Biletomaty na mapie Warszawy – wizualizacja danych w Tableau

Po przygotowaniu danych ich wygląd w Tableau prezentuje się następująco:

Zwróć uwagę, że aplikacja od razu rozpoznała długość i szerokość geograficzną jako dane z informacją o lokalizacji (ikona globusa obok Longitude i Latitude).

Z tak przygotowanymi danymi możemy w kilku prostych ruchach zbudować mapę. Super-szybkie double-click na elementach Longitude i Latitude, następnie numer automatu umieszczamy w szczegółach widoku (karta Marks), a później dodajemy Set ‘Warszawa’ do filtrów.

Podstawowa mapa gotowa, ja jednak chciałbym dodać jej nieco lepszego wyglądu. W tym celu wykorzystałem warstwę mapy z zewnętrznego serwisu (MapBox), a następnie zmieniłem wygląd punktów na mapie z kropek na moim zdaniem ciekawsze elementy, podobne do tych, które znamy z map Google. Jeśli nie wiesz jak dodać takie elementy do Tableau polecam lekturę artykułu “Tips and Tricks w Tableau I” zobacz wpis >> Po tych operacjach oraz skonfigurowaniu tooltipa moja mapa wygląda tak jak na rysunku poniżej.

Na mapie samej Warszawy mamy prawie 640 automatów, co za tym idzie ciężko wybrać i znaleźć jakiś konkretny punkt w naszej okolicy. Dlatego też posługując się wykresem Treemap dodam możliwość wyboru konkretnej dzielnicy. Gotowy element wygląda tak jak na ilustracji poniżej.

Każdy prostokąt odnosi się do innej dzielnicy i zawiera informację o tym ile automatów się w niej znajduje. Taką miarę uzyskałem wykorzystując dane ‘Numer automatu’ jako miarę (Count). Tę informację dodałem również do sekcji koloru, dzięki temu najciemniejszy kolor mamy przy tej dzielnicy, gdzie znajduje się najwięcej urządzeń.

Kolejnym krokiem będzie złożenie dwóch wizualizacji w Dashboard oraz włączenie filtrowania mapy za pomocą stworzonego przed chwilą wykresu.

W takiej konfiguracji nasz dashboard będzie umożliwiał wybór i podgląd poszczególnych dzielnic, co będzie skutkowało przybliżaniem mapy do obszarów konkretnych dzielnic.

Wizualizację lokalizacji poza warszawą stworzyłem nieco inaczej. Również mamy mapę, jednak bez filtrowania według dzielnic. Ponieważ mamy dość duży rozrzut lokalizacji to tworzenie Treemapy wg miast ma mały sens, bo każdy punkt jest innym miastem, a co za tym idzie mielibyśmy bardzo rozdrobniony i nieczytelny wykres, taki jak na poniższym rysunku.

Dlatego w tym przypadku zdecydowałem się na zastosowanie filtra Hilighter bazującego na nazwie miasta, co pozwoliło opanować chaos i zapanować nad mapą w bardziej uporządkowany sposób.

Gotowy dashboard możecie zobaczyć na moim Tableau Public zobacz raport >> Jeżeli chcecie zobaczyć poprzedni wpis poświęcony przygotowaniu danych, to możecie zobaczyć go klikając w poniższy obrazek.