Trazando las aguas (parte 2): una comparación de las bibliotecas de gráficos de JavaScript

Un análisis profundo de D3.js, Dygraphs, Chart.js y Google Charts

El código para los gráficos que creé en la imagen del encabezado está en GitHub.

Cuando comencé a crear gráficos y visualizar datos, lo único que sabía era "Considerar Canvas para grandes conjuntos de datos" y "D3 es mágico". No tenía idea de que existía un ecosistema completo de bibliotecas de gráficos. Estas bibliotecas son gratuitas, están disponibles y están completas con ejemplos y documentación.

Más importante aún, cada biblioteca tiene sus propios pros y contras con respecto a la variedad de gráficos, la curva de aprendizaje, el nivel de personalización y la interactividad lista para usar. Entonces, ¿cómo se decide uno?

En este artículo compararé algunas bibliotecas populares de gráficos de JavaScript, específicamente D3.js , Dygraphs , Chart.js y Google Charts . Espere aprender cómo crear un gráfico de JavaScript, una comparación de alto nivel entre bibliotecas de los factores antes mencionados (variedad de gráficos, personalización, etc.) y el caso de uso que percibo que se adapta mejor a cada biblioteca de gráficos.

Pero primero, una breve introducción a por qué la visualización de datos es cada vez más importante. Le invitamos a pasar a la comparación en paralelo ( Ctrl+F “¡Comparemos!”).

¿Por qué graficar y visualizar datos?

Siempre he pensado en las visualizaciones de datos como una mejor manera de aprender y atraer a la audiencia. No todo el mundo es natural para absorber información a través del texto. Mis ojos se ponen vidriosos cuando trato de extraer números de un bloque de palabras. El texto también asume que estás familiarizado con el idioma en el que está escrito. Tuve problemas con las lecturas de libros de texto en la universidad. Es plausible que los angloparlantes no nativos también lo estuvieran pasando mal.

Alternativamente, cada vez que me encontraba con un diagrama hermoso y esclarecedor entre las pilas de información, captaba inmediatamente los conceptos y los recordaba mejor también.

Nuestras mentes no están programadas para comprender rápida y completamente grandes fragmentos de texto o pilas de filas de Excel. Pero en lo que sí se destacan es en reconocer similitudes, simetría, conexiones entre objetos y continuidad, que son las bases de la visualización de datos. Piense en los principios de la Gestalt.

Aquí hay un fragmento de algunos datos de la Oficina de Estadísticas Laborales sobre las tasas de desempleo en los condados de EE. UU. (Representadas por un código FIPS) en 2016.

Para detectar tendencias o detectar valores atípicos, la persona promedio pasaría una cantidad significativa de tiempo mirando estos datos. Pueden escanear cada fila y volver a escribir las cifras en otra hoja de papel. No es ideal.

Pero si visualizamos los datos como un mapa geográfico, como hizo Mike Bostock en su cuaderno Observable:

Inmediatamente puede ver puntos críticos de mayor desempleo. En lugar de horas, ahora ha detectado patrones interesantes en segundos. Esa diferencia en el tiempo para comprender puede significar la diferencia entre deshacerse de un conjunto de datos aparentemente "incomprensible" o, alternativamente, avanzar en su investigación . La creación de visualizaciones precisas y accesibles también permite a los espectadores detectar inconsistencias o agujeros en el conjunto de datos, lo que hace que los datos sean más responsables .

La anatomía de un gráfico

Antes de saltar a la comparación de bibliotecas, creo que la "anatomía" básica de un gráfico de JavaScript merece una descripción general. Mientras trabajaba en estas bibliotecas, noté que todas, excepto D3 *, adoptaron el mismo patrón para generar gráficos.

  1. Importe la biblioteca de gráficos en HTML.
  2. Crear un iv> with an ID identifier, such as “my-first-chart”.
  3. Fetch and load data in the JS. You may also define the data directly in the JS. Make sure you’ve linked this JS file in the HTML.
  4. Pass the data, the iv> container, and an options object to a chart generator function.
  5. Some libraries, like Google Charts, require calling draw() to draw the generated chart.
  6. Serve the code up on a Python server with http-server -c-1 -p 8000 and see your first chart at localhost:8000.

