Office Hours/Free help session/Work time

Students are welcome to join our zoom link (to be shared on D2L) for work time and for help with assignments for this course or other projects related to R and/or data visualization.

●  Tuesday 11:00am - Noon

●  Wednesday 5pm - 6pm

Additionally, there is a Slack channel for the course, where students can get help from each other and from the instructor on a rolling, asynchronous basis.  You should have received an email invitation to the Slack channel. If not, please contact your course instructor for the invitation.

Slack invitation link: https://join.slack.com/t/slack-xaz8810/shared_invite/zt-1md6e6vea-t1OCSpZOhWGEGyoGUcbThw

Course Description

This course will introduce students to the fundamental concepts and tools used to convey the information contained within large, complex data sets through a variety of visualization techniques. Students will learn the fundamentals of data exploration data via visualizations, how to manipulate and reshape data to make it suitable for visualization, and how to prepare everything from simple single-variable visualizations to large multi-tiered and interactive visualizations.  Visualization theory will be presented alongside the technical aspect of the course to develop a holistic understanding of the topic.

Course Objectives

In this course students will:

1.  Be introduced to the field of data visualization, including why we need visualization, what makes a good one, and the various types of visualizations used.

2.  Understand the steps needed to ready a dataset for visualization and why that needs to be done.

3.  Learn how to create everything from simple static visualizations such as histograms and bar graphs to interactive visualizations that help guide a user through complex large datasets.

4.  Expand their knowledge of R and its application in data visualization.

Learning Outcomes

By the end of the course students will be able to:

1.  Articulate the pros and cons of different visualization types under different scenarios.

2.  Describe the general features and visual properties that make a quality, easy to understand visualiza- tion.

3.  Be able to manipulate and modify raw datasets in R such that they are capable of being used to create the desired visualization.

4.  Be able to create the proper type of visualization given the properties of a dataset and the desired message the user wants to convey.

5.  Be able to implement the above using the programming language R and associated technologies.

Required Texts and Materials

All required reading materials will be made available on D2L.

Course Schedule

Here is the tentative course schedule with students learning outcomes by week.

Week 1 – MODULE 1: INTRODUCTION TO VISUALIZATION

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Explain why data visualization is important

2.  List data visualization needs by stakeholder

3.  Describe different types of data visualization

4.  Organize a data analysis, with appropriate file naming and distinguishing raw from processed data

5.  Import data into your R environment

6.  Inspect data in R

Week 1 - MODULE 2: WHAT’S IN A PLOT?

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Map different parts of a plot into your visualization

2.  Match different data types to different aesthetics in your visualization

3.  Plot different data types using ggplot()

Week 1 Assignments and Deadlines

●  Data Viz Challenge One - Due by the start of Week 2

●  Quiz One - Due by the start of Week 2

Week 2 - MODULE 3:  DATA WRANGLING

MODULE LEARNING OBJECTIVES (2 WEEKS TOTAL)

At the end of this module, you will be able to:

1.  Identify features of tidy data

2.  Identify different types of variables

3.  Transform messy data into tidy data functions in R such as pivot_longer(), mutate(), and left_join()

4.  Summarize data using functions in R such filter(), group_by(), and summarize()

Week 2 Assignments and Deadlines

●  Data Viz Challenge Two - Due by the start of Week 3

●  Quiz Two - Due by the start of Week 3

Week 3 - MODULE 4:  SCATTER PLOTS

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Generalize when to use scatter plots, identifying the pros and cons of this type of plot

2.  Decide what variables to map to different aesthetics of scatter plots

3.  Match scatter plots with specific data questions

4.  Map x, y, and color in a scatter plot using ggplot2

Week 3 - MODULE 5:  BAR AND COLUMN PLOTS

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Generalize when to use bar and column plots, identifying the pros and cons of these plots

2.  Use categorical variables for groups to display within-group effects

3.  Match bar and column plots with specific data questions

4.  Decide what variables to map to different aesthetics of bar and column plots

5.  Map x, y, and fill in bar and column plots using ggplot2

Week 3 Assignments and Deadlines

●  Data Viz Challenge Three - Due by the start of Week 4

●  Quiz Three - Due by the start of Week 4

●  Data Viz Critique One - Due by the start of Week 4

Week 4 - MODULE 6:  LINE PLOTS AND MULTIPLE VIEWS

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Generalize when to use line plots, identifying the pros and cons of this type of plot

2.  Use categorical variables for groups to display within-group effects

3.  Arrange visualizations by composing multiple views (i.e., faceting)

4.  Match faceted line plots with specific data questions

5.  Decide what variables to map to different aesthetics of line plots

6.  Map x, y, color, and facet in line plots using ggplot2

7.  Ensure consistent scales in multiple views

Week 4 - MODULE 7:  TIMESERIES

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Manipulate and transform Date variables, for larger and finer grained analysis

2.  Describe when a line plot should be used with Date variables

3.  Use categorical variables for groups to display within-group effects

4.  Decide what variables to map to different aesthetics of line plots for timeseries

5.  Map x, y, color, and facet in timeseries plots using ggplot2

Week 4 Assignments and Deadlines

●  Data Viz Challenge Four - Due by the start of Week 5

●  Midterm - Released Wednesday morning 2/08, 24-hour period to complete

Week 5 - MODULE 9:  SHAPES, COLORS, ORIENTATION, AND SCALING

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1. Identify the strengths and weaknesses of different visualization elements based on human perception principles

2.  Find and correct visualization errors or pitfalls

3.  Produce effective visualizations by manipulating color, orientation, shape and scaling

Week 5 Assignments and Deadlines

●  Data Viz Challenge Five - Due by the start of Week 6

●  Quiz Four - Due by the start of Week 6

●  Data Viz Critique Two - Due by the start of Week 6

Week 6 - MODULE 10:  MAP PLOTS

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Generalize when to use map plots, identifying the strengths and weaknesses of this type of plot

2.  Match map plots with specific data questions

3.  Decide what variables to map to different aesthetics of map plots

4.  Create different types of map plots using ggplot2

Week 6 - MODULE 11:  STATISTICS AND VISUALIZATION

MODULE LEARNING OBJECTIVES (1 WEEK)

At the end of this module, you will be able to:

1.  Decide what statistical test is better for a data set and data question

2.  Display inferential statistics information on different types of visualization

3.  Anticipate visualization needs by audience and purpose

4.  Make use of storytelling and persuasion to design effective visualizations

Week 6 Assignments and Deadlines

●  Data Viz Challenge Six - Due by the start of Week 7

●  Quiz Four - Due by the start of Week 7

Week 7 - MODULE 12: INTERACTIVE VISUALIZATIONS

MODULE LEARNING OBJECTIVES (2 WEEKS)

At the end of this module, you will be able to:

1.  Design interactive visualizations using the shiny R package

2.  Identify elements that go in the user interface and that go in the server script

3.  Describe issues of visualization accessibility and make use of interactivity to mitigate these issues

4.  Choose different user interaction elements to filter and highlight the data

Week 7 Assignments and Deadlines

●  Data Viz Challenge Seven - Due by the end of Week 7

●  Final - Released Thursday morning 3/02, 24-hour period to complete

Assessment and Grade Distribution

Exam Format

This course has two exams, a midterm and a final.  You will be able to take these exams anytime within

the 24 hour period stated on the syllabus.  The exam is an extended data challenge.  University policy on

examinations can be found here: https://www.registrar.arizona.edu/courses/final-examination-regulations-  -andinformation