Introduction à la visualisation des données scientifiques
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
MEMOIRE du Diplôme InterUniversitaire de PEDAGOGIE MEDICALE
2016-2017
Introduction à la visualisation des données scientifiques
Dr Andrea LAZZATI
CH Intercommunal de Créteil, Service de Chirurgie Générale et Digestive
-1-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
TABLE DES MATIERES
Introduction ..................................................................................................................................................................................... - 3 -
Définition ...................................................................................................................................................................................... - 3 -
Buts de la visualisation ........................................................................................................................................................... - 3 -
Définir le Message ..................................................................................................................................................................... - 5 -
Connaitre les types des données ............................................................................................................................................. - 5 -
Connaitre les types des graphiques ....................................................................................................................................... - 6 -
Histogramme............................................................................................................................................................................... - 7 -
Diagramme en bâtons (bar chart) ..................................................................................................................................... - 8 -
Diagramme circulaire ou en secteurs (camembert et donut chart) ................................................................ - 10 -
Boite a moustaches (box plot) .......................................................................................................................................... - 11 -
Diagramme en nuage de points ou de dispersion (scatter graph) ................................................................... - 11 -
Graphique en ligne (line chart) ........................................................................................................................................ - 12 -
Aires empilées ......................................................................................................................................................................... - 13 -
Pour résumer : Quelques règles simples .......................................................................................................................... - 13 -
Biblio................................................................................................................................................................................................. - 14 -
-2-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
INTRODUCTION
DEFINITION
La visualisation scientifique est classiquement définie comme le processus d’affichage graphique des
données scientifiques. Cependant, ce processus est loin d'être direct ou automatique. Il existe une
multitude de façons de représenter les mêmes données. Une définition plus précise pour la visualisation
scientifique pourrait être « une interface graphique entre les personnes et les données ». Dans ce court
mémoire, nous ne prétendons pas expliquer tout sur cette interface; plutôt, en faire une brève
introduction. Nous visons à fournir quelques règles de base pour améliorer la conception des figures et
expliquer certains pièges communs.
BUTS DE LA VISUALISATION
Classiquement on définit deux buts principaux à visualisation : celui d’explorer les données et celui de
communiquer des informations.
Explorer avec des graphiques.
Quand les questions de recherche ne sont pas bien définies, on explore alors les données. Ce sont des
visualisations qui sont faites en cours de travail afin d’explorer de nouvelles pistes, de nouvelles
associations (par exemple, analyser la distribution d’âge d’un groupe des patients afin de voir si la maladie
touche d’une manière homogène ou pas une partie de la population) ou simplement rechercher des
données aberrantes.
Les données scientifiques pourraient être présentées uniquement sous forme numérique. On pourrait en
effet décrire une variable quantitative par les indices de position ou tendance centrale (moyenne,
médiane) et les indices de dispersion (variance, écart-type, écart interquartile). Parfois, ces indices sont
moins informatifs sur la distribution de la variable qu’une représentation graphique. Nous citons à titre
d’exemple le « quartet d’Anscombe »1 qui montre comment quatre variables ayant les mêmes indices, ont
des distributions très différentes. Le quartet d’Anscombe souligne l'importance de l'exploration graphique
avant d'analyser un ensemble de données (Fig. 1 et 2).
Fig.1 Le quartet d’Anscombe. Quatre couples de variables présentent les mêmes indices de position et de
dispersion (moyenne, variance et coefficient de correlation)
1 Les quartets ont été construits en 1973 par le statisticien Francis Anscombe dans le but de démontrer l'importance de tracer
des graphiques avant d'analyser des données, car cela permet notamment d'estimer l'incidence des données aberrantes sur les
différentes indices statistiques que l'on pourrait calculer.”
-3-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Fig.2 Le quartet d’Anscombe. La représentation graphique des 4 couples de variables montre que la
distribution de celle-ci est très différente malgré des indices de position et dispersion égaux.
