{"id":1848,"date":"2026-04-27T22:55:44","date_gmt":"2026-04-27T20:55:44","guid":{"rendered":"https:\/\/emarkanalytics.com\/engine\/?p=1848"},"modified":"2026-06-02T21:27:57","modified_gmt":"2026-06-02T19:27:57","slug":"creative-visualisations-in-qlik-sense-density-plot","status":"publish","type":"post","link":"https:\/\/emarkanalytics.com\/cs\/creative-visualisations-in-qlik-sense-density-plot","title":{"rendered":"Creative visualisations in Qlik Sense: Density plot"},"content":{"rendered":"

Existuje mnoho p\u0159\u00edpad\u016f pou\u017eit\u00ed, kter\u00e9 vy\u017eaduj\u00ed n\u011bjak\u00fd druh porovn\u00e1n\u00ed. M\u016f\u017eete b\u00fdt po\u017e\u00e1d\u00e1ni porovnat obchodn\u00edky, odd\u011blen\u00ed, zem\u011b, technologie nebo dokonce druhy kv\u011btin. Dnes budeme pracovat se zn\u00e1m\u00fdm datov\u00fdm souborem Iris<\/a>. Na jednu stranu se c\u00edt\u00edm trochu provinile kv\u016fli nedostatku kreativity p\u0159i v\u00fdb\u011bru datov\u00e9ho souboru, na druhou stranu je tento dataset snadno ke sta\u017een\u00ed, snadno pochopiteln\u00fd a umo\u017e\u0148uje vytvo\u0159it p\u011bkn\u011b vypadaj\u00edc\u00ed hustotn\u00ed graf. Data si st\u00e1hn\u011bte zde<\/a>. CSV obsahuje 50 vzork\u016f 3 r\u016fzn\u00fdch druh\u016f kosatc\u016f a atributy: d\u00e9lku kali\u0161n\u00edch l\u00edstk\u016f (sepal length), \u0161\u00ed\u0159ku kali\u0161n\u00edch l\u00edstk\u016f (sepal width), d\u00e9lku okv\u011btn\u00edch l\u00edstk\u016f (petal length) a \u0161\u00ed\u0159ku okv\u011btn\u00edch l\u00edstk\u016f (petal width) v cm. Nahrajte data do Qlik Sense tak, aby byl v datov\u00e9m modelu pouze 1 tabulka, nejsou pot\u0159eba \u017e\u00e1dn\u00e9 transformace. Tabulku pojmenujte IrisData<\/strong>.<\/p>\n

Uka\u017e mi \u010d\u00edsla<\/h2>\n

Budeme porovn\u00e1vat d\u00e9lku kali\u0161n\u00edch l\u00edstk\u016f<\/strong> u 3 r\u016fzn\u00fdch druh\u016f. Prvn\u00ed, co m\u011b napadne, je spo\u010d\u00edtat pr\u016fm\u011br pro ka\u017ed\u00fd typ kosatce. N\u011bkdo by mohl nam\u00edtnout, \u017ee medi\u00e1n je lep\u0161\u00ed volba \u2014 a m\u011bl by pravdu. Pokud chceme zjistit st\u0159ed dat, medi\u00e1n je obvykle lep\u0161\u00ed volba. Ud\u011blejme oboj\u00ed: \"Averages<\/p>\n

Te\u010f v\u00edme, \u017ee nejdel\u0161\u00ed kali\u0161n\u00ed l\u00edstky m\u00e1 versicolor, ale co kdy\u017e se d\u00e9lky v r\u00e1mci jednoho druhu v\u00fdrazn\u011b li\u0161\u00ed? \u010c\u00edm v\u011bt\u0161\u00ed je rozptyl, t\u00edm m\u00e9n\u011b v\u00fdznamn\u00e9 jsou rozd\u00edly v pr\u016fm\u011brech. Velmi zn\u00e1mou m\u00edrou variability je sm\u011brodatn\u00e1 odchylka:<\/p>\n

\"Standard<\/p>\n

Nyn\u00ed v\u00edme, \u017ee setosa m\u00e1 mnohem men\u0161\u00ed rozptyl ne\u017e virginica. Posledn\u00ed chyb\u011bj\u00edc\u00ed informac\u00ed je tvar dat.<\/p>\n

Vizualizace rozd\u00edl\u016f<\/h2>\n

Jsou d\u00e9lky vych\u00fdlen\u00e9 (\u0161ikm\u00e9), nebo symetrick\u00e9? Mo\u017en\u00e1 je n\u011bkter\u00e9 rozd\u011blen\u00ed \u201e\u0161pi\u010dat\u011bj\u0161\u00ed\u201c ne\u017e ostatn\u00ed (mohli bychom tak\u00e9 spo\u010d\u00edtat \u0161pi\u010datost \u2014 kurt\u00f3zu). Histogram by n\u00e1m to mohl uk\u00e1zat, ale nejsem velk\u00fdm fanou\u0161kem histogramu v Qlik Sense. Nech\u00e1pejte m\u011b \u0161patn\u011b \u2014 Qlik je skv\u011bl\u00fd BI n\u00e1stroj, ale jednodu\u0161e nen\u00ed navr\u017een jako statistick\u00fd n\u00e1stroj. Nejv\u00edce mi chyb\u00ed nastaven\u00ed min\/max hodnot na ose x (nen\u00ed dostupn\u00e9 ve verzi November 2019 a star\u0161\u00edch), kter\u00e9 by bylo velmi u\u017eite\u010dn\u00e9 pro porovn\u00e1n\u00ed tvaru, st\u0159ed\u016f, \u0161ikmosti a kurt\u00f3zy. Ale pracujme s t\u00edm, co m\u00e1me:<\/p>\n

