DataViz

DataViz

ข่าวและบทความที่เกี่ยวข้อง

All DataViz

PostType Filter En

บทความ

การใช้เครื่องมือนำเสนอข้อมูล Python Visual บน Power BI Desktop
Power BI เป็นซอฟต์แวร์ของบริษัท Microsoft สำหรับใช้เป็นเครื่องมือในการจัดการและวิเคราะห์ข้อมูล โดยสามารถนำเสนอข้อมูล (Data Visualization) ได้ในรูปแบบของ Dashboard ในบทความนี้เราจะนำเสนอการใช้ซอฟต์แวร์ที่ชื่อ Power BI Desktop ซึ่งเป็นซอฟต์แวร์ในกลุ่มผลิตภัณฑ์ของ Power BI เป็นตัวอย่างในการอธิบายโดยใช้เครื่องมือนำเสนอข้อมูล (Visual Tool) ชื่อว่า Python Visual ซึ่งเป็น Visual ที่เกิดจากการสร้างชุดคำสั่ง (Script) ด้วยภาษาคอมพิวเตอร์ชื่อ Python รวมถึงการอธิบายสิ่งที่ผู้ใช้ควรรู้ก่อนการนำเครื่องมือตัวนี้ไปใช้ ในบทความฉบับนี้จะไม่ได้กล่าวถึงความรู้พื้นฐานในการสร้างชุดคำสั่งด้วยภาษา Python และการใช้งานเบื้องต้นของ Power BI Desktop ซึ่งผู้อ่านสามารถเรียนรู้เกี่ยวกับพื้นฐานเหล่านี้เพิ่มเติมได้ด้วยตนเอง ทั้งจากเอกสารอ้างอิงของบทความนี้และบทความอื่น ๆ ที่เกี่ยวข้อง ก่อนที่เราจะไปอธิบายการใช้เครื่องมือตัวนี้ ผู้เขียนขออธิบายก่อนว่าการใช้ชุดคำสั่งภาษา Python ใน Power BI Desktop สามารถทำได้หลักๆ 2 วิธี คือ โดยการใช้ชุดคำสั่งภาษา Python ทั้ง 2 วิธีนี้ ผู้ใช้งานจำเป็นต้องติดตั้ง Python และชุดคำสั่งสำเร็จรูป (Library) ที่เกี่ยวข้องบนเครื่องคอมพิวเตอร์ของตนเองก่อนที่จะนำชุดคำสั่งภาษา Python ไปใช้งานใน Power BI Desktop ขั้นตอนการใช้งาน Python Visual สิ่งที่ควรรู้ก่อนการใช้งานเครื่องมือ Python Visual         ถึงในจุดนี้ผู้อ่านคงจะเห็นแล้วว่าเครื่องมือ Python Visual เป็นเครื่องมือในซอฟต์แวร์ Power BI Desktop ที่มีประสิทธิภาพสูงและสามารถใช้งานได้โดยง่ายๆด้วยการเขียนชุดคำสั่งด้วยภาษา Python อย่างไรก็ดีผู้เขียนอยากอธิบายให้ผู้อ่านเข้าใจว่าตัวเครื่องมือดี ๆ เช่นนี้ ก็ยังมีข้อจำกัดบางอย่างที่ควรรู้ก่อนการนำไปใช้งาน เพื่อประโยชน์สูงสุดของตัวผู้ใช้เอง ซึ่งข้อจำกัดทั้งหมด ผู้ใช้สามารถศึกษาเพิ่มเติมได้จากบทความชื่อ สร้างวิชวล Power BI ด้วย Python โดยในบทความนี้ผู้เขียนจะขอสรุปแค่ส่วนสำคัญจากข้อจำกัดทั้งหมดที่ผู้ใช้ควรรู้ก่อนการนำเครื่องมือตัวนี้ไปใช้ ดังต่อไปนี้ ที่กล่าวมาทั้งหมด เป็นเพียงตัวอย่างส่วนหนึ่งของการใช้งานเครื่องมือ Python Visual บนซอฟต์แวร์ Power BI Desktop ผู้ใช้ยังสามารถสร้างการแสดงผลด้วยชุดคำสั่งอื่นๆในภาษา Python ด้วยเครื่องมือนี้ อย่างไรก็ดีผู้เขียนคิดว่าข้อควรรู้ก่อนการใช้งานเครื่องมือนี้ถือเป็นสิ่งที่สำคัญที่สุด เพราะหากผู้ใช้ไม่ศึกษาข้อจำกัดเหล่านี้ให้เข้าใจก่อนการใช้งาน ผู้ใช้มีความเสี่ยงที่จะพบปัญหาระหว่างการทำงานด้วยเครื่องมือ Python Visual ในภายหลังและอาจไม่สามารถแก้ไขปัญหานั้นได้โดยง่าย ซึ่งผู้เขียนหวังว่าบทความนี้จะเป็นประโยชน์ต่อ Data Scientist และ ผู้ใช้งาน Power BI Desktop ไม่มากก็น้อย บทความโดย ปฏิภาณ แสงเดือนตรวจทานและปรับปรุงโดย ปริสุทธิ์ จิตต์ภักดี เอกสารอ้างอิง
24 April 2024

