Veri Jurnali

VOYD’un haberde veri görselleştirme kullanımı serisi kapsamında hazırladığımız yazılara devam ediyoruz. Bu hafta Türkiye İstatistik Kurumu’nun 2001 ile 2018 yılları arası Evlenme ve Boşanma verilerini inceledim. TÜİK’in hesaplamalarında kaba evlenme ve boşanma hızı olarak kabul edilen değişken bin kişilik nüfusa karşılık gelen evlenme ve boşanma sayılarına denk geliyor. Yani aşağıdaki grafikleri bin üzerinden okumalıyız. Genel olarak eğilime bakıldığından 2001’den 2018 yılına Türkiye’de kaba evlenme hızı azalırken boşanma hızında küçük bir artış gözleniyor. İllere ve bölgelere göre dağılımına bakılırsa özellikle Akdeniz, Ege ve Marmara bölgesindeki illerde boşanma hızı diğer bölgelere göre daha yüksek seyrediyor. Evlenme hızında ise bu durum tersine dönmüş durumda genelde İç Anadolu, Doğu Anadolu ve Güneydoğu Anadolu bölgesindeki illerde evlenme sayılarının nüfusa oranla daha fazla olduğu görülüyor. Bahsi geçen çıkarımlar sadece 2018 yılına ait ama çalışmanın interaktif versiyonuna gi

VOYD’un haberde veri görselleştirme serisi kapsamında bu hafta TÜİK tarafından açıklanan iş gücü istatistiklerini inceledim. TÜİK’in 15 Kasım Cuma günü açıkladığı verilere göre Türkiye’de her 100 kişiden 14’ü, her 15-24 yaşları arasındaki gençten 27’si işsiz. İşsizlik verileri genelde mevsimsel dönemlerden ve dalgalanmalardan etkilendiği için genelde işsizlik oranları önceki yılların aynı dönemlerine bakılarak karşılaştırılır. Bu nedenle TÜİK’in veri tabanından 2014 yılından bu yana açıklanan aylık işsizlik oranlarına göz attım. Hem genel işsizlik hem de genç işsizlik (15-24) oranları önceki 5 yıl ile karşılaştırıldığında 2019 yılının tüm aylarında daha yükse gerçekleşmiş durumda. Detayları aşağıdaki interaktif grafik aracılığıyla inceleyebilirsiniz: Verisetine Tüik veri tabanından veya Flourish aracıyla oluşturduğum çalışmayı yedekleyerek ulaşabilirsiniz.

VOYD’un haberde veri görselleştirme serisi kapsamında bu hafta Türkiye nüfusunun yaş gruplarına ve cinsiyete göre dağılımını inceledim. TÜİK’in en son açıkladığı verilere göre 2018 yılı itibariyle Türkiye nüfusu 82 milyon. Nüfusun 41 Milyonu erkek, 40 küsür milyonu ise kadın nüfustan oluşuyor. Nüfusun yaş gruplarına göre dağılımına bakıldığında nüfusun % 31’ini genç, % 27’sini orta yaşlı, %23’ünü çocuk %18’ini ise yaşlı bireyler oluşturuyor. TÜİK veri tabanından indirdiğim verileri Flourish kullanarak analiz ettim ve görselleştirdim. Aşağıdaki çalışmada Flourish’in hikaye (story) özelliğini kullandım. Sunum tasarımında farklı veri görselleştirme çalışmalarını bu şekilde flourish ile bir araya getirilebiliyor. Üstelik sunuma görsel çalışmayı anlatmak isteyenler için ses dosyası ekleme opsiyonu da var. Yaş gruplarını görselde de fark etmiş olabileceğiniz gibi 00-15 arası çocuk, 15 -34 arası genç, 35 -54 arası orta yaşlı, 55 ve üzeri yaşlı nüfus olarak sınıflandırdım. Yaş

