COSC3000 PROJECT REPORT - SCIENTIFIC VISUALISATION

THE FOLLOWING REPORT IS A PRELIMINARY INVESTIGATION INTO THE VISUALISATION AND ANALYSIS OF DATA PERTAINING TO THE ENERGY RATING OF AVAILABLE AND APPROVED BRANDED TELEVISIONS SOLD IN AUSTRALIA. THIS IS ACHIEVED THROUGH THE VISUALISATION OF DATA CLASSIFIED AS EITHER UNIVARIATE, BIVARIATE OR MULTIVARIATE. IT IS HOPED THAT THESE VISUALISAIONS WILL AID THE GENERAL PUBLIC TO MAKE INFORMED DECISIONS WHEN PURCHASING TELEVISIONS.

1 INTRODUCTION

The Australian Government outlines the importance of energy efficiency in households in a conscious effort to decrease global greenhouse gases.

“Global greenhouse gas emissions from fossil fuel use continue to grow each year, despite attempts  to  limit them through…energy efficiency measures.   The effectiveness of  these measures has been largely offset by population growth and increasing uptake of more affordable electrical appliances.” (McGee, 2013)

In another statement by the government, it is revealed that around 33% of household energy use comes from household appliances with the television in front of the fridge/freezer for the appliance with the highest energy use (Brown, 2013).

The objective of this investigatory report is to highlight through a variety of data visualisation methodologies  and  analyses  how  various  factors  influence  the  energy  efficiency  of televisions.  The  report  aims  to  present  data  in  a  visualised  form.  targeted  towards  data- challenged consumers so that they may find meaning and understanding from the information presented to them. Factors relating to the ERL (Energy Rating Label): CEC (Comparative Energy Consumption) and star rating, and screen type (screen specifications such as screen area and size) will be the main focus of this exploration. The data will be limited to branded televisions sold in Australia which are currently available and approved in order to increase the relevance of this study.

2 REVIEW OF DATA

2.1 DATA SOURCE

The multi-dimensional dataset was sourced from the Australian Government’s online data repository available for download in .csv format with a mixture of number and text entries. Due to the official nature of the data’s collectors, it can be counted as a reliable form of real data. While information such as the timespan the data was collected was not mentioned, the dataset is updated daily with the original published date being  17/04/13. This fact proves its relevance.

A report for the Department of Climate Change and Energy Efficiency (Energy Efficient Strategies, 2011) outlines standard assumptions that should be considered with certain data fields. Section 3 details the background of how star ratings are calculated as illustrated in the following segment.

“ …the standard assumes a usage of 10 hours per day  in active or “on” mode, while the remainder of the time is in passive standby mode … ”

In addition, star ratings range from 1 to 10 stars. In this case, 1 star is the worst for energy efficiency while 10 is the best.

2.2 DATA PREPARATION

To make the dataset more clear and compatible with MATLAB a number of changes were carried out. Values had to be rewritten (i.e. Republic of Korea instead of “Korea, Republic of”) for standardising and readability. All the commas that existed in the dataset had to be replaced with dashes; otherwise they were treated as delimiters and pushed the entries in the affected rows across into other columns. Values had to be standardised (i.e. Sony+SONY to SONY, Kogan+KOGAN to KOGAN) so there would be no duplicates when plotting data. Irrelevant entries were culled. Data was considered irrelevant if it was outside the scope of the investigation. Furthermore, if the data entries were blank, or had too many zeros to be visualised in a meaningful way it was removed. Data was also removed if every row in the corresponding field had a unique value because there was no meaningful way to interpret it. Of the original 3887 rows of data, only 683 remained to be visualised and analysed.

3 DATA ANALYSIS

Data  was  identified  and  split  up   into  three  distinct  groups:  univariate,  bivariate   and multivariate. The univariate visualisations were designed to be a quick visual take in of a large amount of data. The aim of bivariate visualisations was to highlight certain trends in relationships between two fields. While multivariate visualisations were designed to highlight a greater insight into the relationship between multiple fields.

3.1 UNIVARIATE

The first method of visualisation was the sorted bar chart. It was decided this was the best technique to establish the overall feel of the data. Histograms were found to not be clear with their joined  bins  especially  for  large  ranges  of  data  with  largely  varying  numbers  of occurrences. Each bin labelled with its numerical value-in an ascending order with spaces separating the bin  sections-clearly  shows  the  maximum  and  minimum  values  of  certain fields. The following figures relate to the Country of Origin, Star Rating, Brand Name and Screen Tech as these attributes are what consumers are most likely to look for when in the market for an appliance.

