Datawrapper — poradnik do ćwiczenia

Podstawy dziennikarstwa danych

Autor

Afiliacja

Ben Stanley

Wydział Nauk Społecznych, Uniwersytet SWPS

Do czego służy ten handout: towarzyszy ćwiczeniu „analiza i wizualizacja danych o przestępczości” (seminarium 3). Pokazuje, jak działa Datawrapper i na co zwracać uwagę, ale nie rozwiązuje za was decyzji redakcyjnych — to jest wasza praca. Jeśli chcecie dosłownych kliknięć, skorzystajcie z Datawrapper Academy; tutaj skupiamy się na tym, co jest istotne w kontekście kursu.

Przed rozpoczęciem

• Załóżcie bezpłatne konto na datawrapper.de (Sign up w prawym górnym rogu). Pełen dostęp bez opłat.
• Pobierzcie plik przestepstwa-powiaty-2025.csv z Resources kursu.
• Najpierw policzcie rzeczy w jamovi (patrz handout jamovi) — Datawrapper ma wizualizować odpowiedź, a nie dane same w sobie.

Cztery kroki Datawrapper — zasada ogólna

Każdy wykres w Datawrapper powstaje w tym samym workflow, niezależnie od typu:

1. Upload data — wklejcie (Ctrl+V) lub wgrajcie CSV
2. Check & describe — potwierdźcie typy kolumn (liczby jako number, tekst jako text, daty jako date)
3. Visualize — wybór typu wykresu i cały dobór wizualny (oś, kolor, sortowanie, tytuł, adnotacje)
4. Publish & embed — publikacja, link jest natychmiast aktywny

Gdzie spędzicie większość czasu: w kroku 3, w sekcjach Refine (ustawienia wizualne) i Annotate (tytuł, opis, źródło). Kroki 1, 2 i 4 zajmują łącznie ~5 minut.

Adnotacja

Po publikacji wykres można dalej edytować. Ten sam link aktualizuje się automatycznie — nie trzeba niczego republikować. Dlatego Publish nie jest ostatecznym zobowiązaniem; możecie opublikować, zobaczyć, jak wygląda „na produkcji”, i dalej poprawiać.

Dobór typu wykresu do pytania

Wasza analiza w jamovi powinna była doprowadzić was do konkretnej historii. Typ wykresu wynika z tej historii — nie z tego, co wygląda efektownie.

Jaka historia?	Typ wykresu	Dlaczego
Ranking — „które powiaty są liderami?“	Bar chart (horizontal)	Długie nazwy po lewej, wartości po prawej, łatwe do czytania
Geografia — „gdzie są hotspoty?“	Choropleth map	Tylko jeśli lokalizacja sama w sobie jest istotą historii
Zależność — „czy X idzie w parze z Y?“	Scatter plot	Dwie zmienne ciągłe; kategorialną dodajcie jako kolor
Zmiana w czasie	Line chart	(Nie dotyczy tego ćwiczenia — dane są przekrojowe, nie panelowe)
Porównanie dwóch kategorii per grupa	Split bars lub Stacked bars	Np. przyjazd vs wyjazd; rzadko: struktura procentowa

Reguła: jeśli nie potraficie w jednym zdaniu powiedzieć, jaki wniosek pokazuje ten wykres, typ jest prawdopodobnie zły.

Na co zwracać uwagę przy każdej decyzji

Bar chart — ranking

• Sortowanie: domyślnie malejąco. Top 15 (lub 20), nie wszystkie 380 powiatów — 380 słupków jest całkowicie nieczytelnych.
• Oś X: zaczyna się od zera. Datawrapper to domyślnie ustawia; jeśli zmieniliście, wracajcie. Słupki ze ściętą osią kłamią.
• Kolor: jednolity dla większości, wyróżniony (inny kolor) dla 1–3 pozycji, które komunikują wniosek. Np. jeśli top 3 to hotspoty per capita, dajcie im inny kolor.
• Etykiety wartości bezpośrednio na słupkach — łatwiej czytać niż oś.

Choropleth map

• Matching: Datawrapper automatycznie próbuje łączyć dane po nazwie powiatu — ale w naszym pliku 10 par powiatów ma te same nazwy (brzeski, grodziski, świdnicki…). Łączenie po nazwie dałoby błędne wyniki. Użyjcie kolumny teryt (4-cyfrowy kod TERYT) jako klucza: w kroku Check & describe upewnijcie się, że kolumna teryt jest wybrana jako Match values to map. Mapa Datawrapper wspiera TERYT natywnie — wszystkie 380 powiatów dopasuje się bez błędów.
• Skala kolorów: sekwencyjna (jasny → ciemny), nie dwubiegunowa (czerwony-niebieski), bo nie mamy wartości „ujemnych” i „dodatnich” — wszystkie są liczbami przestępstw.
• Podział na klasy: dla rozkładów silnie prawoskośnych (jak przestępstwa_ogółem) liniowa skala = jedna Warszawa dominuje, reszta jednolita. Użyjcie kwantyli albo skali logarytmicznej. Skośność wskaźnika na 100k jest bliska normalności → liniowa skala jest OK.
• Paleta daltonizm-friendly: Datawrapper ma gotowe zestawy. Unikajcie samodzielnego dobierania kolorów.