บทความ

ทำความรู้จักแผนภูมิปฏิทินความร้อน Calendar Heatmaps
กลับมาอีกครั้งกับบทความเกี่ยวกับ Data Visualization ซึ่งในครั้งนี้จะเป็นการนำเสนอการประยุกต์ใช้งานแผนภูมิความร้อนกับข้อมูลอนุกรมเวลาให้ออกมาเป็นรูปแบบแผนภูมิความร้อนชนิดหนึ่งที่เรียกว่า แผนภูมิปฏิทินความร้อน (Calendar Heatmaps) ก่อนอื่น ๆ เลย เรามาทำความรู้จักเบื้องต้นเกี่ยวกับแผนภูมิความร้อน (Heatmaps) กัน กำเนิดแผนภูมิความร้อน ตัวอย่างสำคัญที่มีการใช้แผนภูมิความร้อนนี้ถูกทำขึ้นโดย Toussaint Loua ในปี 1873 เพื่อติดตามค่าสถิติทางสังคม เช่น เชื้อชาติ ต้นกำเนิด อายุ ในปารีส ทั้งนี้ในแผนภูมิความร้อนนี้ประกอบไปด้วยเขตพื้นที่รายแถวของปารีสเทียบกับค่าสถิติทางสังคมกว่า 30 ค่า โดยใช้สีทั้งหมด 4 สี คือ สีขาว สีน้ำเงิน สีเหลือง และ สีแดง ในการบ่งบอกถึงค่าต่าง ๆ แทนตัวเลข ตัวอย่างสำคัญที่มีการใช้แผนภูมิความร้อนนี้ถูกทำขึ้นโดย Toussaint Loua[NP1] [AC2]  ในปี 1873 เพื่อติดตามค่าสถิติทางสังคม เช่น เชื้อชาติ ต้นกำเนิด อายุ ในปารีส ทั้งนี้ในแผนภูมิความร้อนนี้ประกอบไปด้วยเขตพื้นที่รายแถวของปารีสเทียบกับค่าสถิติทางสังคมกว่า 30 ค่า โดยใช้สีทั้งหมด 4 สี คือ สีขาว สีน้ำเงิน สีเหลือง และ สีแดง ในการบ่งบอกถึงค่าต่าง ๆ แทนตัวเลข ทำให้ผู้คนเริ่มนำเทคนิคของ Loua ไปใช้ในเป็นส่วนประกอบของการแสดงแผนภูมิแบบตารางมากขึ้นอย่างแพร่หลายในช่วงปีคริสต์ศักราชที่ 19 จนถึงปัจจุบัน ประเภทของแผนภูมิความร้อน เมื่อแผนภูมิความร้อน (Heatmaps) หรือแผนภูมิอุณหภูมิ ถูกใช้งานมากขึ้น จึงมีรูปแบบที่ถูกพัฒนาขึ้นอย่างต่อเนื่อง ซึ่งแบ่งออกเป็นหลัก ๆ ทั้งหมด 2 ชนิด ได้แก่ แผนภูมิความร้อนกับข้อมูลเชิงอนุกรมเวลา จากที่ผู้เขียนได้เกริ่นไว้ข้างต้นที่จะมีการประยุกต์ใช้ข้อมูลเชิงอนุกรมเวลากับแผนภูมิความร้อนเข้าด้วยกัน ซึ่งโดยส่วนใหญ่การแสดงแผนภาพข้อมูลอนุกรมเวลา (Time-Series Data) จะมาในรูปแบบของกราฟเส้น อาทิเช่น กราฟเส้นแสดงข้อมูลการขายในช่วง 