11 beste Open-Source-Datenvisualisierungs-Tools [Aktualisiert]

Aktualisiert am: 19. August 2019
In this post, Christopher Frye, a Datenwissenschaft consultant and Kolabtree freelancer, provides the top open-source data visualization tools that can help you easily visualize and interpret complex data.

Datenvisualisierungstools helfen dabei, die schnell wachsenden, riesigen und komplexen Daten, die wir jeden Moment erzeugen und sammeln, unterzubringen, zu bereinigen, zu verarbeiten und anzuzeigen. Visualisierung von Daten erleichtert Entscheidungsprozesse, die es Unternehmen ermöglichen, wettbewerbsfähig zu sein und sich schnell an veränderte Rahmenbedingungen anzupassen. Der ständig wachsende Fluss von Datenströmen in Echtzeit und nahezu in Echtzeit erfordert den Einsatz dynamischer Dashboards, was die Nachfrage nach hochentwickelten Tools, Plattformen und Anwendungen erhöht. Die effektivsten Visualisierungen kombinieren Datenbereinigung und Analysetechniken und erfordern oft einen kompetenten Datenwissenschaftler. Dennoch gibt es eine Reihe von Open-Source-Datenvisualisierungstools, die Unternehmen bei der einfachen Visualisierung ihrer Daten unterstützen können.

Open-Source-Datenvisualisierungstools

Forschung conducted for this post revealed more than 50 data visualization tools that can be considered “open source”. Open source can sometimes generate a bit of confusion as being synonymous with “free”. The grundlegendste Definition of open source in the context of software is “software with source code that anyone can inspect, modify, and enhance”. Open source data visualization tools require the user to have some programming ability, whereas free visualization tools may not necessarily need the user to have programming ability. Tableau Public is an example of a free data visualization software, however, it is not open source. I have tried to cover some Tableau alternatives in this post.

In diesem Beitrag werden sowohl kostenlose als auch Open-Source-Tools zur Datenvisualisierung vorgestellt, und es wird eine Vergleichsmatrix erstellt, mit der die einzelnen Tools verglichen werden können.

1. Candela

Candela ist ein Datenvisualisierungspaket, das über die Resonanz Plattform. Candela unterscheidet sich von anderen Tools durch die Bereitstellung einer vollständigen Suite von Datenvisualisierungskomponenten. Die Schulungsdokumentation ermöglicht Anfängern einen schnellen Einstieg, und der Code kann über JavaScript verwendet werden, PythonDie lokale Installation von Candela kann über die letzte öffentliche Version des Pakets in einem Repository erfolgen, obwohl die Dokumentation des Tools vorschlägt, das Paket aus dem Quellcode zu installieren, da dies die letzte Entwicklungsversion ermöglicht.

2. Gezeichnet

Charted ist vielleicht eines der einfachsten Tools zur Datenvisualisierung, da es lediglich einen Link zu einer .csv-Datei oder einem Google Sheets-Speicherort benötigt; klicken Sie auf GO und Charted erstellt eine visuelle Darstellung in Form eines Balken- oder Liniendiagramms. Laut den Entwicklern von Charted (erstellt von der Produktwissenschaftliches Team bei Medium), wurde das Tool nach drei Grundsätzen entwickelt: Es speichert keine Daten, wandelt keine Daten um und ist kein Formatierungswerkzeug. Es bezieht die Daten in einem regelmäßigen Rhythmus (Aktualisierung alle 30 Minuten), sodass Änderungen am zugrunde liegenden Blatt im Diagramm immer aktuell sind. Es unterstützt auch Tabulator-getrennte Dateien und Dropbox-Links. Schulung? Gibt es nicht, ist aber auch nicht erforderlich.

