We're proud to announce that @janeadams , Melanie Tory, @michelle_borkin & collaborators from The Jackson Laboratory have won an honorable mention for best paper at @EuroVis for "Gridded Visualization of Statistical Trees for High-Dimensional Multipartite Data in Systems Genetics"! 
#Genetics #DataVisualization #MachineLearning
#30DayChartChallenge Día 16: Negative Relationship FOUND! 
¡Lo conseguimos! Tras ajustar por masa corporal, la relación entre Tasa Metabólica Específica (W/kg) y Longevidad Máxima (años) en ~530 especies animales (AnAge DB, outliers quitados) SÍ es negativa (Pearson ρ ≈ -0.42, p < 2.2e-16). #RelationshipsWeek #Animals
El gráfico log-log muestra la tendencia: mayor intensidad metabólica por kilo se asocia con vidas más cortas. ¡Apoya la idea del "ritmo de vida"! 
Colores por Clase Taxonómica.
Un recordatorio de la importancia de normalizar variables y limpiar datos para ver la señal correcta. ¡Ciencia en acción!
#rstats #ggplot2 #ggpubr | Data: AnAge | Theme: #theme_week3_animals
Código/Viz: https://t.ly/ouLN0
#30DayChartChallenge Día 15: Complicated Relationships! 
Hoy, una matriz de scatter plots con ggpairs para explorar las relaciones entre medidas corporales (Long. Pico, Long. Aleta, Masa Corporal) en los pingüinos de Palmer. ¡Perfecto para el prompt "Complicated"! #RelationshipsWeek #Animals
La matriz lo enseña todo:
* Diagonal: Distribución de cada medida (densidad).
* Abajo: Scatter plots de cada par de medidas (coloreado por Especie).
* Arriba: ¡La correlación $ entre ellas!
Se ven las fuertes relaciones positivas (más grande = aleta más larga) y cómo las especies (Adelie, Chinstrap, Gentoo) forman clusters distintos en este espacio de rasgos. ¡Una forma densa de ver muchas relaciones a la vez!
#rstats #ggplot2 #GGally | Data: #palmerpenguins | Theme: #theme_week3_animals Código/Viz: https://t.ly/GATJi
#30DayChartChallenge Día 13: Clusters Animales! 
Explorando la relación Masa Corporal vs Longevidad Máxima. #RelationshipsWeek
Usando un dataset de Kaggle (+170 especies, ¡gracias S. Banerjee!) y tras una divertida limpieza de datos con rangos/unidades mixtas 
, este scatter plot log-log revela patrones.
Coloreamos por Dieta: 
Carnívoro(verde) 
Herbívoro(ocre) 
Omnívoro(azul).
Se ve la tendencia general (más grande = más longevo), pero los clústeres por dieta sugieren distintas **estrategias de historia de vida**. ¿Cómo gestionan su energía y longevidad según lo que comen? 
¡Una visualización para explorar la alometría y la diversidad ecológica!
#rstats #ggplot2 y mi nuevo tema #theme_week3_animals. Código/Viz: https://t.ly/ehPiu
#30DayChartChallenge Día 12: Gov Data Day! 
Explorando la distribución del spread 10Y-2Y del Tesoro USA (datos de FRED desde 1976).
Este histograma/densidad va más allá del valor diario: muestra la *probabilidad* histórica de cada nivel del spread. ¡Clave para entender expectativas económicas!
Puntos clave:
* Modo principal > 0 (curva normal es lo más común).
* ¡La inversión (<0, línea discontinua) tiene una probabilidad no trivial! 
Es la famosa señal pre-recesión. La distribución nos dice cuán "normal" es esa señal en perspectiva histórica.
* La forma general revela info sobre la dinámica de tipos.
Una visualización sobre la estructura probabilística de un indicador líder fundamental.
#rstats #ggplot2 #quantmod #grid Código/Repo: https://t.ly/0RDmK
"D3 (or D3.js) is a free, open-source JavaScript library for visualizing data. Its low-level approach built on web standards offers unparalleled flexibility in authoring dynamic, data-driven graphics."
#HatTip to @AdeptVeritatis who noticed that's what WeedTree is using for its visualisation.
#30DayChartChallenge Día 10: ¡Buceando en la Distribución del VIX! 
En lugar de solo ver la línea del VIX, hoy analizamos su "distribución de probabilidad" por Presidencia de EE.UU. (Clinton -> Trump 2º). ¡La forma lo es todo!
Usando #rstats y #ggplot2, estas densidades facetadas nos permiten investigar:
* Modos Dominantes: ¿Cuál era el nivel "normal" de VIX (el pico más alto)? ¿Cambió mucho?
