data-visualization

Aperçu

Ce que fait cette skill

La skill data-visualization est un guide ciblé pour transformer des données brutes en graphiques clairs et efficaces. Elle vous aide à :

• Choisir le bon type de graphique (bar, line, scatter, heatmap, etc.)
• Appliquer les bases de la théorie des couleurs pour des visuels lisibles et accessibles
• Configurer axes, échelles et labels pour que les chiffres soient faciles à interpréter
• Annoter les points clés pour que votre audience comprenne rapidement l’histoire racontée par les données

Elle s’articule autour de workflows concrets et reproductibles utilisant Python et matplotlib via le CLI inference.sh. Les exemples montrent comment passer de données tabulaires (CSV ou feuilles de calcul) à des images prêtes pour la production, à intégrer dans des dashboards, rapports ou présentations.

Pour qui est cette skill

Utilisez la skill data-visualization si vous êtes :

• Data analyst et avez besoin de graphiques cohérents et défendables pour vos parties prenantes
• Data scientist et souhaitez obtenir rapidement des graphiques matplotlib pour l’expérimentation ou le reporting
• Product owner ou responsable opérations et transformez des exports Google Sheets ou CSV en graphiques
• Toute personne préparant des présentations, des dashboards internes ou des vues BI légères

La skill se concentre sur la communication analytique, pas sur les composants UI personnalisés ou les dashboards web complexes. Si vous cherchez principalement des bibliothèques de visualisation front-end soignées (par ex. des graphiques personnalisés basés sur D3.js), cette skill sert davantage de référence en matière de design et de workflow que de solution complète clé en main.

Problèmes que cette skill résout

Cette skill est conçue pour répondre à des difficultés fréquentes :

• Choix de graphique peu clair – Vous aide à décider quand utiliser bar vs line vs scatter vs heatmap, et quand éviter les pie charts.
• Axes et échelles déroutants – Fournit des règles pour les plages d’axes, l’espacement des graduations et la prévention de visuels trompeurs.
• Mauvaise utilisation de la couleur – Explique comment utiliser la couleur avec parcimonie pour mettre l’accent, tout en préservant contraste et accessibilité.
• Labels difficiles à lire – Montre comment titrer les graphiques, libeller les axes et annoter les points de données pour que le message principal soit évident.
• Workflows morcelés – Démontre comment intégrer la visualisation dans un workflow CLI/Python pour régénérer automatiquement les graphiques au fil des mises à jour des données.

Si vous devez régulièrement transformer des feuilles de calcul ou des fichiers CSV en images propres et réutilisables pour des présentations ou des rapports, data-visualization vous propose une méthode reproductible.

Comment utiliser la skill

1. Installer la skill data-visualization

Pour ajouter la skill data-visualization à votre environnement via le CLI skills, exécutez :

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Cette commande récupère la définition de la skill et son contenu de guide depuis le dépôt inferen-sh/skills, sous guides/design/data-visualization.

Après l’installation, vous pouvez parcourir les fichiers directement depuis votre outil compatible skills ou via GitHub :

• Entrée de la skill : SKILL.md
• Chemin du guide : guides/design/data-visualization/

2. Configurer le CLI inference.sh (requis pour les exemples de code)

Le workflow de démarrage rapide de cette skill utilise le CLI inference.sh (infsh) pour exécuter du code Python et générer des graphiques avec matplotlib.

Suivez les instructions d’installation du CLI référencées dans la skill :

1. Ouvrez le guide d’installation du CLI à l’adresse :
   • https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md
2. Installez le CLI infsh pour votre plateforme.
3. Authentifiez-vous :

infsh login

Une fois infsh installé et connecté, vous pouvez exécuter les applications d’exemple utilisées par la skill data-visualization.

