Visualisations

Overview

Pour chaque colonne dans le jeu de données, vous verrez le minimum et maximum, ainsi que moyenne et médiane des données numériques, la répartition et le mode pour des données catégoriques, et une frise pour les dates.

Ce qu’elle peut découvrir : Vous pourrez d’un coup d’oeil estimer si vos données ont l’air complètes ou étranges, et choisir les prochaines étapes de votre analyse.

Aggregations

Analyse les sommes ou deltas cumulatifs. Affiche comment les valeurs s’accumulent en fonction du nombre de lignes ou d’une colonne sélectionnée, permettant d’identifier les tendances et les modèles de croissance dans vos données. Nécessite la sélection d’une colonne numérique pour X, éventuellement une colonne d’index pour X, et un mode (somme/delta).

Ce qu’elle peut découvrir : L’analyse cumulative révèle les tendances globales de croissance, identifie les périodes d’augmentation ou de diminution rapide, et permet de comprendre l’accumulation totale des valeurs au fil du temps ou selon une autre dimension.

Covariance

Analyse les relations de covariance entre toutes les colonnes numériques de votre jeu de données. Utilise des matrices codées par couleur pour visualiser quelles variables évoluent ensemble, révélant les corrélations dans vos données multivariées.

Ce qu’elle peut découvrir : L’analyse de la covariance révèle quelles variables sont corrélées positivement ou négativement, permet d’identifier celles qui tendent à augmenter ou diminuer ensemble, et met en évidence les relations causales potentielles méritant une investigation plus approfondie.

Distribution gaussienne

Ajuste des distributions gaussiennes (normales) à vos données et affiche la fonction de densité de probabilité. Affiche les paramètres de moyenne (μ) et d’écart-type (σ), vous aidant à comprendre si vos données suivent un modèle de distribution normale. Nécessite la sélection d’une ou deux colonnes (X, ou X et Y) et prend en charge la normalisation.

Ce qu’elle peut découvrir : L’analyse de la distribution gaussienne révèle si vos données suivent un schéma en cloche, identifie les valeurs atypiques qui s’écartent nettement de la norme, et permet de déterminer si les méthodes statistiques supposant la normalité sont appropriées pour votre jeu de données.

Régression polynomiale

Analyse avec régression polynomiale avec un degré configurable (1 à 6). Affiche les courbes ajustées qui capturent les relations non linéaires entre les variables, accompagnées d’équations mathématiques et d’analyses des résidus. Nécessite la sélection d’une colonne X, d’une colonne Y et d’un degré (1-6).

Ce qu’elle peut découvrir : La régression polynomiale révèle les relations non linéaires dans vos données, identifie les degrés appropriés pour modéliser les relations, et permet de prédire les valeurs futures à partir des tendances observées.

Estimation de densité

Génère des fonctions de densité lisses grâce à l’estimation par noyau gaussien. Permet de visualiser la forme sous-jacente de la distribution de vos données sans les artefacts liés au regroupement en classes présents dans les histogrammes. Nécessite la sélection d’une colonne numérique et de la largeur de la classe.

Ce qu’elle peut découvrir : L’estimation de densité révèle la structure de la distribution sous-jacente, identifie les modes multiples ou les clusters dans les données, et permet de comprendre la probabilité d’occurrence des différentes valeurs dans votre jeu de données.

Rose des temps

Visualise les séries chronologiques sur une échelle temporelle radiale circulaire. Mappe les dates le long d’un chemin circulaire avec les intensités de valeur en tant qu’épines sortantes, rendant immédiatement visibles les motifs saisonniers et comportement cyclique. Nécessite la sélection d’une colonne date pour X et d’une colonne numérique pour Y.

Ce qu’il peut découvrir : La rose des temps révèle les motifs saisonniers, le comportement cyclique et les tendances périodiques qui pourraient être occultées dans les graphiques linéaires classiques, facilitant l’identification des motifs récurrents sur plusieurs semaines, mois ou années.

Analyse chronologique

Analyse les motifs temporels dans vos données à l’aide de diagrammes en bougies. Prend en charge plusieurs granularités (par heure, jour, semaine, mois) pour révéler les tendances, les motifs saisonniers et les anomalies au fil des périodes. Nécessite la sélection d’une colonne date pour X, d’une colonne numérique pour Y et le paramètre de granularité.

Ce qu’elle peut découvrir : L’analyse temporelle révèle les tendances temporelles, identifie les périodes anormales avec des pics ou des baisses inhabituelles, et permet de comprendre comment les valeurs évoluent au fil du temps selon différentes granularités.

Groupements

Analyse le clustering k-moyennes sur des données à deux dimensions. Regroupe les points de données en clusters selon leur similarité, affiche les centroïdes de cluster avec leurs nombres de points de données. Nécessite la sélection de colonnes X et Y ainsi que du nombre de clusters.

Ce qu’elle peut découvrir : Le clustering révèle les regroupements naturels dans vos données, identifie des catégories ou des segments sans avoir besoin d’étiquettes préalables, et permet de comprendre quels points de données partagent des caractéristiques similaires sur plusieurs dimensions.