\"Histograms\"
Histogramy<\/figcaption><\/figure>\n

Nev\u00edm jak vy, ale tyto histogramy n\u00e1m poskytly jen velmi m\u00e1lo informac\u00ed vzhledem k potenci\u00e1lu tohoto grafu. Ano, jsou zde rozd\u00edly v tvarech, ale jak velk\u00e9 ty rozd\u00edly jsou? Kv\u016fli chyb\u011bj\u00edc\u00edmu nastaven\u00ed min\/max na ose x n\u00e1m unikaj\u00ed informace o rozd\u00edlech ve st\u0159edech dat i v rozptylu. Nap\u0159\u00edklad u\u017e v\u00edme ze sm\u011brodatn\u00e9 odchylky, \u017ee setosa m\u00e1 nejmen\u0161\u00ed rozptyl \u2014 ale vid\u00edte to tady? Pokud se nepod\u00edv\u00e1te na hodnoty na ose x, m\u016f\u017eete snadno doj\u00edt k z\u00e1v\u011bru, \u017ee rozptyl v\u0161ech t\u0159\u00ed je stejn\u00fd \u2014 co\u017e by bylo daleko od pravdy. Budeme muset j\u00edt trochu hloub\u011bji.<\/p>\n

V Qlik Sense existuj\u00ed 2 p\u011bkn\u00e9 vizualizace, kter\u00e9 ukazuj\u00ed, kde se data nach\u00e1zej\u00ed a jak velk\u00fd je rozptyl \u2014 v jednom obr\u00e1zku: distribu\u010dn\u00fd graf vlevo a box plot vpravo. Pokud jste mist\u0159i box plotu, m\u016f\u017eete v n\u011bm trochu vid\u011bt i tvar.<\/p>\n

\"Distribution
Distribuce a box plot<\/figcaption><\/figure>\n

To mi ale nesta\u010d\u00ed. Mus\u00ed existovat lep\u0161\u00ed zp\u016fsob, jak to v\u0161echno vid\u011bt p\u011bkn\u011b v jednom jednoduch\u00e9m obr\u00e1zku. Pom\u016f\u017eeme si pomoc\u00ed R<\/a> a vytvo\u0159\u00edme hustotn\u00ed graf v Qlik Sense.<\/p>\n

Pou\u017eit\u00ed R pro z\u00edsk\u00e1n\u00ed dat hustotn\u00edho grafu<\/h2>\n

Pou\u017eijeme R pro v\u00fdpo\u010det hodnot hustoty. Pokud se chcete dozv\u011bd\u011bt v\u00edce o funkci hustoty a jej\u00edm fungov\u00e1n\u00ed, pod\u00edvejte se zde<\/a>. Existuj\u00ed 2 zp\u016fsoby, jak propojit R a Qlik Sense. Bu\u010f je ponechat odd\u011blen\u011b a na\u010d\u00edst v\u00fdsledky z R do Qlik Sense jako jak\u00fdkoli jin\u00fd zdroj dat, nebo pou\u017e\u00edt SSE R-plugin<\/a> pro odesl\u00e1n\u00ed dat, spu\u0161t\u011bn\u00ed R skriptu a p\u0159ijet\u00ed v\u00fdsledk\u016f p\u0159\u00edmo v Qlik Sense bez nutnosti ukl\u00e1d\u00e1n\u00ed extern\u011b. N\u00e1sleduj\u00edc\u00ed \u0159\u00e1dky lze pou\u017e\u00edt, pokud m\u00e1te Qlik Sense integrov\u00e1n s R pomoc\u00ed pluginu. S trochou znalost\u00ed R lze skript snadno upravit i pro b\u011bh mimo Qlik Sense.<\/p>\n

IrisDataDensity: Load * Extension R.ScriptEval( '# install.packages(tidyverse, repos=\"http:\/\/cran.us.r-project.org\"); \/\/ponechte # pokud ji\u017e m\u00e1te bal\u00ed\u010dek nainstalovan\u00fd # install.packages(magrittr, repos=\"http:\/\/cran.us.r-project.org\"); \/\/ponechte # pokud ji\u017e m\u00e1te bal\u00ed\u010dek nainstalovan\u00fd library(tidyverse); library(magrittr);\r\n\r\ndata <- as.data.frame.list(q);\r\n\r\ndata %<>%\r\npivot_wider(names_from = \"Species\", values_from = \"SepalLengthCm\") %>%\r\napply(2, density, na.rm=TRUE) %>%\r\nunlist(recursive=FALSE);<\/pre>\n
result <- as.data.frame( data[endsWith(names(data), \".x\")|endsWith(names(data), \".y\")]);<\/pre>\n
result %<>% mutate(DensID = row_number()) %>% select(DensID, everything()) %>% select(-c(\"Id.x\", \"Id.y\")) %>% pivot_longer(cols = -\"DensID\") %>% separate(col = name, into = c(\"Iris\", \"Species\", \"Coordinate\")) %>% mutate(Species = paste(Iris, Species, sep = \"-\")) %>% select(-Iris) %>% pivot_wider(names_from = \"Coordinate\", values_from = \"value\");',<\/pre>\n
IrisData{Id, SepalLengthCm, Species});<\/pre>\n
Skript p\u0159id\u00e1 novou tabulku do na\u0161eho datov\u00e9ho modelu:<\/p>\n
\"Density<\/p>\n
Vytvo\u0159en\u00ed hustotn\u00edho grafu<\/h2>\n
Jako z\u00e1klad pou\u017eijeme standardn\u00ed \u010d\u00e1rov\u00fd graf. Nastavte n\u00e1sleduj\u00edc\u00ed:<\/p>\n