📊

「箱ひげ図」に「ひと味」加えて可視化する（boxen / swarm / violin)

2021/03/11に公開

概要

kaggleのtitanicのデータ可視化で思ったことのメモです。
- 「乗船した港」毎に「乗客の年齢」分布をうまく可視化したい。
- そういったときに、箱ひげ（seabornで言えばboxplot）を使うのがよくある手段
- 一方で、他の可視化手段を使うと「ひと味」加える事ができるので、まとめてみました。
今回は、seabornの箱ひげ図(boxplot)の代替として下記あたりを検討してみたいと思います。

https://github.com/seaborn

誰かの役に立つと嬉しいですが、あくまでも作業メモ＆私見です。

モチベーション

箱ひげ

タイタニックで、乗船港毎の乗客の年齢はこんな感じ。（まずは、箱ひげ）
一応、下記程度は読み取れます。
どの港から乗ったとしても、年齢の中央値は25～30歳くらい
中央値や第１、３分位値にも大きく差はない。（Queenstownがちょっと若め？）
Southamptonから乗った乗客に、外れ値（高齢の方のデータ）が目立つ

Swarmplotにしてみると

これをSwarmplotにしてみると、四分位値は見づらくなる代わりに、「ひと味」加わり良い感じ。
- 系列毎のデータの個数を意識できるようになる。（実は、Queenstownは少数）
- 箱やひげの意味を知らない人にも読みやすい
- データの密な部分、疎な部分を読み取りやすい

箱ひげに「ひと味」加える

関数やオプションを変えてみる

関数をかえる
- boxenplot、swarmplot、violinplot
オプションをかえる
- hue、splitの指定

等々やると、「ひと味」加える事ができます

まとめてみると（チートシート）

boxenplotには、splitオプションがない
swarmplotとviolinplotでは、splitオプションの意味が、ちょっと違うので注意

オプション	boxenplot	swarmplot	violinplot
指定無し
hue="Sex"
hue="Sex" split=True	なし

「どれ」を「いつ」使うべきか？

「この用途では、これ！」と言い切るのは難しいのですが、、
それぞれ比較してみると特性が見えてきます。

箱ひげ(boxplot) vs boxenplot

アルファベット的にも2文字(en)しか変わらないのでそこまで差はありません
四分位で見せたいか、もっと細かい分位値で見せたいか？ 外れ値 を意識させたいか？がポイント

	箱ひげ(boxplot)	boxenplot
表示
特徴	四分位、最大、最小が分かる外れ値の状況も見える	より細かい分位値が見える外れ値として見えづらい

箱ひげ(boxplot) vs swarmplot

箱ひげに比べて、データの個々を意識し、連続的に捉えるswarmplot
データの個数、密度、差も見えるようになるが、プロットコストが高く、大量データだと厳しい。

	箱ひげ(boxplot)	swarmplot
表示
特徴	区間(分位値)として捉えるプロットコストが低い	個々を意識し連続的にデータを捉えるデータ個数や系列毎の差も理解可しかし、プロットコストが高い

swarmplot vs violinplot

swarmplotのように、連続的にデータを扱い、プロットコストも抑えられるのがviolinplot
その代わり、データの個数や系列毎の差は意識できなくなる。

	swarmplot	violinplot
表示
特徴	個々を意識し連続的にデータを捉えるデータ個数や系列毎の差も理解可しかし、プロットコストが高い	個々を意識せず、データの個数が見えないが、全体傾向を連続的に理解可能プロットコストも抑える事ができる。

まとめ

一長一短あり、用途に応じて選択すべきですが、まとめると下記といったところでしょうか。

区間 vs 連続	「ひと味」の加え方	選ぶべき可視化手法は？
データを区間 (分位)で扱い、	外れ値も意識させたければ、	箱ひげ(boxplot)
	四分位より細かい表示では、	boxenplot
データを連続的に扱い、	その個数や密度を見せたければ、	swarmplot
	プロットコストを抑えて全体傾向を見せたければ、	violinplot

Discussion