Обложка
Карта DataViz-ресурсов Проект о том, как подборка ссылок превращается в понятную структуру обучения визуализации данных. В основе проекта — список книг, гайдов, документации и инструментов. Вместо того чтобы показывать его как длинную таблицу, инфографика группирует материалы по типам и показывает, из чего на практике собирается работа с данными. Файл для обложки: 01-cover.png Обложка сделана как самостоятельное изображение: она не повторяет постер, а использует образ полок и цветных книжных корешков как метафору учебной карты.
Идея и концепция
Визуализация данных начинается не с графика, а с набора источников: книг, инструкций, инструментов, примеров и среды для верстки. Этот проект показывает, какие типы ресурсов входят в учебную подборку по DataViz и какую роль они играют. Я выбрала эту тему, потому что она напрямую связана с процессом создания инфографики. В таблице собраны не абстрактные данные, а материалы, которыми реально можно пользоваться: Datawrapper, RAWGraph, NodeBox 3, Figma, книги и методические гайды. Цель проекта — превратить список ссылок в наглядную карту обучения. Польза инфографики — быстро показать, какие группы материалов уже есть в подборке и как они распределены: где больше практических инструментов, где методология, а где вспомогательные материалы для макета и экспорта. Главная цифра проекта — 39 материалов. Вторая ключевая цифра — 7 категорий. Вместе они показывают, что подборка компактная, но покрывает разные этапы работы: от теории до финального носителя.
Данные и источник
В таблице 39 строк. Каждая строка содержит название материала и ссылку. Среди источников есть книги, онлайн-гайды, страницы документации, академии инструментов и плагины. Для инфографики материалы были сгруппированы в 7 категорий: Datawrapper Academy — 10 Figma Help — 9 Книги и публикации — 6 NodeBox 3 — 5 RAWGraph — 3 Гайды и стандарты — 3 Плагины и синхронизация — 3 Файл с исходными ссылками: source-links.csv Файл с агрегированными данными: ./dataviz-books-bars/books-bars-category-counts.csv Важно: данные не были сгенерированы нейросетью. Нейросеть использовалась только как помощник для обработки, структурирования и подготовки визуальных материалов.
Инфографика
Постер показывает структуру подборки. Главная диаграмма — горизонтальная столбчатая: она подходит для длинных названий категорий и позволяет быстро сравнить количество материалов. В верхней части постера вынесены три главные цифры: 39 материалов в исходной таблице 7 категорий ресурсов 10 материалов Datawrapper Ниже расположена основная диаграмма. Самые большие категории — Datawrapper Academy и Figma Help. Это показывает, что подборка ориентирована не только на теорию, но и на практическую сборку графиков и оформление макета. В нижней части постера есть блок «Как читать подборку»: теория, график, макет. Он превращает диаграмму в маршрут работы.
Мокапы носителя
Чтобы показать тип носителя, постер представлен в трех мокапах. Первый мокап показывает постер фронтально на стене. Он нужен для демонстрации общего формата и пропорции А2. Файл: 03-mockup-1.png Второй мокап показывает печатный лист под углом. Он помогает представить постер как физический объект, а не только как цифровую картинку. Файл: 03-mockup-2.png
Процесс создания
Работа началась с исходного файла DataViz Books and Bars.xlsx. Таблица была прочитана как список материалов: название плюс ссылка. После этого каждому ресурсу была присвоена категория по типу материала и домену ссылки. Далее категории были посчитаны и сохранены в отдельную таблицу. На основе этих данных была построена горизонтальная столбчатая диаграмма. Для финального проекта выбран формат постера А2, потому что он позволяет показать и общую структуру, и поясняющий маршрут чтения. Пайплайн производства: Чтение исходной Excel-таблицы. Классификация материалов по категориям. Подсчет количества ресурсов в каждой категории. Создание агрегированного CSV. Проектирование постера А2. Подготовка самостоятельной обложки. Создание трех мокапов носителя. Подготовка текстовых блоков для лонгрида. Использованные инструменты: Excel-файл как исходный источник данных. Python для чтения таблицы, группировки и генерации графических файлов. Pillow для отрисовки постера, обложки и мокапов. ИИ-помощник для структурирования пайплайна, чернового текста и автоматизации экспорта. Нейросети не использовались для генерации или изменения числовых данных. Все значения на постере получены из исходной таблицы.
Итог
Проект показывает, что подборку ресурсов можно читать как данные. Если сгруппировать список ссылок, становится видно, какие части процесса визуализации данных представлены сильнее всего. Главный вывод: визуализация данных собирается не из одного приложения, а из связки теории, инструментов и аккуратной верстки. Именно эту структуру и показывает постер.
