Definition

Das Spiderdiagramm vergleicht Werte von min. drei oder mehr Variablen in Relation zu einem zentralen Punkt. Die Anordnung erinnert an ein Spinnennetz.

Beschreibung

Das Netzdiagramm wird auch Spinnennetzdiagramm, Sterndiagramm, Kiviat- oder Radardiagramm genannt - etwas seltener Spider-Grafik. Die Ergebnisse werden dabei grafische in einer Spinnennetzform dargestellt. Besonders gut eignet sich dieses Diagramm zum Visualisieren von Evaluationen für zuvor festgelegte Kriterien zweier (oder mehrerer) Werten mehrerer, gleichwertiger Kategorien.

Für jede Kategorie gibt es eine Achse, dabei gilt bei der Wertigkeit für alle Achsen die gleiche Richtung.

Die Achsen werden kreisförmig in 360 Grad gleichmäßig angeordnet. Die Werte jeder Kategorie sind mit Linien verbunden wie in einem Spinnennetz. Bei mehreren Kategorien werden in der Regel verschiedene Farben verwendet.

Das Sterndiagramm wurde zuerst von Georg von Mayr im Jahr 1877 verwendet.

Voraussetzungen

✓ Die Variablen sollten metrisch sein. (In der Praxis werden jedoch oft auch ordinalskalierte Variablen verwendet.)

Gestaltung

Anordnung

  • mindestens 3 Kategorien
  • max 10 Achsen
  • optimale Anzahl zwischen 5 und 7 Achsen

Gestaltungstips

  • Achsenbezeichnung
  • Farben sinnvoll wählen
  • Flächen

Code

fmsb

Daten einlesen

Hinweis: Die Anordnung des Datasets ist dabei von entscheidender Bedeutung .

# (Max, Min, Werte der ersten )
Zufriedenheit <- c(5,0, 4,1,3)
Produktivität<- c(5,0, 5,2,3)
Leistungsbereitschaft<- c(5,0, 5,1,3)
Teamplayer<- c(5,0, 3,1,3)
Kollegialität<- c(5,0, 2,1,3)



spider <- data.frame(Zufriedenheit,Produktivität, Leistungsbereitschaft, Teamplayer, Kollegialität)
#View(spider)
library(fmsb)# Spiderdiagramme
radarchart(spider)

weitere Beispiele

# Data must be given as the data frame, where the first cases show maximum.
maxmin <- data.frame(
 total=c(5, 1),
 phys=c(15, 3),
 psycho=c(3, 0),
 social=c(5, 1),
 env=c(5, 1))
# data for radarchart function version 1 series, minimum value must be omitted from above.
RNGkind("Mersenne-Twister")
set.seed(123)
dat <- data.frame(
 total=runif(3, 1, 5),
 phys=rnorm(3, 10, 2),
 psycho=c(0.5, NA, 3),
 social=runif(3, 1, 5),
 env=c(5, 2.5, 4))
dat <- rbind(maxmin,dat)


radarchart(dat, axistype=1, seg=5, plty=1, vlabels=c("Total\nQOL", "Physical\naspects", 
 "Phychological\naspects", "Social\naspects", "Environmental\naspects"), 
 title="(axis=1, 5 segments, with specified vlabels)", vlcex=0.5)

radarchart(dat, axistype=2, pcol=topo.colors(3), plty=1, pdensity=c(5, 10, 30), 
 pangle=c(10, 45, 120), pfcol=topo.colors(3), 
 title="(topo.colors, fill, axis=2)")

radarchart(dat, axistype=3, pty=32, plty=1, axislabcol="grey", na.itp=FALSE,
 title="(no points, axis=3, na.itp=FALSE)")

radarchart(dat, axistype=1, plwd=1:5, pcol=1, centerzero=TRUE, 
 seg=4, caxislabels=c("worst", "", "", "", "best"),
 title="(use lty and lwd but b/w, axis=1,\n centerzero=TRUE, with centerlabels)")

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