3. Datawrapper

Datawrapper ist ein Tool, das seit 2011 existiert und in erster Linie von Journalisten verwendet wird, obwohl es umfassend genug ist, um für jeden Datenwissenschaftler oder Forscher nützlich zu sein. Im Gegensatz zu den meisten der hier vorgestellten Tools gibt es von Datawrapper kostenlose und kostenpflichtige Versionen. Außerdem ist es technisch gesehen kein Open-Source-Tool, da keine Programmierkenntnisse erforderlich sind. Wie auf der Homepage der Website erklärt wird, genügt es, Daten auszuschneiden und einzufügen, zu visualisieren und zu veröffentlichen. Die Diagramme sind interaktiv, d. h. die Betrachter können die zugrunde liegenden Werte sehen, und die Visualisierungen können auch in eine Website eingebettet werden. Es gibt eine breite Palette von Diagrammoptionen, die von einfachen Balkendiagrammen bis hin zu Streudiagrammen reichen, sowie eine Mapping-Funktion.

In dieser Woche preisen wir in unserem Wochenchart #-Weltmeisterschaft Visualisierungen, bringen Symbole in Dotplots und verdreifachen unsere Daten für bessere Hover-Effekte: https://t.co/uZoRwM5R81 pic.twitter.com/RHOYSlAsKL

- Datawrapper (@Datawrapper) 5. Juli 2018

 

4. Flugblatt

Bei Leaflet dreht sich alles um Karten. Es hat zwar keine Kartenfunktionen, wirbt aber damit, die "führende Open-Source-JavaScript-Bibliothek für mobilfreundliche interaktive Karten" zu sein. Das Tool bietet eine Vielzahl von Kartenebenen und Interaktionsfunktionen wie Zoom-Steuerelemente und Mouseover-Funktionen. Außerdem gibt es Anpassungsmöglichkeiten wie Kartenprojektionen und einfache CSS3-Umgestaltung. Zusätzliche Funktionen können über Plug-ins bereitgestellt werden, und die Benutzer können für zusätzliche Plug-ins stimmen, wenn diese nicht verfügbar sind. Es gibt sowohl grundlegende Tutorials wie eine Schnellstartanleitung als auch fortgeschrittene Schulungen für die Plugin-Entwicklung. Auf die Installationsdateien kann über ein Repository (sowohl stabile als auch in Arbeit befindliche Versionen) sowie über den Quellcode zugegriffen werden.

5. RawGraphs

In mancher Hinsicht ähnlich wie Charted und Datawrapper ist RawGraphs, dessen Slogan die fehlende Verbindung zwischen Tabellenkalkulationen und Datenvisualisierungen, erfordert lediglich, dass der Benutzer entweder Daten ausschneidet/einfügt, hochlädt oder einen Link angibt, um eine große Vielfalt von Diagrammen zu erstellen. Eine Besonderheit von RawGraphs ist, dass eine Reihe von unkonventionellen Visualisierungsmodellen zur Verfügung stehen (z. B. Sunburst, Anschwemmungsdiagramme, Dendrogramme für hierarchisches Clustering usw.). Aber keine Angst, Neulinge - die üblichen Verdächtigen (Balken-, Linien-, Torten-, Streudiagramme) sind ebenfalls enthalten. Für fortgeschrittene Benutzer können auch neue Diagrammtypen erstellt werden. Visuelle Kreationen können als Vektor- oder Rasterbilder für die Anzeige auf Ihrer Website exportiert werden, und die Tutorials sind zwar nicht sehr umfangreich, können aber schnell abgeschlossen werden, so dass Sie sofort mit der Arbeit an Ihrem visuellen Meisterwerk beginnen können.

6. Chartist.js

Chartist.js ist eine weitere JavaScript-Bibliothek, die ihren Slogan wie folgt verkörpert Einfache responsive Diagramme. In der Tat. Hier gibt es keine Wasserfälle oder Boxplots, aber was Chartist.js an Vielfalt einbüßt, macht es durch Anpassungsmöglichkeiten mehr als wett. Style Sheets (CSS) können in diesem Tool in hohem Maße angepasst werden, wobei die Anpassung die Animation von Visualisierungen ermöglicht, von denen einige SVG verwenden. Was ist SVG? SVG ist skalierbare Vektorgrafikenein Format, das Interaktivität und Animation ermöglicht und skalierbar ist (ohne Qualitätsverlust bei der Auflösung). Chartist.js sieht SVG als eine zukunftsweisende Technologie, eine Vision, die offensichtlich von anderen geteilt. Es gibt einige Probleme mit der Browserkompatibilität, aber die Website bietet eine übersichtliche Tabelle mit Angaben zu kompatiblen Browsern.