Le premier ensemble (en haut à gauche) présente deux variables (x et y) dont la distribution semble
proche d'une loi normale et qui présentent entre elles une simple corrélation linéaire (avec un certain
degré de bruit qui la rend donc imparfaite). Le deuxième (en haut à droite) se caractérise par une relation
non linéaire (en l'occurrence parfaitement quadratique) entre les deux variables : pour cette raison, les
coefficients de corrélation de Pearson sont inappropriés car ils mesurent l'écart à une droite de régression
et non à une parabole. Dans le troisième ensemble (en bas à gauche), la corrélation linéaire est parfaite
(avec une pente légèrement inférieure à 3) sauf pour une donnée aberrante qui influe sur le coefficient de
corrélation global, le faisant passer de 1 (pour les 10 premières données) à 0,81 (pour les 11 données).
Finalement, le quatrième ensemble (en bas à droite) démontre qu'une seule donnée aberrante suffit pour
obtenir un coefficient de corrélation élevé, alors même que, hormis cette 11e donnée, il n'existe pas de
corrélation entre les deux variables puisque la variable x est constante.
Communiquer avec les graphiques
Quand on obtient des résultats d’une expérience on informe la communauté : on communique des
données et on transmet un message (par exemple on compare sur la survie des 2 traitements).
L’information transmise par une figure sollicite bien évidemment la vue. C’est à travers ce sens que le plus
grand nombre d’information passe par seconde (Fig. 3). Communiquer par un graphique permet donc de
transmettre plus d’information en moins d’espace et en moins de temps. Cela rend l’information plus
accessible et plus mémorisable qu’une information sonore.
Figure 3. Nombre de bits par secondes perceptibles par les 5 sens.
-4-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
DEFINIR LE M ESSAGE
Avant de se pencher à la réalisation d’un graphique il est indispensable d’identifier précisément le
message que l’on souhaite faire passer. Une figure est destinée à exprimer une idée ou introduire des faits
ou un résultat qui seraient trop long (ou presque impossible) à expliquez seulement avec des mots, que ce
soit pour un article ou pendant une présentation. Dans ce contexte, il est important pour identifier
clairement le rôle de la figure, c'est-à-dire quel est le message sous-jacent et comment la figure peut-elle
mieux exprimer cela. Une fois clairement identifié, le message sera un guide fort pour la conception de la
figure. Ce n'est qu'après avoir identifié le message qu’il faudra prendre le temps de développer le
graphique, tout comme on prend le temps de choisir des mots et construire des phrases seulement après
avoir défini les points principaux d’un texte lors de l'écriture d'un article. Les figures 4a et 4b décrivent
l’affluence des patients dans un service d’urgence. La figure 4a décrit dans avec plus de précision le flux de
patients (intervalles de 3 heures, présence du quadrillage indiquant le pourcentage), alors que la figure 4b
se focalise sur les parties principales de la journée (matin, après midi, soirée, nuit) : le message est mieux
défini.
Figure 4a. Affluence des patients dans un service d’urgence
Affluence au Service d'Urgences 1h00-4h00
4h00-7h00
7h00-10h00
10h00-13h00
13h00-16h00
16h00-19h00
19h00-22h00
22h00-1h00
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Figure 4b. Affluence des patients dans un service d’urgence
Affluence aux Services d'Urgences
0h00-6h00 6h00-12h00 12h00-18h00 18h00-24h00
CONNAITRE LES TYPES DES DONNEES
L’étape suivante est la connaissance du type de variable (ou des variables) que l’on veut représenter. En
effet, le type de variable va guider le choix du type de graphique adapté à sa représentation.
Il existe plusieurs classifications des variables. Nous présentons une des plus communes qui classe les
données en fonction de leur nature; nous parlons en particulier de:
Variables qualitatives: elles expriment une qualité, ou les modalités sont des valeurs non
numériques (par exemple: genre ou croyances religieuses).
o On parle de variable qualitative ordinale (ou ordonnée) si les modalités ont
naturellement un ordre, c'est-à-dire qu'ils peuvent être organisés selon une échelle (par
exemple, les attributs «très mauvais», «mauvais», «médiocre», «bon» et «très bon» ou les
jours de la semaine ).
