Lernen Best Practices für Klare und Barrierefreie Visualisierungen

Beim Erstellen von Datenvisualisierungen besteht das Ziel darin, Informationen so klar und effektiv wie möglich zu vermitteln. Um dies zu erreichen, sollten verschiedene bewährte Methoden berücksichtigt werden, die sowohl Klarheit als auch Zugänglichkeit fördern. Zentrale Prinzipien umfassen einen starken Farbkontrast, damit Diagramme für alle, einschließlich Personen mit Farbsehschwächen, lesbar sind; die Verwendung von beschreibenden Titeln, Achsenbeschriftungen und Legenden, damit Betrachter verstehen, was jedes Element darstellt; sowie die Reduzierung von Unübersichtlichkeit durch das Vermeiden unnötiger Gitterlinien, übermäßigen Texts oder sich überlappender Elemente. Konsistente Beschriftungen und der Einsatz zugänglicher Farbpaletten sorgen dafür, dass Diagramme sowohl optisch ansprechend als auch für alle Zielgruppen leicht interpretierbar sind.


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

Das obige Diagramm zeigt verschiedene Merkmale der Barrierefreiheit. Die Farbpalette stammt aus Plotlys Safe-Sequenz, die so gestaltet ist, dass sie auch für Personen mit Farbsehschwächen unterscheidbar bleibt. Jeder Balken ist sowohl mit der Kategorie als auch mit dem Wert klar beschriftet, wobei die Textbeschriftungen außerhalb der Balken platziert sind, um die Lesbarkeit zu erhöhen. Das Diagramm enthält einen beschreibenden Titel sowie explizite Achsentitel, sodass Betrachter sofort erkennen, was dargestellt wird. Die Legende verwendet dieselben zugänglichen Farben und verfügt über einen klaren Titel. Der Hintergrund ist weiß gesetzt, um maximalen Kontrast zu gewährleisten, und die Schriftgröße wurde für bessere Lesbarkeit erhöht.

Die Anwendung dieser Best Practices auf alle Ihre Plotly-Diagramme stellt sicher, dass Ihre Visualisierungen unabhängig vom Publikum zugänglich und wirkungsvoll bleiben. Wann immer Sie Layouts, Farben oder Stile anpassen – wie in früheren Kapiteln – sollten Sie stets farbenblinde-freundliche Paletten wählen, klare und beschreibende Beschriftungen bereitstellen und unnötige Unordnung vermeiden. Diese Maßnahmen helfen dabei, dass Ihre Daten ihre Geschichte klar und inklusiv erzählen, wodurch Ihre Visualisierungen wertvolle Werkzeuge für Kommunikation und Entscheidungsfindung werden.

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 9

Fragen Sie AI

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Swipe um das Menü anzuzeigen


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

War alles klar?

Danke für Ihr Feedback!

Abschnitt 1. Kapitel 9