Examples

  • Basic Dygraphs example
  • Basic D3.js example
  • Basic Chart.js example
  • Basic Google Charts example

*D3 has been primarily used for charting, but it’s more of a collection of toolkits than your standard charting library. See this article for a better explanation.

Let’s compare!

When picking any library, I like to start with these evaluation questions:

  • What’s the learning curve? (quality of documentation, code complexity)
  • How much can I customize my charts?
  • Is the library actively supported?
  • What types of data does this library take?
  • What modes of interactivity are offered?
  • Does the library offer responsive charts?

Learning curve

Original text


Dygraphs, Chart.js, and Google Charts have relatively small learning curves. They are great if you need to whip up charts in a couple of hours.

D3 has the highest learning curve, and the reason for this is the fine-grain, low-level control it offers. It’s more of a well-written library of advanced helper functions. D3 can theoretically be used in conjunction with other charting libraries.

To explore a bit further, I created the same chart across all 4 libraries using Boston weather data from meteoblue. The code is up on GitHub.

…. and recorded the lines of code needed to make each chart:

The lines of code support the original comparison of learning curves. D3 needs significantly more lines to get a basic chart up and running but provides more opportunity for customization.

Customization

D3 shines in the customization arena. D3’s granularity and modularity is exactly why designers and developers favor it as the medium for stunning and unique visualizations. Chart.js and Google Charts offer numerous options that can be passed into a generator function, such as legend font size and thickness of a line.

Active development

I define library development as the frequency of releases and the responsiveness of library maintainers to opened issues and feedback for improvement. A supportive and large community of users is also a plus. Usage encourages healthy change and accountability as the JavaScript ecosystem evolves.

Looking at the respective GitHub repositories, I discovered releases and resolved issues for Dygraphs and Google Charts to be more sporadic than D3 and Chart.js. D3 will not reach a halt in development any time soon. Its creator and contributors recently released a major version (v5.0) in 2018. They still actively contribute to the visualization community. Chart.js’s latest release also occurred pretty recently in 2018. The release addressed issues and enhancements. They are documented thoroughly in the release notes.

Types of data

This speaks for itself. Fun fact: I used D3’s fetch library to fetch data. I used other libraries to chart it. D3 has fetch functions for almost all common data formats used in data visualization.

Interactivity

Dygraphs, Chart.js, and Google Charts all have some out-of-box interactivity features, like tool tips, zoom, and events. It’s difficult to introduce highly custom interactions because each library is so encapsulated. With D3, you accept that complicated and unique interactions are possible. The tradeoff is simple interactions, like a tool tip, must also be constructed from the ground up.

Responsiveness

Chart.js and D3 offer responsive charts out of the box (for D3, specify a viewBox instead of width and height for the svg container). Dygraphs and Google Charts need some additional work to create responsive charts, like adding position: relative to the chart container or redrawing the chart on $(window).resize().

Dygraphs responsive chart (inspect the chart containers to see the CSS classes)

Responsive Google Charts Stack Overflow thread

Best used for?

Last but not least, I’ve listed the use case that I think each library is best suited for:

D3 is worth investing time in if you a) need a highly custom visualization and/or b) want helper functions to use in conjunction with other libraries.

I enjoyed Dygraphs for time series because the user can pan over the series and see the date and corresponding point by default. You can also highlight specific periods of time and select ranges of time.

Chart.js allows you to create simple, aesthetically pleasing charts that pop into the page seamlessly on load.

Finally, Google Charts offered the most variety of out-of-the-box charts, compared to the other libraries. In addition to standard charts, Google Charts also supports geographic maps, tree maps, sankey diagrams, etc.

3, 2, 1 … recap!

We’ve covered the many reasons why data visualization is powerful, the basic structure and steps to create a chart using a charting library, and a play-by-play comparison of 4 popular JavaScript libraries.

The most important step after you’ve selected a library and generated some visualizations is to communicate, and then iterate. Show your charts to others and ask them what they can and cannot interpret. Listen to their feedback and keep tweaking your charts. They’re teaching tools, and teaching tools should constantly evolve with the content and the viewers.

Thank you for reading!

- — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Code for the charts I created are up on GitHub.

Here are the presentation slides that led to this article.

If you want to read about Bokeh and D3, check out Charting the waters: between Bokeh and D3.

If you have any suggestions or feedback, drop a comment.