Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

cours_4.pdf

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Prochain SlideShare
Cours cartes conceptuelles
Cours cartes conceptuelles
Chargement dans…3
×

Consultez-les par la suite

1 sur 68 Publicité

Plus De Contenu Connexe

Similaire à cours_4.pdf (20)

Publicité

cours_4.pdf

  1. 1. Rappels et fin du cours passé : Power Bi Éléments théoriques sur la perception visuelle - Principe de distinction - Principe de regroupement (Gestalt) TP1 : - Des questions ? Quelques types de visualisations… importantes - Sparklines… E. Tufte - Small multiples (faceted) - Bullet graphs S. Few
  2. 2. Mise en contexte Outils Power Bi et Tableau Principes des base Bonnes pratiques Approche données Conception des maquettes pour les rapports Indicateurs de gestion pour le tableaux de bords Identifications des besoins d’affaires Choix de solutions techniques Projet de science de données Extension Power Bi avec R ou Python Power Bi M – Power Query Éléments d’architecture Mise en route Approches professionnelles Exploration des données Aspects techniques Power Bi DAX
  3. 3. Processus de création d’un tableau de bord Power BI Capture de données Profilage, Nettoyage et Transfo Modélisation des données Visualisations
  4. 4. • Power BI est une maison avec un étage et un sous- sol. – Le sous-sol est l’endroit où on prépare les données – L’étage est l’endroit où on visualise les données – Apprentissage 1 : où se trouve l’ascenseur pour monter/descendre ? Demandez à l’Accueil  Éditeur de requêtes Modélisation, Visualisation, Publication DAX M, Power Query
  5. 5. Les données : capture, préparation puis visualisation - Capture et Manipulations de données - Modélisation de données - Créer quelques visualisations de base - Paramètres - Langage DAX, une première mesure - Mesure ou colonne calculée : le grand dilemme - Filtres interactifs entre visualisations. - Filtres page, Segments, multi-visuels… - Ajouter des visualisations - Tierces - Pré-version - Les 3 mousquetaires : - Sparklines… E. Tufte – courbes de tendances - Small multiples (faceted) - treillis - Bullet graphs S. Few – graphs à puces - Et… - Formatage conditionnel - Visualisation de type carte - Creuser dans les données - Visualisation de type Matrice - Drill – Inter-rapport - … - Quelques généralités - Panneaux de droite - Visualisation : champ, format, analyse - Formatage des nombres - Agrégation par défaut - Publier sur le Web et partager
  6. 6. Paramètre pour le niveau au lieu d’un niveau fixe DAX : mesure pour aller chercher la moyenne versus valeur du paramètre
  7. 7. En analyse de données, on sépare les données en mesures et dimensions (attributs, champs). Les dimensions catégorisent les données, les mesures évaluent des valeurs calculées. En Power BI, on introduit la notion de mesure DAX (on oublie souvent le mot DAX) pour une formule (formule mathématique comme la somme) qui est « portable » : une fois créée, elle ne dépend pas d’une table ou d’une feuille spécifique, elle peut être utilisée dans plusieurs TCD différents.
  8. 8. Remarquez le sens des flèches
  9. 9. Si on veut désactiver la détection automatique des liens entre données : Fichier – Options et paramètres - Options
  10. 10. Flexibilité croissante DAX: l’ultime flexibilité
  11. 11. 16
  12. 12. Astuce : Créer une table manuelle « dummy » afin d’y regrouper les mesures Créer une mesure Nombre total = CALCULATE(countx(ref_usagers,ref_usagers[Etudiant_ID]),all(ref_usagers)) Comparer la mesure à - Nombre d’étudiants ID provenant de la table de référence - Nombre d’étudiants ID provenant de la table de faits - Et valider le comportement par rapport aux filtres… - C’est simple, … mais ce n’est pas facile
  13. 13. https://bit.ly/cheatsheetpbi
  14. 14. L’attention : séparer distinguer rapidement/facilement les éléments versus l’environnement comment notre vision perçoit, préfère, se laisse influencer et attirer comment utiliser cette attention Principes de Gestalt : regrouper relier rapidement/facilement les éléments pour qu’ils fassent du sens comment notre vision regroupe-t-elle les informations, comment influencer le regroupements souhaités
  15. 15. La vision Selon Colin Ware, auteur du livre Information visualization Nous absorbons plus d’information par la vision que par tous nos autres sens réunis 70% de nos récepteurs de sens sont sur la rétine de nos yeux. Même que souvent, pour indiquer que nous avons compris, nous disons «Je vois! » Stephen Few, dans son livre Show me the numbers dit aussi Il y a un lien fort entre la vision, la pensée et la compréhension Les « limites » de notre vision, les « pièges » efficaces à l’attraper doivent être connus https://www.larousse.fr/encyclopedie/medical/vision/16963
  16. 16. Combien y-a-t ’il de 5 dans cette liste de chiffres plus bas :
  17. 17. Nombre de chiffres 5 6
  18. 18. Nombre de chiffres 5 6
  19. 19. https://ingeniumcanada.org/fr/scitech/educatif/mets-a-lessai/trouve-tes-taches-aveugles
  20. 20. Tache a Fermez l’oeil droit et fixez le + tout en rapprochant lentement votre visage de l’écran. Que se passe-t-il Tache aveugle ou tache de Mariotte
  21. 21. Les couleurs : le contraste, le contexte Même si on peut bien vivre sans voir toutes les couleurs, lorsqu’on parle de visualisation, ça devient très important Contraste
  22. 22. La couleur : système HSL ou TSV : Hue, Saturation/Intensity, Lightness/Brightness Teinte (longueur d’onde) – Saturation (pureté colorimétrique) – Luminosité (luminance) Le « H » pour Hue (teinte) représente la couleur. Le « S » pour saturation correspond à la pureté de la couleur (l’absence de gris/blanc - vide en pourcentage). Le « L » est la luminosité. Elle sert à quantifier la lumière dans la teinte (l’intensité de blanc en pourcentage). https://fr.wikipedia.org/wiki/Teinte_saturation_lumi%C3%A8re https://www.24joursdeweb.fr/2018/hsl-le-systeme-de-couleur-parfait-pour-le-web- design/#:~:text=Repr%C3%A9sentation%20visuelle%20de%20ce%20qu,si%20vous%20%C3%AAtes%20un%20hamster).
  23. 23. La couleur : système HSL ou TSV : Hue, Saturation, Lightness/Brightness Teinte (longueur d’onde) – Saturation (pureté colorimétrique) – Luminosité (luminance) La luminosité, ou “brillance”, spécifie la distance à laquelle la couleur se trouve du blanc et du noir. Un niveau de luminosité de 50% signifie que la couleur est en équilibre parfait entre le clair et le sombre, et demeure inchangée le degré de saturation dépend de la distance à laquelle on se trouve du gris. https://la-cascade.io/utiliser-hsl-pour-vos-couleurs/
  24. 24. Les couleurs : daltonisme, … http://www.declic.ph/depistage.asp?iddepistage=21 Test d’Ishihara Environ 8% des hommes et 1% des femmes au Québec Quel type de daltonien êtes vous https://quebec.huffingtonpost.ca/2013/09/07/quel-type-de-daltonien-etes-vous- faites-le-test_n_3887382.html Simulateur : comment certains peuvent percevoir les couleurs https://www.color-blindness.com/coblis-color-blindness-simulator/
  25. 25. https://okviz.com/blog/color-blindness/ -- daltonisme https://okviz.com/color-helper/
  26. 26. https://www.perceptualedge.com/articles/ie/visual_percep tion.pdf Attributs de traitement précoce Comment distinguer les objets rapidement/facilement de leur décor Lecture conseillée : Irvin Cook – Inattention blindness Mouvement Type Attribut Perçu quantitativement Forme Orientation Non Longueur Oui Épaisseur Limité Taille Limité Forme Non Cadre Non Couleur Teinte Non Intensité Limité Position 2-D Oui 3-D Limité
  27. 27. Le contexte est important, les illusions d’optique sont nombreuses Illusion de Müller-Lyer https://sites.google.com/site/tpe44lesillusionsoptiques/home
  28. 28. Les longueurs et les surfaces, l’humain n’a pas la même capacité à comparer des longueurs que comparer des aires Il n’est pas aussi facile de percevoir la distinction de valeur entre des surfaces qu’avec des longueurs ou des positionnements
  29. 29. Couleurs Rouge : Ça va mal Jaune : Attention Vert : Tout va bien Le futur vers la droite Carte géographique L’eau est bleue Le positionnement des continents et des océans Les points cardinaux (Nord en haut, etc…) Traitement précoce de l’information lié à l’éducation (habitudes)
  30. 30. Principe de connexion :
  31. 31. ventes lundi mardi mercredi jeudi Semaine 1 Semaine 2 1000$ 2000$ Continuité et Connexion… repérer les !
  32. 32. https://www.gamasutra.com/blogs/Si taVriend/20170828/304420/Game_ design_and_Gestalt_laws.php 1.Proximité 2.Similarité 3.Encadrement 4.Clôture 5.Continuité 6.Connexion
  33. 33. Quel principe s’applique dans l’image suivante ?
  34. 34. Quel principe s’applique dans l’image suivante ?
  35. 35. Quel principe s’applique dans l’image suivante ?
  36. 36. Quel principe s’applique dans l’image suivante ?
  37. 37. Quel principe s’applique dans l’image suivante ?
  38. 38. Quel principe s’applique dans l’image suivante ?
  39. 39. Identifier dans le tableau de bord ci- contre, les principes suivants : 1.Proximité 2.Similarité 3.Encadrement 4.Clôture 5.Continuité 6.Connexion
  40. 40. Sparklines : « lignes de tendance » E Tufte
  41. 41. Small multiples (A trellis chart or grid of small charts) : treillis ou petits multiples - en R : ggplot2 – faceting https://www.sharpsightlabs.com/blog/small-multiples-ggplot/ - En Power Bi, c’est disponible en préversion depuis décembre 2020 - Fichiers – Options - Fonctionnalités en préversion – Petits multiples Maintenant c’est intégré !
  42. 42. Bullet charts: / Bullet graph Stephen Few
  43. 43. EDA : Exploratory Data Analysis Statistiques descriptives… !pip install pandas==1.2.1 !pip install pandas-profiling==2.7.1 https://colab.research.google.com/ Besoin d’un compte gmail/google (gratuit) Pas besoin d’installer python sur sa machine. Restart Runtime après la première exécution (installations) Puis mettre en commentaire les deux premières lignes (les install) en les précédant d’un #
  44. 44. EDA : Exploratory Data Analysis Statistiques descriptives… import pandas as pd import pandas_profiling as pp data = pd.read_csv("/content/salaries.csv") print(data) eda = pp.ProfileReport(data) eda.to_file(output_file="/content/final.html") https://colab.research.google.com/ Besoin d’un compte gmail/google (gratuit) Pas besoin d’installer python sur sa machine.
  45. 45. https://www.annales2maths.com/2nd-exercices-corriges-probabilites-totales/
  46. 46. https://www.annales2maths.com/2nd-exercices-corriges-probabilites-totales/

×