Farben.
All diese Linien sind nicht nötig. Wenn man vorsichtig weniger einsetzt, wird es leichter lesbar. In jedem Buch von Edward Tufte findet man genau solche Hinweise, und schon mit ein paar grundlegenden Techniken kommt man ziemlich weit.
Korrektur: Ich dachte, Tufte hätte sie entwickelt, aber das war falsch. https://www.amazon.com/Grammar-Graphics-Statistics-Computing...
Ich mochte Violin-Plots nie, bin aber überhaupt nicht aus dem Bereich Datenvisualisierung. Erst vor einer Woche bin ich zufällig auf das Video violin plots should not exist gestoßen, und da hat sich das Puzzle zusammengefügt: https://youtu.be/_0QMKFzW9fw?feature=shared
Auf Grundlage von Bill Clevelands Forschung hielt ich einen Vortrag namens How Humans See Data, der einige dieser Ideen in einen konsistenten Rahmen einordnet.
https://www.youtube.com/watch?v=fSgEeI2Xpdc
Der Abschnitt Die drei Stufen der Schätzung war wirklich augenöffnend. Im Nachhinein wirkt es offensichtlich, aber ich hatte die Verbindung nicht hergestellt, bis es direkt erklärt wurde.