3. Générer un graphique avec Python et matplotlib

Le workflow central consiste à envoyer un petit script Python à une app infsh qui exécute matplotlib et enregistre une image. La skill fournit un exemple prêt à l’emploi qui crée un bar chart du chiffre d’affaires mensuel :

infsh app run infsh/python-executor --input '{
  "code": "import matplotlib.pyplot as plt\nimport matplotlib\nmatplotlib.use(\"Agg\")\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\"]\nrevenue = [42, 48, 55, 61, 72, 89]\n\nfig, ax = plt.subplots(figsize=(10, 6))\nax.bar(months, revenue, color=\"#3b82f6\", width=0.6)\nax.set_ylabel(\"Revenue ($K)\")\nax.set_title(\"Monthly Revenue Growth\", fontweight=\"bold\")\nfor i, v in enumerate(revenue):\n    ax.text(i, v + 1, f\"${v}K\", ha=\"center\", fontweight=\"bold\")\nplt.tight_layout()\nplt.savefig(\"revenue.png\", dpi=150)\nprint(\"Saved\")"
}'

Ce script illustre plusieurs bonnes pratiques mises en avant par la skill :

• Utiliser un bar chart pour des valeurs mensuelles discrètes
• Appliquer une couleur cohérente et à fort contraste pour les barres
• Avoir des axes clairement libellés (Revenue ($K)) et un titre descriptif en gras
• Ajouter des annotations simples au-dessus de chaque barre pour rendre les valeurs immédiatement lisibles

Après exécution de la commande, vous obtenez un fichier revenue.png que vous pouvez :

• Intégrer dans des présentations
• Joindre à des rapports par email
• Publier dans des dashboards internes

Vous pouvez reprendre ce modèle pour d’autres types de graphiques (line, scatter, heatmap) en adaptant le code Python, tout en suivant les règles de choix de graphique, de labellisation et de couleur.

4. Appliquer le guide de choix de graphiques à vos propres données

Dans le contenu de la skill data-visualization, vous trouverez un Chart Selection Guide, incluant une section intitulée Which Chart for Which Data?. Ce guide vous aide à faire correspondre vos données et vos questions au bon type de graphique, par exemple :

• Comparer des catégories au fil du temps → line charts ou grouped bar charts
• Comparer des catégories à un instant donné → bar charts
• Montrer la relation entre deux variables numériques → scatter plot
• Représenter une intensité sur deux dimensions (p. ex. temps vs catégorie) → heatmap

Utilisez ce guide pour décider comment visualiser :

• Des exports CSV d’outils d’analytics (par ex. sessions par jour, revenu par canal)
• Des tableaux de feuilles de calcul, comme les résultats de tests A/B ou de sondages
• Des données préparées via Python ou SQL, lorsque vous avez besoin d’un graphique final pour un rapport

Combinez ce guide de sélection avec le workflow Python/matplotlib ci-dessus pour générer vos images par script, plutôt que de construire chaque graphique manuellement dans une interface graphique.

5. Intégrer la skill à vos workflows de reporting et de présentation

Une fois la skill installée et un pipeline infsh opérationnel, vous pouvez :

• Automatiser des graphiques récurrents : encapsuler l’appel infsh app run dans un script qui récupère les nouveaux CSV, met à jour le code Python (ou les variables de données) et enregistre de nouveaux fichiers PNG.
• Standardiser le style visuel : réutiliser les mêmes couleurs, polices et conventions de mise en page sur plusieurs graphiques pour garder des dashboards et des présentations cohérents.
• Exporter pour vos présentations : intégrer les PNG générés dans PowerPoint, Keynote, Google Slides ou des dashboards web.

La skill data-visualization est particulièrement utile lorsque vous voulez un chemin reproductible, piloté par la ligne de commande ou Python, entre des données de type feuille de calcul/CSV et des graphiques prêts à être publiés.

6. Fichiers à lire en premier

Après l’installation, consultez en priorité ces fichiers pour tirer le maximum de la skill :

• SKILL.md – Description générale de la skill, commande de démarrage rapide et contexte.
• guides/design/data-visualization/ – Règles détaillées sur les types de graphiques, les axes, les choix de couleurs et l’annotation.

Servez-vous-en comme checklist lors de la conception de nouveaux graphiques ou de la refonte de dashboards existants.

