Hogyan mutatják be a Bubble Telek a legjobb városokat, amelyek élhetnek az Egyesült Államokban

Ebben a cikkben néhány érdekes tényt mutatok be az amerikai városokról, a buboréktervek értékéről annak eldöntésében, hogy melyik városban élnek, és hogyan lehet ezeket a parcellákat létrehozni.

2018-ban gondolkodik az ingatlanbefektetésről? Új városba költözik? E döntések megfontolásakor különféle tényezőket kell mérlegelnie, mint például a munkanélküliségi ráta, a lakásárak, a város mérete, a biztonság és így tovább. Még az összes adat és a négy megfelelő oszlopdiagram mellett is tudatlanul az asztalt bámulja. Megpróbálod megtalálni a legjobb jelölteket, de ezek a tényezők különböző történeteket mesélnek el ... Összetett problémanak tűnik.

Tehát van mód arra, hogy ezeket a tényezőket 1 diagramon ábrázoljuk, és ÖSSZE-ket hasonlítsuk össze? Igen, használhatunk egy buborékot!

Mi egy buborék-cselekmény?

A buborékdiagram olyan típusú diagram, amely az adatok kettőnél több dimenzióját jeleníti meg (a hagyományos szórási grafikonokkal összehasonlítva). Amellett, hogy egy pontot ábrázol egy X-Y síkra, a pont méretét, színét vagy alakját használja a további méretek megjelenítéséhez.

Az X tengelyhez a munkanélküliségi rátát, az Y tengelyt a ház mediánját, a pontok méretét pedig a városok lakosságát használjuk. Ez jó harmadik dimenziót eredményez. A szín véletlenszerűen van rendelve minden városhoz.

Az USA-ban a legjobb város él ... (várj rá)

Nyertes: Nashville!

Egyéb ajánlások: Austin, Omaha, Milwaukee, Dallas, Minneapolis, Denver és Aurora.

Alacsony munkanélküliségük (és ezért nagyobb esélyük van munkát találni), és alacsony házárak, mert a telek bal alsó sarkában vannak. Az mit jelent?

Ez azt jelenti, hogy ezen a telek alapján dönthet.

Például, ha fontosabbnak ítéli a munkanélküliségi rátát, és nem veszi figyelembe a magasabb lakásárakat, akkor Honolulu, Oakland, Boston és San Diego erős jelöltek

Mi lenne, ha egy másik tényezővé tenné a biztonságot?

Biztos. Tegyük hozzá a biztonságot mint negyedik tényezőt (a másik három tényező továbbra is az otthon ára, a munkanélküliségi ráta és a népesség). Ahelyett, hogy véletlenszerűen rendelne színt egy városnak, a bűncselekmények szín skáláját használjuk (bűncselekmények aránya 100 000 emberre). A piros több bűncselekményt, a kék kevesebbet jelent.

Megváltozik az eredmény?

Tette! Ha a biztonság nagyon fontos az Ön számára, akkor a Milwaukee nem olyan nagy választás az előző ajánlások között (annak ellenére, hogy a grafikon bal alsó részén található).

Most meglátja a buborékdiagram képességét: képes több tényezőt kimutatni egy 2-D diagramban. Ha csak ezekre a tényezőkre vonatkoznak oszlopdiagramok, nehéz neked azonosítani a városokat a tényezők ideális kombinációjával. A buborékterv alapvetően létrehozott egy „vizuális objektum funkciót” az Ön számára a többváltozós döntéshozatali probléma optimalizálására.

Hogyan változnak az idők során a munkanélküliségi ráta és a lakásárak?

Készíthetünk egy interaktív diagramot az idő mint dimenzió hozzáadásához (2013–2017), hogy megnézhessük, hogyan változnak a tényezők ezekben a városokban az idő múlásával.

A túl sok vizuális információ elkerülése érdekében nem használtam bűnözési adatokat, és a különböző színeket használtam néhány kiválasztott város ábrázolására.

A jó hír az, hogy szinte minden városban a munkanélküliségi ráta jelentősen csökkent (jobbról balra haladva). De a rossz hír az, hogy a lakásárak meglehetősen gyorsan emelkednek (különösen San Franciscóban, San Jose-ban, Los Angles-ben, New York-ban és Seattle-ben).

Szeretné maga elkészíteni a listákat? Itt van a kódok a buboréktervekhez és az R. mozgási táblázatom. Jó szórakozást a telkekkel játszva :)

###############
# Bubble Plot #
###############
Library (data.table)
Library (ggplot2)
Library (ggrepel)
bubble_data <-fread ("https://raw.githubusercontent.com/zhendata/Medium_Posts/c007346db1575aca391a6623c87bb5a31a60b365/bubble_plot_merged_city_data.csv", sep = ",")
bubble_plot <- ggplot (bubble_data,
               aes (x = munkanélküliségi ráta, y = otthoni ár / 1000)) +
geom_point (aes (méret = népesség, kitöltés = teljes_súly), alak = 21) +
# Hozzon létre "Buborékot" egy változó méretének hozzárendelésével #
scale_fill_continuous (alacsony = "# 33FFFF", magas = "# FF6699") +
skála_méret_terület (max_méret = 20) +
# Válassza ki a buborék színét és a buborék maximális méretét #
geom_text_repel (
          aes (címke = város), nudge_x = 0, nudge_y = 0,75, méret = 6) +
# A geom_text_repel használatával távolítsa el a címkéket egymástól #
theme_bw () +
# Használjon fehér hátteret az alapértelmezett szürke háttér helyett #
ggtitle ("Legjobb városok az USA-ban, ahol élni lehet") + laboratóriumok (x = "Munkanélküliségi ráta%", y = "otthoni ár",
       size = "Népesség", fill = "Crime") + téma (plot.title = element_text (méret = 25, hjust = 0,5)),
        tengely.title = elem_text (méret = 20, arc = "félkövér"),
        axis.text = element_text (méret = 15)) +
# Stíluscím és tengely #
scale_y_ Continuous (név = "Otthoni ár", szünetek = sorrendben (0, 1500, = 250),
                      címkék = c ("0", "250K", "500K", "750K", "1000k", "1250k", "1500K"))
# Tegye olvashatóbbá az y tengelyt, ha a tudományos számot "K" -re cseréli #
print (bubble_plot)
################
# Mozgásdiagram
################
Library (data.table)
Library (googleVis)
motion_data <-fread ("https://raw.githubusercontent.com/zhendata/Medium_Posts/c007346db1575aca391a6623c87bb5a31a60b365/motion_chart_merged_city_data.csv", sep = ",")
motion_chart <- gvisMotionChart (motion_data,
idvar = "város",
timevar = "év",
xvar = "Munkanélküliségi ráta",
yvar = "Otthoni ár",
sizevar = "népesség")
plot (motion_chart)
# R automatikusan megnyit egy fület a böngészőben az Ön számára
# A flash lejátszót engedélyezni kell a böngészőben
Kattintson a „⌽” ikonra a Flash engedélyezéséhez
########
# Data #
########
„””
Az általam használt adatkészletek a Zillow-tól (közepes méretű házak) származnak, az FBI UCR programjáról, a census.gov (népesség), a Munkaügyi Iroda (munkanélküliség).
Megtisztítottam és összekapcsoltam a cikkben szükséges formátumot, és a letöltéshez kattintson az alábbi linkekre.
„””
bubble_plot_merged_city_data.csv, motion_chart_merged_city_data.csv

Kövess engem, és adj nekem néhány tapsot, ha ez hasznosnak bizonyul!

Elolvashatja az adattudományról, az ingatlanügyekről és a döntéshozatalról szóló korábbi cikkeimet: