3 Reasons You Should Avoid Pie Plots At All Costs – Towards AI

3 Reasons You Should Avoid Pie Plots At All Costs – Towards AI

Author(s): Filipe Filardi

Awalnya diterbitkan di Menuju AI.

3 Alasan Anda Harus Menghindari Pie Plot Dengan Segala Cara

Kasus melawan plot pai dan lihat alternatifnya

Prompt digunakan: Pie Plot | Dibuat oleh Penulis menggunakan Difusi Stabil

Pie Plot adalah pilihan populer untuk visualisasi data karena mudah dibuat dan dipahami. Namun, ada tiga alasan utama Anda harus menghindari penggunaan Pie Plots.

3. Mereka sulit dibaca secara akurat

Salah satu masalah utama dengan plot pai adalah sulitnya mata manusia untuk membandingkan ukuran irisan secara akurat. Ini karena sudut irisan bukanlah representasi yang baik dari proporsi yang ditampilkan.

Berikut adalah contoh Pie Plot di mana Anda tidak dapat memahami perbedaan antara kategori kecil secara visual:

Contoh Plot Pie yang sulit dibaca | Gambar oleh Penulis

Anda dapat mereproduksi plot dengan kode berikut:

impor matplotlib.pyplot sebagai plt

plt.angka(figsize=(8, 5))
plt.pai(
x=[350, 55, 50, 45, 40, 35],
label=[‘Category 1’, ‘Category 2’, ‘Category 3’, ‘Category 4’, ‘Category 5’, ‘Category 6’],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’, ‘#88CCEE’, ‘#882255’, ‘#AA4499’]
)

plt.tampilkan()

Ada yang bilang Donut Plots (Pie Plot dengan lubang di tengahnya) bisa lebih mudah dibaca karena penonton tidak perlu membandingkan sudut. Tapi paling-paling, itu akan membuat sedikit lebih mudah untuk segmen serupa. Anda masih tidak dapat membandingkan proporsi!

Contoh petak yang sama tapi dengan Petak Donat | Gambar oleh Penulis

Untuk membuat Plot Donat, Anda dapat menggunakan fungsi pie() dengan argumen wedgeprops tambahan:

impor matplotlib.pyplot sebagai plt

plt.angka(figsize=(8, 5))
plt.pai(
x=[350, 55, 50, 45, 40, 35],
label=[‘Category 1’, ‘Category 2’, ‘Category 3’, ‘Category 4’, ‘Category 5’, ‘Category 6’],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’, ‘#88CCEE’, ‘#882255’, ‘#AA4499’],
wedgeprops={‘lebar’: 0,4}
)

plt.tampilkan()

2. Mereka bisa menyesatkan

Masalah lain dengan plot pai adalah bahwa plot tersebut dapat dengan mudah dimanipulasi untuk memberikan kesan yang salah pada data. Bisakah Anda mengetahui kategori mana yang memiliki nilai terbesar di plot berikut?

3 Pie Plots dengan proporsi berbeda tapi tampilannya mirip | Gambar oleh Penulis

Jika Anda tidak dapat mengetahuinya dengan melihat, Anda dapat membayangkan bagaimana plot ini dapat digunakan untuk memanipulasi informasi, terutama jika plot tersebut diplot berdampingan, seperti pada contoh di atas.

Anda dapat memeriksa nilai untuk setiap plot dan mereproduksinya dengan kode berikut:

impor matplotlib.pyplot sebagai plt

ara, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 8))

ax1.pai(
x=[25, 30, 30],
label=[‘Category 1’, ‘Category 2’, ‘Category 3’],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax2.pie(
x=[25, 25, 30],
label=[‘Category 1’, ‘Category 2’, ‘Category 3’],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax3.pai(
x=[25, 30, 35],
label=[‘Category 1’, ‘Category 2’, ‘Category 3’],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax1.set_title(‘Plot Pai 1’)
ax2.set_title(‘Plot Pai 2’)
ax3.set_title(‘Plot Pai 3’)

plt.tampilkan()

1. Ada alternatif yang lebih baik

Anda memiliki seluruh galeri plot yang lebih mudah dibaca di disposisi Anda. Misalnya, Plot Batang dapat menunjukkan proporsi dan lebih mudah dibaca dan ditafsirkan daripada Plot Pai.

Contoh yang sama di bagian dua, tetapi menggunakan plot batang | Gambar oleh Penulis

Mereka memungkinkan pemirsa untuk dengan cepat membandingkan ukuran bilah, yang sebelumnya tidak mungkin dilakukan dengan Pie Plots.

Anda dapat mereproduksi plot batang dengan kode berikut:

impor matplotlib.pyplot sebagai plt

ara, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(15, 8))

ax1.bar(
x=[‘Category 1’, ‘Category 2’, ‘Category 3’],
tinggi =[25, 30, 30],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax2.bar(
x=[‘Category 1’, ‘Category 2’, ‘Category 3’],
tinggi =[25, 25, 30],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax3.bar(
x=[‘Category 1’, ‘Category 2’, ‘Category 3’],
tinggi =[25, 30, 35],
warna=[‘#DDCC77’, ‘#CC6677’, ‘#44AA99’]
)

ax1.set_title(‘Bar Plot 1’)
ax2.set_title(‘Bilah Plot 2’)
ax3.set_title(‘Bilah Plot 3’)

plt.tampilkan()

Mari kita hadapi itu. Sulit untuk menafsirkan Pie Plots!

Ketika ukuran segmen serupa, hampir tidak mungkin untuk menentukan mana yang terbesar. Ketika mereka tidak serupa, yang terbaik yang dapat Anda lakukan adalah menentukan bahwa yang satu lebih besar dari yang lain, tetapi tidak seberapa banyak.

Perlu disebutkan bahwa bagan Pai 3D bahkan lebih buruk! Mereka mendistorsi informasi Plot Pie 2D, membuat segmen secara visual tak tertandingi.

Saya harap artikel ini membantu Anda memahami mengapa kita harus berhati-hati saat membaca Pie Plots dan mengapa kita harus menghindari penggunaannya.

Jika Anda tertarik membaca artikel lain yang ditulis oleh saya. Lihat repo saya dengan semua artikel yang telah saya tulis sejauh ini, dipisahkan berdasarkan kategori.

Terima kasih sudah membaca

3 Alasan Anda Harus Menghindari Pie Plot Dengan Segala Cara awalnya diterbitkan di Menuju AI di Medium, di mana orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI

Author: Jonathan Kelly