The data in the figures below shows a large number of single digit occurrences which was thought  odd,  considering that the television market  is  quite  large.  However,  the  original dataset did not have a field with the number of units exported. As a result, this data does not reflect the amount of units in Australia and should be taken as a generalisation of attributes from existing units.

Figure 1 Ordered occurrences for countries which export televisions to Australia

Figure 1 shows that Denmark is the country with the least exports to Australia, while China has the most. It is also interesting to note that while the majority of exports come from China, Malaysia also has a high export number, with the rest of the combined countries exporting a small amount in comparison. In addition, it was curious to see that televisions are not always constructed in the same country.

Figure 2 Ordered occurrences for television star ratings

Figure 2 surprisingly shows that the maximum star rating of the imported televisions had a higher rating of 7. It was unexpected to see that the majority of the lower energy efficiency star ratings (1, 2, 2.5, 3, 3.5, 4.5) were not frequent given the ‘reduce carbon emissions’ message by the government (McGee, 2013). More televisions  seem to be produced with energy efficiency in mind; however the dataset did not have a field on how many people purchased energy efficient televisions.

Figure 3 Ordered occurrences for television screen tech types

It can be seen in Figure 3 that the majority of imported televisions have LCD (LED) screens, while the minority has the OLED screen. It was unexpected to see that around 70% of the screen tech for imported televisions was dominated by LED.

Figure 4 Ordered occurrences for Television Brands

Figure 4 shows that well-known brands such as LG,  Samsung Electronics and Panasonic corner the brand market of televisions. It was interesting to see that so many television brands exist.

As  illustrated  in  Figures   1-4,  bar  charts   offer  an  obvious  minimum  and  maximum visualisation. However, this method is not without limitations. Ordered bar charts have no proven relationships between fields, they are only observations. For example, looking at all four figures and no other forms of visualised data, one might conclude that the majority of televisions sold from China have a star eating of 7 an LED screen and have the LG brand. Because bar charts cannot effectively illustrate relationships between fields, bivariate and multivariate data visualisations were used as supplementary information.

3.2 BIVARIATE & MULTIVARIATE

The second method towards creating a more meaningful visualisation was the scatterplot. Scatterplots were  considered  as  the  most  suitable  method  of visualisation  because  while showing the relationship of two  fields, trends were  easier to  see.  Figure  5  illustrates  an expected growth, as the diagonal size increases, the area increases also. One point of data stood out (it had a smaller screen area for a larger diagonal size) but was considered as an error due to it being a once off occurrence. A heavy clustering of data indicated that most of the TVs have screen sizes ranging from around 50cm-175cm or a screen area ranging from around 1000cm2- 11500cm2.

Figure 5 Screen size/Screen area relationship

Figure 6 Screen area/CEC relationship

The expected relationship established in Figure 5, and the clustering of screen sizes prompted a closer look at how screen size influences CEC values. There are two interesting trends identified in Figure 6. The first (red lines) shows that for the same screen area, the CEC values increase. The second (black lines) shows that as the area increases, the CEC values do as well. This result was expected, as a larger screen area usually means a larger area to power, leading to a larger amount of energy consumption, and a higher CEC value. It was interesting to see that the main cluster of plots between  100kWh/annum-1000kWh/annum corresponded to the clustering in Figure 5.This finding further cemented the idea that screen size influences CEC values. However, the one colour circle overlapping so many others, as well as the red lines trend left a confusing visualisation. The solution was to plot the same figure, but grouped by colour and marker type.

Figure 7 Screen tech grouping of screen area/CEC relationship

Figure 8 Figure 7 with trend lines

Screen tech types were decided on to be a method of grouping to establish what sort of relationship this factor had towards CEC. Figure 7 shows the results from Figure 6 grouped by colour and marker style to highlight the four screen tech types. It was interesting to see that  the  LED  televisions  were  consistently  on  the  left  side  of the  data  plots.  This  was interpreted to be that compared to LCD, OLED and Plasma screen types LED is a better performer  with  primarily   lower   CEC  values   for  increasing  screen  areas.  Plasma  was identified to be the lowest performer overall with higher levels of CEC compared to the other screen types.

Figure 9 Subplots ofCEC vs star rating vs screen size grouped by a screen tech type.