30 ปี กราฟเส้นแสดงข้อมูลยอดผู้เข้าชมวีดีโอ หรือกราฟหลากเส้นแสดงยอดขายตามปีเปรียบเทียบกับเดือน ซึ่งกราฟเส้นนี้นอกจากจะแสดงข้อมูลและเปรียบเทียบข้อมูล ยังแสดงถึงแนวโน้มในอนาคตหรือความสม่ำเสมอที่เกิดขึ้นในช่วงเวลาต่าง ๆ อย่างไรก็ตามการแสดงข้อมูลในเชิงอนุกรมเวลา อาจจะมีอุปสรรคในเชิงของความละเอียดของเวลา การจัดทำกราฟเส้นอาจไม่ตอบโจทย์หรือยากในการสังเกตและวิเคราะห์แนวโน้มเมื่อลงลึกถึงข้อมูลรายวัน ดังนั้นผู้เขียนจึงอยากจะให้ทุกท่านได้รู้จักกับ “แผนภูมิปฏิทินความร้อน” แผนภูมิปฏิทินความร้อน การเลือกใช้แผนภูมิปฏิทินความร้อนเพื่อนำเสนอข้อมูลจำเป็นต้องคำนึงถึงสิ่งที่อยากจะนำเสนอ หากเราต้องการนำเสนอข้อมูลอนุกรมเชิงเวลาในลักษณะรายวัน การใช้แผนภูมิปฏิทินความร้อนมาประยุกต์จึงเป็นอีกวิธีที่สามารถนำไปใช้งาน อาทิเช่น การแสดงการมีส่วนร่วมในโปรเจคบนเว็บไซต์ GitHub (ภาพที่ 4 บน) ว่ามีการทำงานหรือสนับสนุนมากน้อยเพียงใด หรือ การแสดงจำนวนอุบัติเหตุตามช่วงเวลาในแต่ละวันของสัปดาห์ (ภาพที่ 4 ล่าง) จะเห็นได้ว่าการแสดงข้อมูลแบบประยุกต์แผนภูมิความร้อนเข้าด้วยกันกับข้อมูลอนุกรมเวลา ก็ยังสามารถสังเกตและวิเคราะห์แนวโน้มของข้อมูลที่แสดงบนกราฟได้อีกด้วย ทั้งนี้ผู้เขียนจึงขอยกตัวอย่างการประยุกต์ข้อมูลอนุกรมเวลาเข้ากับแผนภูมิความร้อน โดยจะแสดงเป็นแผนภูมิปฏิทินความร้อน ซึ่งข้อมูลที่ผู้เขียนเลือกนำมาใช้คือข้อมูล PM2.5 ในปี 2022 ทุกจุดตรวจจากเว็บไซต์ Air4Thai กรมควบคุมมลพิษ ซึ่งทางผู้เขียนได้มีการจัดการข้อมูลให้สะดวกต่อการจัดทำแผนภูมิข้อมูลในรูปแบบปฏิทิน จากข้อมูลที่ผู้เขียนนำมาใช้แสดงในแผนภูมิปฏิทินนี้ สามารถสังเกตได้ว่าในช่วงเดือนพฤษภาคมจนถึงกลางเดือนตุลาคมมีปริมาณค่าฝุ่น PM2.5 ที่ค่อนข้างน้อยเมื่อเทียบกับเดือนอื่นๆ ซึ่งในช่วงต้นปีที่มีการเปลี่ยนฤดูเป็นฤดูหนาว เช่น เดือนมกราคมและเดือนกุมภาพันธ์จะมีค่า PM2.5 ที่ค่อนข้างสูง