-5-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
o On parle de variable qualitative nominale (ou catégorielle) si les modalités n'ont pas
d'ordre naturel (par exemple, liste de maladies ou couleur des yeux).
Variables quantitatives: elles expriment une quantité, ou les modalités sont des valeurs
numériques (par exemple, taille ou nombre d'enfants). On les classe en deux catégories :
o Variables quantitatives discrètes: on suppose un nombre fini de valeurs, c'est-à-dire que
tous les valeurs possibles peuvent être listées, autrement dit elles peuvent être indiquées
par une succession (par exemple: le nombre d'enfants, les pages d'un livre ou les voyages
annuels).
o Variables quantitatives continues: on suppose une quantité non-nombrable mais
continue de valeurs, en pratique elles peuvent prendre en compte toutes les valeurs
intermédiaires d'une gamme (p. ex. poids ou taille).
Autre classification
En 1946, le psychologue Stanley Smith Stevens a proposé une classification différente des variables
classées selon les propriétés qui possèdent l'ensemble des valeurs d'une variable. Stevens a proposé
quatre échelles de mesure:
une échelle nominale a une relation d'équivalence, c'est-à-dire qu'elle permet de déterminer si
deux modes sont égaux ou différents (par exemple: croyances religieuses, type de profession);
une échelle ordinaire a une relation d'ordre totale, c'est-à-dire que les modes peuvent être triés
et on peut déterminer si l'un est "plus grand", égal ou inférieur à un autre (par exemple, grade
militaire);
une échelle intervallaire vous permet de calculer la différence entre deux valeurs, afin de les
mettre en ordre (par exemple: l'année après Jésus Christ);
une échelle proportionnelle permet de calculer le rapport entre deux valeurs, donc aussi leur
différence (par exemple, la taille).
Habituellement, pour une variable donnée, on adopte la «meilleure échelle possible». Par exemple, la
température mesurée en Kelvin suit une échelle proportionnelle (la relation entre deux températures est
par exemple représentée dans la formule pour l'efficacité thermodynamique d'une machine Carnot). Si
elle est mesurée en degrés Celsius ou Fahrenheit, elle suit une échelle intervallaire: la proportionnalité est
manquante en raison du choix "arbitraire" de 0 ° C et 0 ° F. Pour les variables qualitatives ordinales ou
nominales, on adopte la même échelle. Pour les variables quantitatives, il n'y a pas de concordance entre
les deux classifications discrètes / continues et intervallaire / proportionnelle.
CONNAITRE LES TYPES DES GRAPHIQUES
Il existe un grand nombre de graphiques pour visualiser les données. Nous allons citer et décrire les plus
courants dans la communication scientifique. D’une manière générale un graphique peut représenter une
seule variable (il décrit la fréquence de chaque modalité de la variable ou la distribution de cette variable),
ou deux variables (deux qualitatives, deux quantitatives ou une qualitative et une quantitative). Une des
variables peut être la variable « temps », qui est souvent utilisée dans la représentation des données
scientifiques. Il est tout à fait possible représenter trois ou plus variables dans le même graphique. Cela
rend le graphique plus complexe et ne sera pas abordé dans ce mémoire.
-6-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Figure 5. Type de graphique en fonction du type de variable.
HISTOGRAMME
Un histogramme est un graphique permettant de représenter la répartition d'une variable continue en la
représentant avec des colonnes verticales. L’histogramme est un moyen rapide pour étudier la répartition
d’une variable quantitative. Le choix des classes, soit leur nombre et leurs largeurs, n'est pas univoque. Le
choix simple pour calculer le nombre de classes (K) est d’utiliser la racine carrée du nombre de catégorie
(N):
Exemple (Fig. 6) : on veut analyser la distribution de la taille sur un échantillon de 358 sujets. La racine
carrée de 358 est 19, nous allons donc créer un histogramme avec 19 classes. Puisque l’intervalle est de 53 cm
(compris entre 142 cm et 195 cm), on peut regrouper les sujets en classe de 3 cm (53/19).