* Multi-modalidad: ¿Hay evidencia de múltiples estados de volatilidad (picos secundarios) dentro de un mismo mandato?
* Riesgo de Cola: ¿Qué tan probable era el "pánico" (VIX > 35)? ¡Compara las colas derechas!
Estos patrones reflejan los distintos regímenes de volatilidad y la percepción del riesgo sistémico. No es solo el nivel, ¡sino la "estructura" de la incertidumbre lo que importa!
Datos: Yahoo Finance via #quantmod.Código: https://t.ly/kikdo
Basic boxplots are often not the best way to visualize your data! They can hide important information, such as the distribution of individual data points or group-specific differences.
The attached visual showcases several ways to enhance boxplots.
All of these examples were created using ggplot2 and extensions in R.
Click this link for detailed information: https://statisticsglobe.com/online-course-data-visualization-ggplot2-r
#python #technology
#opensource #engineering #science #integration #matlab @mathworks
#datavisualization
Automated Conversion of MATLAB Codes & Files to Python SDK/IDE
Explore all the Available Ways to Convert Arbitrary MATLAB Codes & Data to Python Environments with $0 Service Fees
Next at #WorkshopsForUkraine: Effective #DataVisualization #DataViz in #R #RStats in Scientific Contexts, by Christian Gebhard, Thursday April 10th, 6 pm CET. Register or sponsor a place for a student by donating to support #Ukraine. Details: https://sites.google.com/view/dariia-mykhailyshyna/main/r-workshops-for-ukraine#h.b0g432iynobt
This shows in a very visual way that our normal brains don't really understand exactly how rich the global tech-oligarchs are https://eattherichtextformat.github.io/1-pixel-wealth/ #inequality #orderofmagnitude #datavisualization
(pandas 
) For #rstats users, the DataFrame name will be familiar, as the object was named after the similar R data.frame object. Unlike Python, data frames are built into the R programming language and its standard library. As a result, many features found in pandas are typically either part of the R core implementation or provided by add-on packages
matplotlib. The most popular Python library for producing plots and other two-dimensional #datavisualization or #dataviz
IPython & Jupyter
gganimate is a powerful extension for ggplot2 that transforms static visualizations into dynamic animations. By adding a time dimension, it allows you to illustrate trends, changes, and patterns in your data more effectively.
The attached animated visualization, which I created with gganimate, showcases a ranked bar chart of the top 3 countries for each year based on inflation since 1980.
More information: https://statisticsglobe.com/online-course-data-visualization-ggplot2-r
The programme for the #bc2basel tutorials & workshops is out! From #geneexpression analysis to #machinelearning or #datavisualization, beginner or advanced: boost your #bioinformatics skills!
Register to make sure to secure your spot (limited seats): https://tinyurl.com/3y8ay2d6
![a picture of a workshop at the [BC]2 Conference in Basel in 2023.](https://static.mstdn.science/media_attachments/files/114/257/134/554/010/400/original/659e292ec7fa9c60.jpeg "a picture of a workshop at the [BC]2 Conference in Basel in 2023.")
Promising 4-year, fully-funded PhD position in Architecture and Data Visualization at TU Delft – explore sensor data, design impacts, and ecology.
Apply by 15 Apr 2025!
On Tuesday, the new members of the German Bundestag took their seats. I took this opportunity to apply my dataviz approach to other countries, starting with Germany. The site is now also multilingual!
http://legislatures.vercel.app/en/germany
The question I'm asking myself is, should I go back beyond 1949? 1919? 1871?
In any case, I plan to cover the GDR soon, on a separate page.
Mardi, les nouveaux députés sont entrés au Bundestag allemand. J'ai profité de cette occasion pour appliquer le principe de ma dataviz à d'autres pays en commençant par l'Allemagne. Le site est également désormais multilingue !
http://legislatures.vercel.app/fr/germany
La question que je me pose est devrais-je remonter au delà de 1949 ? 1919 ? 1871 ?
En tout cas j'ai prévu de faire la RDA prochainement, sur une page à part.
Did you know that untreated dental disease costs the U.S. $45 billion in lost productivity each year?
Explore more eye-opening stats in Stefan Marinic’s award-winning visualization from the undergraduate category of University of Arizona’s 2023 #DataVisualization Challenge! Check it out: https://doi.org/10.25422/azu.data.22728839. Image: Marinic (2023). CC-BY 4.0.
#OpenData #OpenScience #DataViz #DentalHealth #UniversityofArizona
