Impara Migliori Pratiche per Visualizzazioni Chiare e Accessibili

Quando si creano visualizzazioni di dati, l'obiettivo è comunicare le informazioni nel modo più chiaro ed efficace possibile. Per raggiungere questo scopo, è necessario seguire alcune buone pratiche che favoriscono sia la chiarezza sia l'accessibilità. I principi fondamentali includono garantire un forte contrasto cromatico affinché i grafici siano leggibili da tutti, compresi coloro che hanno deficit nella percezione dei colori; utilizzare titoli descrittivi, etichette degli assi e legende per facilitare la comprensione di ogni elemento; e ridurre il disordine evitando griglie superflue, testo eccessivo o elementi sovrapposti. Etichettatura coerente e palette di colori accessibili contribuiscono a rendere i grafici sia visivamente gradevoli sia facilmente interpretabili da qualsiasi pubblico.


              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))

Il grafico sopra mostra diverse caratteristiche di accessibilità. La palette di colori è scelta dalla sequenza Safe di Plotly, progettata per essere distinguibile anche da utenti con deficit nella percezione dei colori. Ogni barra è chiaramente etichettata sia con la categoria sia con il valore, e le etichette testuali sono posizionate all'esterno delle barre per una lettura facilitata. Il grafico include un titolo descrittivo e titoli espliciti degli assi per garantire che gli utenti comprendano immediatamente ciò che viene visualizzato. La legenda utilizza gli stessi colori accessibili e presenta un titolo chiaro. Lo sfondo è impostato su bianco per massimizzare il contrasto e le dimensioni dei caratteri sono aumentate per una migliore leggibilità.

Applicare queste best practice a tutti i grafici Plotly garantirà che le tue visualizzazioni rimangano accessibili ed efficaci, indipendentemente dal pubblico. Ogni volta che personalizzi layout, colori o stili — come visto nei capitoli precedenti — scegli sempre palette adatte ai daltonici, fornisci etichette chiare e descrittive ed evita elementi superflui. Questi accorgimenti aiutano i dati a raccontare la loro storia in modo chiaro e inclusivo, rendendo le visualizzazioni strumenti preziosi per la comunicazione e il processo decisionale.

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 9

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Scorri per mostrare il menu


              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))

Tutto è chiaro?

Grazie per i tuoi commenti!

Sezione 1. Capitolo 9