และในส่วนท้ายปีเดือนพฤศจิกายนและเดือนธันวาคมเริ่มมีแนวโน้มการเพิ่มขึ้นของปริมาณฝุ่น PM2.5 ซึ่งมีความน่าจะเป็นที่จะลามไปถึงเดือนมกราคมและเดือนกุมภาพันธ์ในปี 2023 ข้อควรระวังในการใช้งานแผนภูมิปฏิทินความร้อน อย่างไรก็ตามการจัดทำแผนภูมิความร้อนก็ยังมีข้อเสียในบางครั้ง การใช้แผนภูมิความร้อนที่ค่าของข้อมูลเป็นการไล่ระดับสีแทนค่าของช่วงข้อมูลอาจทำให้บางจุดยากต่อการเปรียบเทียบ สำหรับข้อมูลที่มีค่าใกล้เคียงกันการมองด้วยสายตาอาจไม่สามารถพบเจอความแตกต่างได้ ดังนั้นการจัดทำช่วงค่าข้อมูลจึงเป็นทางเลือกอีกทางหนึ่งสำหรับการใช้แผนภูมิความร้อน หรือการเลือกเฉดสีที่ต่างกันมาก ๆ เช่น น้ำเงินกับแดง เหลืองกับม่วง เป็นต้น โดยผู้เขียนก็อยากจะแนะนำเครื่องมือหนึ่งในการเลือกใช้สีแบบต่าง ๆ เครื่องมือนั้นก็คือ Colorbrewer ในบทความนี้ เราได้ทำการสำรวจโลกของ ‘แผนภูมิปฏิทินความร้อน’ หรือ ‘Calendar Heatmaps’ อย่างละเอียด ตั้งแต่ประวัติของมัน การประยุกต์ใช้ จะเห็นได้ว่าแผนภูมิความร้อนไม่เพียงแต่เป็นเครื่องมือที่มีประสิทธิภาพในการสื่อสารข้อมูล แต่ยังสามารถเปิดเผยแนวโน้มและรูปแบบที่ไม่คาดคิดได้อีกด้วย ความสามารถในการวิเคราะห์และนำเสนอข้อมูลเชิงลึกอย่างที่เราได้พูดถึงในบทความนี้ จะช่วยให้คุณเข้าใจว่าข้อมูลสามารถถูกเปลี่ยนเป็นข้อมูลที่มีคุณค่าและมีอิทธิพลได้อย่างไร เราหวังว่าคุณจะได้แรงบันดาลใจและความรู้ใหม่ๆ จากบทความนี้ และนำไปประยุกต์ใช้ในงานของคุณเอง อย่าลืมติดตามเราสำหรับบทความต่อไป ที่จะพาคุณไปสำรวจเทคนิคการวิเคราะห์ข้อมูลและการนำเสนอข้อมูลอื่น ๆ ที่น่าตื่นเต้นไม่แพ้กัน ที่นี่ เราจะช่วยให้คุณเข้าถึงเครื่องมือและทักษะใหม่ ๆ ในการเปลี่ยนข้อมูลเป็นมูลค่าและเรื่องราวที่น่าจดจำ เนื้อหาโดย อมร โชคชัยสิริภักดีตรวจทานและปรับปรุงโดย นววิทย์ พงศ์อนันต์ สำหรับผู้ที่สนใจขึ้นตอนการจัดทำแผนภูมิสามารถศึกษาได้จากบทความดังนี้ เอกสารอ้างอิง
25 December 2023
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.