Son 17 yılın evlenme istatistiklerine göre Türkiye genelinde 2005 yılından beri kaba evlenme hızı düşüyor. 2001 ve 2018 yıllarını kapsayan TÜİK verisine göre 2001’de ortalama kaba evlenme hızı binde 9,18 iken 2005 yılında ortalama 10,1 ile en yüksek noktaya ulaştı, 2018’de ise binde 6,63’e geriledi. Bölgesel evlenme verilerine bakıldığında 2018 yılında Güneydoğu Anadolu bölgesinde kaba evlenme hızının diğer bölgelere göre daha yüksek olduğu görülüyor. Bununla birlikte 2001’den 2018 yılına gelindikçe sadece genel evlenme ortalamada değil bölgesel evlenme oranlarında da düşüş yaşanıyor. Önemli Not: TÜİK’in hesaplamalarında kullandığı Kaba Evlenme Hızı bin kişi başına meydana gelen evlilik sayısına karşılık geliyor. Çalışmanın verileri TÜİK’in Merkeiz Veri Dağıtım Sisteminden alınmıştır. Veriler Tableau Public yazılımı kullanarak görselleştirilmiştir. Çalışmanın detaylarına aşağıdaki görselden veya görsele tıklayıp çalışmanın interaktif versiyonundan ulaşabilirsiniz.

Etkili veri görselleştirmeler, iyi, düzenli, doğru ve anlamlı bilgiye ihtiyaç duyar. İyi alıntılar, olgular ve betimlemeler iyi haberciliği güçlendirdiği gibi, veri görselleştirme de ancak onu besleyen veriler kadar iyidir. Hikayeniz metin ve multimedya içeriklerle daha iyi anlatılabiliyorsa Bazen veri, tek başına hikayeyi en cazip bir şekilde anlatamaz. Bir eğilim çizgisini veya özet istatistiği gösteren basit bir grafik yararlı olabilirken, bir konunun gerçek dünya koşullarına ilişkilendirildiği bir anlatı okuyucu için daha yakın ve daha etkili olabilir. Çok az veri noktasına, veri setine sahipseniz Denilir ki “Tek başına bir sayı hiçbir şey ifade etmez”. Bu durumlarda yayınlanan bir istatistiğe yanıt olarak editörlerin ortak nakaratları genelde şunlardır: “Ne ile karşılaştırılmış?”, “Trend yukarı veya aşağı mı gidiyor?” Normal trend nedir?” Verinizde çok az değişkenlik varsa, net bir trend veya sonuç yoksa Bazen verilerinizi excel veya benzeri bir grafik uygulaması

With a week away from upcoming local elections, polls promise knife edge races in İstanbul and Ankara while candidates’ popularity in Twitter tells a different story: opposition candidate in İstanbul and incumbent party candidate in Ankara are more popular than their rivals according to their Twitter stats. Upcoming local election will be the first one to hold under the new presidential system .The alliances between governing AKP and center right MHP (People’s Alliance), main opposition party CHP and center right Good Party (Nation Alliance) will also be a first for municipal elections in Turkey. In the alliance system, different parties can team up and operate the campaign with the same candidates. Political parties did not miss the chance to combine their electorate powers and nominate one mayoral candidate in İstanbul and Ankara, Turkey’s two largest cities, within a week AKP’s and CHP’s mayoral candidates will be competing for, with the MHP supporting the former’s candid

Bu çalışmada geçmiş seçimlerde partilerin üç büyük şehirde aldıkları oy oranlarını görselleştirmek için R'ın ggplot2 paketinin gganimate eklentisini kullandım. Dikkat: yüzdelik değerlerde hafif hatalar bulunabilir. Bu çalışma şuradaki görselleştirilmeden esinlenilmiştir. Kaynak koda görselin altından ulaşılabilir Kaynak kod: --- animated <- ggplot(electiontr1, aes(x = parti, y = oy_oran, fill = parti)) + geom_hline(yintercept = 0.05, colour = "#D3D3D3", linetype = "dashed") +   geom_bar(position = "dodge", stat = "identity") +   geom_text(aes(label = oy_oran,                  y = oy_oran + 0.01),             position = position_dodge(width = 0.9),              vjust = -0.5, size = 6, color = "black") +   labs(title = " Yerel Seçimler {closest_state}",        subtitle = "Son 3 yerel seçimde 3 büyük şehirdeki oy oranları",        caption = "@demirelsadettin",