Přeskočit obsah

Klasifikace dat

Data z principu tvoří základ každé datové vizualizace. Bez nich či bez hlubšího porozumění datům, bez znalosti jejich původu či způsobu sběru, není možné správně pracovat. Dvě hlavní kategorie představují data kvalitativní a kvantitativní. Kvantitativní data lze měřit v číslech, např. vzdálenost, cena, čas. Kvalitativní data jsou vyjádřena nečíselnou informací (např. pohlaví nebo pocity obyvatel města).

V rámci kvalitativních dat lze dále rozlišit ordinální a nominální (nemají vnitřní pořadí, např. druhy stromů). U ordinálních dat záleží na pořadí, ale rozdíly mezi hodnotami nejsou definovány, např. výzkum veřejného mínění s možnostmi: souhlasím – spíše souhlasím – nevím – spíše nesouhlasím – nesouhlasím. Pořadí je zřejmé, avšak nelze tvrdit, že rozdíl mezi prvními dvěma možnostmi je stejný jako mezi poslední dvojicí.

Kvantitativní data mohou být spojitá (dále dělitelná, např. teplota) či diskrétní (celá čísla, nelze dělit, např. počet dětí). Spojitá data lze rozlišovat také dle toho, zda jsou měřena na intervalové či poměrové stupnici. U intervalových stupnic je možné zjistit rozdíl, ale nikoliv podíl dvou hodnot, jelikož nulová hodnota je konvenční. Nelze se tedy ptát, kolikrát je jedna hodnota větší než druhá (např. teplota ve °C, nelze tvrdit, kolikrát tepleji bude zítra než dnes). U poměrové stupnice se nachází nulová hodnota na místě, které odpovídá absenci sledovaného znaku (např. váha).

Při klasifikaci vstupních dat za účelem tvorby intervalové stupnice je třeba stanovit počet intervalů a jejich meze (hranice mezi intervaly).

Stanovení počtu intervalů

V kartografické literatuře (Voženílek, 2011) lze nalézt doporučené vzorce pro počet intervalů vycházející pouze z počtu územních jednotek viz níže (m znamená počet intervalů, y počet statistických jednotek v souboru).

\[ m \approx 1 + 3,3 \log y \]
\[ m \leq 5 \log y \]

V praxi se doporučuje použít 4–10 intervalů. Malé množství znamená velmi hrubou informaci o rozložení jevu v území, velké množství naopak činí mapu nepřehlednou, zejména z toho důvodu, že je pak pro čtenáře mapy obtížné rozlišit jednotlivé kategorie, mezi jejichž barvou či rastrem jsou pak jen velmi nepatrné rozdíly. (Lysák, 2014)

Klasifikační metody

V praxi se obvykle využívá některého z klasifikačních algoritmů, které jsou v ArcGIS Pro implementovány a výsledek automatického zpracování se následně ručně upraví. Je proto vhodné rozumět tomu, jak jednotlivé algoritmy pracují. (Lysák, 2014)

Neklasifikovaná data

Popis:

Každá jednotka (např. okres) je zobrazena unikátní barvou podle přesné hodnoty.

Výhody:

  • Plynulý a detailní přechod mezi hodnotami.
  • Precizní zobrazení dat.

Nevýhody:

  • Mapa může být složitá a obtížně čitelná pro uživatele.
  • Legenda nemusí být intuitivní.

Manual

Popis:

Manuálně vymezené intervaly představují ruční klasifikaci, při které tvůrce mapy nastaví hranice intervalů dle analýzy dat a vlastního uvážení.

Equal Interval

Popis:

Data jsou rozdělena do stejně širokých intervalů (např. 0–10, 10–20). Algoritmus v datech nejprve nalezne minimum a maximum a poté rozdělí rozpětí mezi těmito hodnotami do stejně velkých intervalů.

Výhody:

  • Intuitivní legenda.
  • Funguje dobře pro normálně rozložená data.

Nevýhody:

  • Nevhodné pro asymetricky rozdělená data.
  • Odlehlé hodnoty mohou narušit vizuální přehlednost.
  • Ztráta detailů u nerovnoměrně rozložených dat.

Defined Interval

Popis:

Zatímco v předchozím případě jsme zadávali počet intervalů a program dopočítával jejich šířku, zde zadáváme šířku intervalu a počet je závislý na tom, kolikrát se zadaný interval vejde mezi minimum a maximum.

Standard Deviation

Popis:

Intervaly jsou určeny na základě průměru a směrodatných odchylek. Tento algoritmus je mimochodem do značné míry podobný Defined Intervals. Oba algoritmy dělí data do intervalů o zadané velikosti, ale v případě Standard Deviation nevolíme velikost intervalů libovolně, ale vybíráme z násobků směrodatné odchylky vypočtené z klasifikovaných dat.

Výhody:

  • Dobrá vizuální variabilita i u asymetricky rozdělených dat.
  • Jasně ukazuje průměrné, nadprůměrné a podprůměrné hodnoty.

Nevýhody:

  • Složitější legenda pro uživatele.
  • Může být matoucí pro neodborné publikum.

Quantile

Popis:

Každá kategorie obsahuje stejný počet jednotek (např. stejné množství okresů v každé kategorii).

Výhody:

  • Atraktivní a vyvážený vzhled mapy.
  • Dobře funguje pro nerovnoměrně rozložená data.

Nevýhody:

  • Intervaly nemusí odrážet skutečné rozdělení dat.
  • Potenciál pro matení uživatele (nerovnoměrné intervaly).
  • Je nutné jasně a přesně popsat legendu.

Jenks Natural Breaks

Popis:

Algoritmus (metoda přirozených zlomů) automaticky hledá přirozené zlomy v datech a určuje intervaly.

Výhody:

  • Optimalizované rozdělení dat do kategorií.
  • Vhodné pro data s nepravidelným rozložením.

Nevýhody:

  • „Černá skříňka“ – uživatel nemá kontrolu nad rozdělením.
  • Může být obtížné interpretovat legendu.
  • Výsledek závisí na algoritmu, ne na uživateli.

Shrnutí vybraných metod

Metoda Výhody Nevýhody Vhodné pro...
Neklasifikovaná Detailní a přesná data Složitá pro čtení Detailní vizualizace
Rovnoměrné int. Intuitivní legenda Citlivé na odlehlé hodnoty Normální rozložení
Standardní odch. Jasná průměrná odchylka Složitější legenda Normální i nerovnoměrná data
Kvantily Atraktivní vzhled Může být zavádějící Nerovnoměrná data
Přírodní zlomy Optimalizované kategorie Málo transparentní proces Nepravidelné rozložení

Videa