-7-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Figure 6. Histogramme : distribution de la taille des sujets.
Distribution de la taille des patients
80
70
Nombre de sujets par classe
60
50
40
30
20
10
0
145 148 151 154 157 160 163 166 169 172 175 178 181 184 187 190 193 196 199
Taille (cm)
On considère qu’avec plus de 20 barres le graphique est moins facile à lire et qu’avec moins de 5 barres et
le graphique aura peu de sens. La plupart des graphiques qu’on crée dans les statistiques élémentaires ont
environ 5 à 7 barres. La contiguïté des barres (l’une au contact de l’autre) indique qu’il y a un continuité
dans les valeurs de la variable représentée.
DIAGRAMME EN BATONS (BAR CHART )
Un graphique à barres montre comment différentes catégories de données se comparent. Les barres
peuvent être verticales ou horizontales (Fig. 7 et 8). Peu importe le type qu’on utilise - c'est une question
de choix (et peut-être la quantité de place qu’on a à disposition sur le papier). En effet avec plusieurs
catégories (>5) ou avec des intitulés assez long, la version horizontal sera plus lisible. Pour un diagramme
en bâtons vertical, on représente pour chaque modalité d'une variable discrète un rectangle dont la
hauteur représente la valeur d'une variable continue et dont la largeur n'a pas d'interprétation statistique.
Figure 7. Diagramme en bâtons à disposition verticale: nombre de chirurgiens par discipline.
Nombre de chirurgiens par spécialité
4600
3000 3100
1200
540 450 540
-8-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Figure 8. Diagramme en bâtons à disposition horizontale: nombre de médecins par discipline. La disposition
horizontale est plus lisible quand le nombre de modalités de la variable est plus important
Nombre de médecins par spécialité
Psychiatrie 15 171
Anesthésie-réanimation 11 278
Radiodiagnostic et imagerie médicale 8 736
Pédiatrie 8 007
Cardiologie et maladies vasculaires 6 996
Ophtalmologie 5 927
Médecine du travail 5 524
Gynécologie-obstétrique 4 724
Dermatologie et vénéréologie 4 003
Gastro-entérologie et hépatologie 3 692
Chirurgie générale 3 610
Chirurgie orthopédique et traumatologie 3 241
Gynécologie médicale 3 146
ORL et chirurgie cervico-faciale 3 076
Pneumologie 3 009
Biologie médicale 2 975
Rhumatologie 2 624
Neurologie 2 470
Médecine interne 2 437
Médecine physique et réadaptation 2 114
Endocrinologie et métabolisme 1 865
Différence entre histogramme et diagramme en bâtons
Un diagramme en bâtons est utilisé lorsqu’on dispose de catégories de données: types de films, genres de
musique ou races de chiens par exemple. C'est aussi un bon choix lorsqu’on souhaite comparer les
éléments entre différents groupes. On peut utiliser un diagramme en bâtons si l’on souhaite suivre les
changements dans le temps, tant que les changements sont significatifs (par exemple, des décennies ou
des siècles). Si on utilise des données continues, comme les poids des personnes ou les scores IQ, un
histogramme est plus indiqué.
-9-MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
DIAGRAMME CIRCULAIRE OU EN SECTEURS (CAMEMBERT ET DONUT CHART)
Le diagramme circulaire ou camembert permet de représenter des proportions. Dans un camembert, c'est
l'angle qui représente la part de chaque catégorie dans un tout.
Le donut chart est un camembert troué au milieu. Dans ce cas, c'est la longueur de l'arc de cercle
correspondant à chaque catégorie qui représente la part de chaque catégorie dans le tout représenté.
Figure 9. Diagramme circulaire (ou en secteurs ou camembert) à trois modalités, représentant les
pourcentage relatif de chaque modalité.