7. D3.js

D3.js ist eine weitere JavaScript-Bibliothek, die Datenvisualisierungen mit Hilfe von html, svg und css entwickelt. D3 steht für Datengesteuerte Dokumentewobei das Dokument hier ein Document Object Model (DOM) ist. Die Kernidee hinter D3.js ist es, die volle Leistungsfähigkeit des modernen Browsers für die Entwicklung von Visualisierungen durch Webstandards zu nutzen, ohne sich an ein proprietäres Framework zu binden. In Bezug auf die Lernkurve ist dies das genaue Gegenteil von anderen Cut-and-Paste-Tools, so dass D3.js definitiv nichts für diejenigen ist, die den gefürchteten Code-Begriff vermeiden. Wenn Sie jedoch ein Tool suchen, das Ihnen nahezu unbegrenzte Möglichkeiten in Bezug auf Kreativität und Diagrammerstellung bietet, könnte D3.js genau das Richtige für Sie sein!

8. Plotly

Plotly's neue #Python Schnittstelle: schnelles Rendering großer Datenmengen, interaktive #Jupyter Notizbücher, Validierung... Das ist großartig! https://t.co/iRzERrUdQX von @jonmmease 👍 pic.twitter.com/VvnGdmgGEk

- Radim Řehůřek (@RadimRehurek) 6. Juli 2018

Plotly is another example of a tool that has both open-source and proprietary (paid) products, each tier containing its own functionality. Offerings can be grouped into two platforms (Plotly On-Premises and Plotly Cloud) with four primary business intelligence tools covering charting, dashboards, slide decks, and SQL client. The SQL client is free, while Plotly libraries are available as open-source through JavaScript, Python, and R. One of the oft-marketed features of Plotly (at least in the paid tools) includes the ability to collaborate and share data visualizations with other team members.

9. Polymaps

Ähnlich wie Leaflet, und wie der Name schon sagt, ist Polymaps ein Tool, das aus einer JavaScript-Bibliothek zur "Erstellung dynamischer, interaktiver Karten in modernen Webbrowsern" besteht. Polymaps ist ein weiteres Tool, das die SVG-Funktionalität nutzt, die Gestaltung durch CSS erleichtert und eine größere Interaktivität ermöglicht. Beispiele für Mapping-Visualisierungen sind allgemeine Straßenschichten, Chloroplethenkarten (z. B. zum Vergleich von Daten auf Staatsebene), Bevölkerungsdichte und sogar die Verwendung von k-means Clustering.

10. OpenHeatMaps

In der Kategorie Hochladen und Erstellen ist OpenHeatMaps ein recht einfaches Tool, mit dem der Benutzer entweder eine csv-Datei hochladen kann, excel, or Google Sheets file, and create a map instantly. OpenHeatMap can also be used by developers (as a JQuery plugin) to provide for mapping functionality within their own website. Users uploading a file for rendering are recommended to include a full street address in one field, with values represented in another field (for instance, housing value, sales price, number of employees, etc.). Geographies can be point-based (i.e. one address), or aggregates such as city, county, state, etc.

11. DyGraphs

Eines der Hauptmerkmale von DyGraphs ist die Fähigkeit, mit große Datensätze, Plotten von Millionen von Datenpunkten, ohne sich zu verzetteln. Eine weitere Funktion für diejenigen, die sich als Statistik-Nerds sehen, ist die Möglichkeit, Fehlerbalken und/oder Konfidenzintervalle anzuzeigen. Um diese zu verwenden, muss eine Standardabweichung in der Datendatei angegeben werden. Die Demonstrationen des Tutorials sind recht einfach, sollten aber dazu dienen, dass jemand recht schnell mit der Erstellung seiner eigenen Visualisierungen beginnen kann.

Vergleichsmatrix