Escalas logarítmicas, ejes truncados y otras formas en que un gráfico induce a error

Qué es

La documentación de escalas de Vega-Lite describe una escala logarítmica como aquella que aplica una transformación logarítmica al valor del dominio antes de proyectarlo a píxeles, y la señala como particularmente útil para datos que varían a lo largo de varios órdenes de magnitud. Como log(0) es menos infinito, el dominio de una escala logarítmica debe ser estrictamente positivo o estrictamente negativo; el dominio no debe incluir ni cruzar el cero. Para datos con ceros o valores negativos ofrece la escala logarítmica simétrica (symlog), descrita como una escala similar a la logarítmica pero compatible con números no positivos. Las escalas integradas de Matplotlib incluyen 'linear', 'log', 'symlog', 'logit' y 'asinh'; su escala symlog es logarítmica en ambas direcciones desde el origen y tiene un parámetro linthresh que define el rango alrededor de cero dentro del cual el gráfico es lineal. La propiedad de escala zero de Vega-Lite, que asegura que una línea base de cero se incluya en el dominio, es verdadera por defecto para los canales x e y cuantitativos, salvo que el campo esté agrupado en bins o se establezca un dominio personalizado: el gráfico por defecto conserva la línea base, y eliminarla es un acto deliberado.

Por qué importa

En un eje logarítmico, una duplicación se ve igual tanto si es de 2 a 4 como de 2000 a 4000, lo cual es exactamente correcto para tasas de crecimiento y distribuciones de latencia, y exactamente incorrecto cuando se pretende que quien lee vea el costo absoluto. En un eje lineal con una línea base truncada, una barra que es un 2 % más alta puede parecer el doble de alta. Rara vez se inspeccionan las etiquetas de los ticks, así que la elección de la escala es el mensaje.

Cómo aplicarlo

• Usar un eje logarítmico cuando lo importante son las razones: histogramas de latencia, rendimiento agregado según el tamaño de la máquina, crecimiento a lo largo de los años. Indicarlo en el título del eje y colocar líneas de cuadrícula en cada década.
• Mantener las barras ancladas en cero; si la variación interesante es una banda pequeña cerca de un valor grande, usar puntos o líneas e indicar que el eje está ampliado (zoom).
• Usar symlog para conteos que incluyan el cero o para cantidades con signo; documentar el umbral lineal.
• Usar los mismos rangos de eje para paneles que deban compararse; dejar que la herramienta elija los rangos solo en gráficos independientes.
• Evitar los ejes Y duales; dos series en escalas distintas pueden hacerse cruzar en cualquier punto.
• Nombrar la ventana de suavizado en cualquier línea promediada, y colocar el denominador junto a cualquier porcentaje.

Trampas

Un punto en cero desaparece silenciosamente de un gráfico logarítmico, de modo que una interrupción que reduce el rendimiento a nada se desvanece. Los cambios porcentuales graficados en un eje logarítmico agravan la confusión. Los gráficos acumulativos siempre ascienden y ocultan una desaceleración. Las escalas de color con un punto medio sin etiquetar sugieren un umbral que no existe.