Activité chirurgicale
ORL 28%
viscérale 43%
gynécologie
29%
Figure 10. Diagramme circulaire en « donut » avec les mêmes modalités du diagramme de la figure 9.
Activité chirurgicale
ORL 28%
viscérale 43%
gynécologie
29%
Un défaut évident des diagrammes à secteurs est qu'ils ne peuvent pas afficher plus de quelques valeurs
sans séparer le codage visuel (les «tranches») des données qu'ils représentent (généralement des
pourcentages). Lorsque les tranches deviennent trop petites, les diagrammes circulaires doivent
s'appuyer sur des couleurs, des textures ou des flèches afin que le lecteur puisse les comprendre. Cela les
rend impropres à l'utilisation avec de plus grandes quantités de données.
Les statisticiens considèrent généralement les tableaux circulaires comme une mauvaise méthode
d'affichage de l'information, et ils sont peu fréquents dans la littérature scientifique2. L'une des raisons est
qu'il est plus difficile de faire des comparaisons entre la taille des éléments dans un graphique lorsque
l’aire est utilisée à la place de la longueur et lorsque différents éléments sont représentés sous différentes
formes.
2 Krygier, John. "Perceptual Scaling of Map Symbols". makingmaps.net. Retrieved 3 May 2015.
- 10 -MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Figure 11. Diagramme circulaire comparé à un diagramme en bâtons horizontal. Le diagramme de droite
permet une meilleure lisibilité de l’information.
Cependant, si l'objectif est de comparer une catégorie donnée (une tranche camembert) avec le total (la
totalité du camembert) dans un seul graphique et le multiple est proche de 25 ou 50 pour cent (en gros 3-
4 modalités), un graphique circulaire peut souvent être plus efficace qu'un graphique à barres 3 (comme
nous l’avons montré dans les figures 9 et 10).
BOITE A MOUSTACHES ( BOX PLOT )
Dans les représentations graphiques de données statistiques, la boîte à moustaches (aussi appelée
diagramme en boîte, boîte de Tukey ou box plot en anglais) est un moyen rapide de figurer le profil
essentiel d'une variable quantitative.
Dans sa version verticale, le bas et le haut de la boîte sont toujours le premier et le troisième quartile
(extrémités droite et gauche dans la version horizontale), et la bande à l'intérieur de la boîte est toujours
le deuxième quartile (la médiane). Les extrémités des moustaches représentent en général le minimum et
le maximum de toutes les données. Il existe néanmoins des variantes représentant d’autres valeurs
(comme par exemple, le 2ème percentile et le 98ème percentile).
Figure 11. Boite à moustache (version horizontale).
DIAGRAMME EN NUAGE DE POINTS OU DE DISPERSION (SCATTER GRAPH)
Un diagramme en nuage de points diagramme de dispersion (également appelé diagramme de dispersion)
est un type de tracé utilisant des coordonnées cartésiennes pour afficher des valeurs de deux variables
généralement de type quantitatif. Si les points sont codés par couleur, une variable supplémentaire peut
être affichée. Les données sont affichées comme une collection de points, chacun ayant la valeur d'une
variable déterminant la position sur l'axe horizontal et la valeur de l'autre variable déterminant la
position sur l'axe vertical.
3Simkin, D., & Hastie, R. (1987). An Information-Processing Analysis of Graph Perception. Journal of the American Statistical Association, 82(398), 454.
doi:10.2307/2289447. Kosara, Robert. "In Defense of Pie Charts". Retrieved April 13, 2011.
- 11 -MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
Figure 13. Diagramme en nuage de points. Relation entre poids et taille d’une population de sujets obèses.
Une droite de tendance linéaire est ajoutée au nuage de points.