Quand cette skill est adaptée… ou pas

Utilisez la skill data-visualization lorsque :

• Vous travaillez principalement avec des données tabulaires (CSV, feuilles de calcul, exports SQL).
• Vous cherchez à standardiser la qualité de vos graphiques dans vos rapports et présentations.
• Vous êtes à l’aise avec l’exécution de commandes en CLI et de snippets Python/matplotlib de base.

Cette skill est moins adaptée lorsque :

• Vous avez besoin d’une bibliothèque de visualisation JavaScript pour des graphiques web riches et interactifs (par ex. projets D3.js complexes).
• Vous construisez une plateforme BI lourde et avez besoin d’un logiciel complet de dashboarding plutôt que de simples recommandations de design de graphiques.
• Vous n’utilisez pas inference.sh ou ne souhaitez pas de workflow piloté par CLI ; dans ce cas, vous pouvez tout de même exploiter les guides conceptuels (choix de graphiques, couleur, annotation), mais devrez les adapter à vos propres outils.

FAQ

Comment installer la skill data-visualization ?

Installez-la avec le CLI skills :

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Cela ajoute à votre environnement le guide data-visualization depuis le dépôt inferen-sh/skills, afin que vous puissiez vous y référer pour le choix de graphiques et les règles de visualisation.

Ai-je besoin du CLI inference.sh pour utiliser cette skill ?

Pour exécuter les exemples Python/matplotlib fournis tels quels, vous avez besoin du CLI infsh. Le démarrage rapide de la skill mentionne explicitement cette exigence et renvoie vers les instructions d’installation du CLI. Si vous préférez d’autres outils (par ex. exécuter Python en local, Jupyter ou un autre environnement), vous pouvez tout de même utiliser les recommandations conceptuelles (choix de graphiques, couleur, annotation) et adapter le code.

Puis-je utiliser data-visualization avec des données CSV ou des feuilles de calcul ?

Oui. Le workflow recommandé consiste à :

1. Charger des données CSV ou de feuille de calcul dans Python.
2. Les transformer en listes ou tableaux prêts pour le plotting.
3. Utiliser matplotlib (comme dans l’exemple de la skill) pour générer les graphiques.
4. Enregistrer les graphiques en fichiers PNG pour vos dashboards, rapports ou présentations.

La skill data-visualization met l’accent sur la façon de choisir et de concevoir le graphique ; vous pouvez y connecter n’importe quelle source de données tabulaires dont vous disposez.

Quels types de graphiques sont couverts par la skill ?

La skill fait explicitement référence à plusieurs types de graphiques, notamment :

• Bar charts
• Line charts
• Scatter plots
• Heatmaps

Elle aborde également les pièges des pie charts et les situations où leur préférer des alternatives. Le Chart Selection Guide vous aide à choisir parmi ces options en fonction de vos données et de vos objectifs de communication.

Cette skill porte-t-elle seulement sur l’esthétique ou aide-t-elle aussi pour l’analyse ?

Bien que l’accent soit mis sur la communication visuelle, les recommandations soutiennent les workflows analytiques en :

• Encourageant des types de graphiques qui rendent clairement tendances, comparaisons et relations
• Évitant les axes ou échelles trompeurs
• Mettant en avant les points clés via des annotations

Ce n’est pas un cours complet d’analyse de données, mais la skill est conçue pour les analystes et data scientists qui veulent que leurs résultats soient compréhensibles et crédibles.

Puis-je intégrer les graphiques générés dans des présentations et des dashboards ?

Oui. Les exemples Python/matplotlib produisent des images statiques (par ex. revenue.png) que vous pouvez :

• Insérer dans PowerPoint, Keynote ou Google Slides
• Importer dans des dashboards ou outils de reporting internes
• Joindre à des rapports PDF ou HTML

Comme les graphiques sont générés par script, vous pouvez les régénérer à chaque mise à jour des données, tout en conservant un style visuel cohérent dans vos rapports.

Où puis-je voir tous les fichiers associés à data-visualization ?

Après installation, ouvrez l’onglet Files ou parcourez le dépôt à l’adresse :

• https://github.com/inferen-sh/skills/tree/main/guides/design/data-visualization

Vous pourrez y consulter SKILL.md et le contenu de guide associé, ainsi que les références partagées utilisées par d’autres skills du même dépôt.