Scatter plot

• Osie: X i Y to dwie zmienne ciągłe. W tym ćwiczeniu naturalny wybór: ludność × przestępstwa_ogółem.
• Kolor: trzecia zmienna kategorialna (typ_powiatu) — wtedy wykres opowiada historię „to skala populacji tłumaczy nagłówki”.
• Skala log: jeśli zakres obejmuje 3 rzędy wielkości (jak populacja: 25 tys.–1,9 mln), skala liniowa spłaszcza wszystko poza jednym-dwoma outlierami. Jeśli włączacie log, dopiszcie to w tytule lub notce.
• Linia trendu: opcjonalna, ale jeśli historia jest „wszystko się skaluje proporcjonalnie”, to silna ilustracja.

Tytuł komunikuje wniosek, nie dane

Źle (opisowe, bezużyteczne):

• „Liczba przestępstw w powiatach w 2025 roku”
• „Ranking powiatów pod względem przestępczości”

Dobrze (komunikują wniosek z analizy):

• „Najwięcej zgłoszeń w Warszawie — ale stopa przestępczości najwyższa w bieszczadzkim”
• „W top 10 powiatów per capita nie ma ani jednego miasta”
• „Liczba przestępstw idzie w parze z populacją — to skala, nie bezpieczeństwo, tłumaczy nagłówki”

Test: czy po przeczytaniu samego tytułu (bez wykresu) czytelnik już coś wie? Jeśli nie — tytuł nic nie komunikuje.

Pole Source — obowiązkowo

W Annotate → Notes & Source wpiszcie:

„Dane dydaktyczne — kurs Podstawy dziennikarstwa danych, Uniwersytet SWPS”

Nie podawajcie dane.gov.pl ani Komendy Głównej Policji. Dane są fikcyjne, mylące przypisanie byłoby czerwoną flagą etyczną. Brak źródła = wykres przestaje być dziennikarstwem.

Sprawdzenie przed kliknięciem Publish

Każdy wykres powinien przejść pięć testów. To te same pięć pułapek z wykładu:

1. Korelacja vs przyczynowość — czy tytuł nie sugeruje, że coś powoduje coś innego bez podstaw w danych?
2. Cherry-picking — czy pokazujecie pełny zakres (top 15 jawnie, wszystkie powiaty na mapie), nie dobór pod tezę?
3. Oszukujący wykres — oś od zera? Paleta daltonizm-friendly? Skala log oznaczona?
4. Agregacja — czy wybór ogółem vs na 100k jest widoczny w tytule? Czytelnik musi wiedzieć, co ogląda.
5. Oficjalne ≠ prawdziwe — czy jest nota „dane dydaktyczne”?

Dwa lub więcej haków na czerwono = wracajcie do Datawrapper. Nie publikujcie wykresu, który sami byście skrytykowali.

Częste problemy i jak je rozwiązać

Problem	Rozwiązanie
Polskie znaki wyświetlają się jako „Å” lub inne dziwaczne	Otwórzcie CSV w edytorze tekstu, zapiszcie jako UTF-8, wgrajcie ponownie
Datawrapper rozpoznał liczbę jako tekst	W Check & describe dwuklik na nagłówku → zmień typ na Number
Mapa nie rozpoznaje części powiatów	Sprawdźcie, czy Datawrapper łączy po kolumnie teryt (nie powiat). Łączenie po nazwie zawsze psuje się na duplikatach.
380 słupków, chaos	Ograniczcie do top 15–20 (Filter → Show only N)
Wykres nieczytelny na telefonie	Kliknijcie ikonę telefonu w prawym górnym rogu podglądu; skróćcie tytuł lub etykiety
Kolory za jaskrawe / nieczytelne	Refine → Colors — wybierzcie gotową paletę, nie samodzielnie

Podgląd mobilny — obowiązkowo

Ponad 60 % polskich czytelników portali jest na telefonie. Wykres, który pięknie wygląda na 27-calowym monitorze, ale nieczytelny na iPhonie, jest w praktyce niewidoczny.

Ikona telefonu w prawym górnym rogu Datawrapper pokazuje wersję mobilną. Sprawdźcie:

• Czy tytuł się mieści (lub zawija się elegancko)?
• Czy etykiety osi nie nakładają się na siebie?
• Czy najważniejsza informacja jest na górze?

Jeśli coś jest złe — najczęstsze poprawki: skrócenie tytułu, zmniejszenie liczby etykiet, inny typ wykresu.

Oddanie pracy

Po opublikowaniu:

• Skopiujcie link z zakładki Publish & embed (format: https://datawrapper.dwcdn.net/xxxxx/N/)
• Wyślijcie na Classroom: link + jedno zdanie uzasadnienia wyboru formatu + jedno zdanie tego, co zrobilibyście inaczej mając więcej czasu

Przydatne zasoby

• Datawrapper Academy — pełna dokumentacja i tutoriale krok po kroku
• Blog Datawrappera — cotygodniowe Weekly Charts, świetna inspiracja
• River — galeria wykresów innych użytkowników; możecie klonować i przerabiać
• Wsparcie: support@datawrapper.de — odpowiadają szybko i życzliwie