Relation entre le poids et la taille
200
180
160
Poids (kg)
140
120
100
80
140 150 160 170 180 190 200
Taille (cm)
GRAPHIQUE EN LIGNE (LINE CHART)
Un graphique en ligne ou graphique linéaire est un type de graphique qui affiche des informations comme
une série de points de données connectés par des segments de droite. Il est similaire à un diagramme de
dispersion, sauf que les points de mesure sont ordonnés (généralement par leur valeur d'axe x) et sont
joints avec des segments à ligne droite. Un diagramme de ligne est souvent utilisé pour visualiser une
tendance des données sur des intervalles de temps - une série temporelle - donc la ligne est souvent
dessinée chronologiquement.
Figure 14. Graphique en ligne. Evolution des techniques chirurgicale de chirurgie de l’obésité (nombre d’actes
par technique et par an)
Evolution des techniques de chirugie bariatrique
40000
Sleeve gastrectomy
35000
30000
25000
20000
Bypass gastrique
15000
10000
5000 Anneau Gastrique
0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
- 12 -MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
AIRES EMPILEES
Le graphique en aires empilées est une variante du graphique en ligne. Il affiche les valeurs des modalités
d’une variable comme surface (aire) pour un intervalle (en général de temps). Les aires des différentes
modalités des variables sont empilées afin de donner aussi l’aire totale des toutes les valeurs des
variables. Par rapport à un graphique en ligne qui met l’accent sur l’écoulement du temps et la variation
des valeurs, le graphique en aire empilées souligne davantage la variation de chaque modalités par
rapport au total.
Figure 15. Graphique en aires empilées. Evolution des techniques chirurgicale de chirurgie de l’obésité
(nombre d’actes par technique et par an)
Evolution des techniques de chirugie bariatrique
60000
50000
40000
Sleeve
gastrectomy
30000
20000
Bypass gastrique
10000
Anneau Gastrique
0
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
POUR RESUMER : QUELQUES REGLES SIMPLES
Avant de commencer à créer votre graphique, identifiez bien le message et votre publique.
Mettez tous les résultats importants d’un travail statistique sous forme graphique.
Ne pas trop remplir un graphique, les données doivent être l’information la plus visible.
Choisir des limites pour les axes les plus proches possibles des intervalles de variation des
données mais inclure le 0 quand c’est nécessaire (comptage).
Quand deux graphiques doivent être comparés, utiliser les mêmes échelles.
Utiliser un ligne ou des référence (ex. Moyenne) si utile.
Entourer le graphe par un rectangle.
Méfiance des graphiques 3D, ils sont difficiles à interpréter.
Libellez clairement les axes (avec les unités des variables), donner un titre, mettre une légende
pour les symboles et couleurs.
Attention aux couleurs, elle disparaissent à la reproduction...
Expliquer clairement ce que sont les barres d ’erreur quand il y en a
La préparation d’un graphique est un travail itératif qui prend du temps et vient avec
l’expérience...
- 13 -MEMOIRE du DIU de PEDAGOGIE MEDICALE 2016-2017 Dr Andrea LAZZATI
BIBLIO
Tamara Munzner, “Vizualisation Analysis & Design”, A K Peters/CRC Press, 2014
Scott Berinato, « Good Charts », HBR Press, 2016
Rougier NP, Droettboom M, Bourne PE. Ten simple rules for better figures. PLoS Comput Biol. 2014 Sep
11;10(9):e1003833.
AAVV, « Graphisme en statistique : quelques bases ... », accessed october 9th 2017, available at
http://step.ipgp.jussieu.fr/images/b/bb/Graphisme.pdf
Kaimal S, Thappa DM. The art and science of medical poster presentation. Indian J Dermatol Venereol
Leprol. 2010 Nov-Dec;76(6):718-20.
Bockhorst JP, Conroy JM, Agarwal S, O'Leary DP, Yu H. Beyond captions: linking figures with abstract
sentences in biomedical articles. PLoS One. 2012;7(7):e39618.
McCrorie AD, Donnelly C, McGlade KJ. Infographics: Healthcare Communication for the Digital Age. Ulster
Med J. 2016 May;85(2):71-5. Review.
- 14 -Vous pouvez aussi lire
