Datakilder og dataværktøjer

Værktøjer til kvalitativ dataanalyse

NVivo Links to an external site. og Voyant Tools Links to an external site. er programmer, du kan bruge til at analysere kvalitative data, dvs. data, der generelt ikke måles på en skala, men som beskrives ved hjælp af ord eller kategorier. NVivo er et program, der kan hjælpe dig med at organisere, kode og analysere kvalitative data, fx tekst, billeder og lydoptagelser. Voyant Tools er en samling af webbaserede værktøjer, der hjælper dig med at analysere store mængder tekst, fx ved at visualisere frekvenser af ord eller fraser. Begge værktøjer er nyttige til at hjælpe med at forstå og kategorisere kvalitative data, så du kan drage konklusioner fra dem.

Værktøjer til kvantitativ dataanalyse

OpenRefine Links to an external site. er et program, du kan bruge til at rense, organisere og transformere data. Det gør det nemt at finde og rette fejl i data, fx stavefejl, tomme felter eller inkonsistens i formateringen. OpenRefine giver dig også mulighed for at finde og flette duplikerede rækker og kan håndtere store mængder data effektivt. Særligt hvis du har data, der trænger til at blive renset eller struktureret bedre, er OpenRefine nyttigt.

Excel Links to an external site. er et regnearksprogram, der bruges til at organisere og analysere data. Det er et nemt værktøj at bruge og har en række indbyggede funktioner, der gør det nemt for dig at lave simple statistiske analyser, grafer og tabeller. Excel er især nyttigt til at arbejde med data, der ikke er for store eller komplicerede, men det kan også bruges til at håndtere store datamængder, hvis du er bekendt med de avancerede funktioner.

STATA Links to an external site. er et statistikprogram, der bruges til at analysere kvantitative data. Det har et stort udvalg af funktioner, der gør det nemt at lave statistiske analyser, visualiseringer og tabeller. STATA er især nyttigt, når du arbejder med større mængder data, og det har funktioner, der gør det nemt at lave avancerede analyser.

Værktøjer til datavisualisering

Der findes mange forskellige værktøjer til at lave datavisualiseringer, og valget af værktøj afhænger af, hvilken type data du har, og hvilken type visualisering du ønsker.

Et af de programmer, der er populært til at lave datavisualiseringer, er VOSviewer Links to an external site.. VOSviewer bruges især til at visualisere og analysere forbindelser og netværk imellem data. Det er udviklet til at visualisere netværk i forskningspublikationer, fx antallet af publikationer inden for et givent fagområde, men du kan også bruge VOSviewer til at visualisere andre typer data, fx data om virksomheder eller personer.

Det måske mest brugte program til visualisering af kvantitative data er Excel Links to an external site., der gør det muligt for dig hurtigt at lave diagrammer og grafer. Det er nemt at bruge og kan som beskrevet ovenfor håndtere relativt store mængder data.

Generelle værktøjer

R Links to an external site. og Python Links to an external site. er to programmeringssprog, du kan bruge til alle trin i arbejdet med data. De er begge open source og har et stort fællesskab af brugere og udviklere, der bidrager med værktøjer og pakker til at gøre det lettere at arbejde med data.

R er et sprog, der især er populært inden for statistisk analyse og datavisualisering. Sproget er – for et programmeringssprog – relativt let at lære og har et stort online community. R er også godt, hvis du skal arbejde med meget store mængder data.

Python er et sprog, der anvendes inden for en bred vifte af områder, herunder dataanalyse. Det har et stort udvalg af pakker, der gør let for dig at arbejde med data, fx pakker til at læse og skrive filer og pakker til at høste data fra internettet. Python er særligt godt, hvis du har behov for at automatisere opgaver, og det er et godt valg, hvis du ønsker at integrere din dataanalyse med andre værktøjer eller systemer.

Der er mange måder, hvorpå du kan bruge programmeringssprog til at automatisere indsamling og analyse af data. Fx kan du skrive kode, der kan hente data fra internettet ved hjælp af såkaldte "web scrapers", som kan indsamle data fra websites eller APIer . Du kan også skrive kode, der automatisk kan læse og importere data fra filer, fx regneark.

De generelle programmeringssprog gør det også muligt at udvikle nye værktøjer til at arbejde med data. Et eksempel er Orange Links to an external site., der er udviklet i Python, og giver dig en række interaktive værktøjer og visuelle repræsentationer til at arbejde med data. Det er let at bruge og kan håndtere en række forskellige datakilder. Orange kan også bruges til at skabe og dele dataanalyseprojekter med andre og understøtter også maskinlæring.

I modsætning til de specialiserede værktøjer til at arbejde med data er egentlige programmeringssprog normalt mere komplekse at bruge og har en stejlere læringskurve. Omvendt er der i princippet ingen begrænsninger for, hvad du kan gøre med programmeringssprogene. Du vil med andre ord opleve, at det er en balance, hvor det mere brugervenlige værktøj er mindre fleksibelt, mens det meget fleksible værktøj ofte er mere komplekst.