Tipos de classificação

Se você definir o estilo da sua camada utilizando cor ou tamanho, você terá a opção de classificar seus dados—isto é, dividindo-os em classes ou grupos—e definindo os intervalos e quebras para as classes. Dependendo da quantidade de dados que você tem na sua camada, você também pode escolher o número de classes: 1 até 10. Quanto mais dados você tiver, mais classes você poderá ter. A maneira como você define os intervalos de classe e quebras—os valores altos e baixos que fecham cada classe—determina quais locais caem em cada classe e a aparência da camada. Alterando as classes é possível criar mapas de aparências muito diferentes. Geralmente, o objetivo é certificar que os locais com valores semelhantes estejam na mesma classe.

Quebras naturais

As classes de Quebras Naturais são baseadas em agrupamentos naturais inerentes aos dados. As quebras de classe que agrupam valores semelhantes e que maximizam as diferenças entre classes—por exemplo, altura da árvore em uma floresta nacional—são identificadas. Os locais são divididos em classes cujos limites são configurados onde existem diferenças relativamente grandes nos valores de dados.

Pelo fato da classificação de quebras naturais adicionar valores na mesma classe, este método serve para mapeamento dos valores de dados que não estão uniformemente distribuídos.

Intervalo idêntico

O intervalo idêntico divide o intervalo de valores do atributo em subintervalos de tamanhos iguais. Com este método de classificação, você especifica o número de classes, e o ArcGIS for Power BI determina automaticamente como dividir os dados. Por exemplo, se você especificar três classes para um campo com valores variando de 0 a 300, o ArcGIS for Power BI criará três classes com intervalos de 0–100, 101–200 e 201–300.

A classificação de intervalo idêntico é melhor aplicada em intervalos de dados conhecidos como porcentagens e temperatura. Este método enfatiza a quantidade de um valor de atributo relativa aos outros valores. Por exemplo, é possível mostrar que uma loja é parte de uma rede de lojas que compõem um terço de todas as vendas.

Quantil

Na classificação quantil, cada classe contém um número igual de locais—por exemplo, 10 por classe ou 20 por classe. Não há nenhuma classe vazia ou classes com poucos ou muitos valores. Uma classificação Quantil é bem aplicada para dados distribuídos linearmente (uniformemente). Se você precisar ter o mesmo número de locais ou valores em cada classe, utilize a classificação Quantil.

Pelo fato dos locais serem agrupados em números iguais em cada classe, o mapa resultante muitas vezes pode ser enganoso. Os locais semelhantes podem ser inseridas em classes adjacentes, ou locais com valores extensamente diferentes podem ser inseridos na mesma classe. Você pode minimizar esta distorção aumentando o número de classes.

Desvio padrão

A classificação de desvio padrão mostra a você quanto o valor de atributo da localização varia a partir da média. Ao enfatizar valores acima da média e abaixo da média, a classificação de desvio padrão ajudará a mostrar quais locais estão acima ou abaixo de um valor médio. Utilizar este método de classificação ao saber como os valores se relacionam na média é importante, tal como, ao visualizar a densidade de população em uma área fornecida ou comparar a taxa de execução de hipoteca em todo o país. Para detalhes maiores em seu mapa, você pode alterar o tamanho da classe de desvio padrão 1 para desvio padrão 0,5.

Quebras manuais

Se você desejar definir suas próprias classes, você poderá adicionar manualmente as quebras de classe e configurar intervalos de classe que são apropriados para seus dados. Alternativamente, você pode começar com uma das classificações padrão e fazer ajustes conforme necessários. Já pode haver determinados padrões ou diretrizes para mapeamento dos seus dados—por exemplo, uma agência poderia utilizar quebras ou classes padrão para todos os mapas, como a escala Fujita (escala-F) utilizada para classificar a força do tornado. Posicione as quebras onde você deseja ou onde são necessárias.