Grafici categorici: boxplot, barplot, violinplot

Quando desidera confrontare una variabile numerica tra diverse categorie — per esempio, le mance ricevute nei diversi giorni della settimana o i prezzi dei prodotti in base alla marca — sono necessari grafici specializzati. Seaborn fornisce tre grafici essenziali per il confronto tra categorie: boxplot, barplot e violinplot. Ognuno mette in evidenza aspetti diversi della distribuzione ed è adatto a obiettivi analitici differenti.

Un box plot riassume una distribuzione usando cinque statistiche: il minimo, il primo quartile (Q1), la mediana, il terzo quartile (Q3) e il massimo (escludendo i valori anomali). Il box si estende da Q1 a Q3, cioè nell'intervallo interquartile, IQR; la linea all'interno del box rappresenta la mediana e i baffi si estendono fino a 1,5×IQR. I punti oltre i baffi vengono rappresentati singolarmente come valori anomali. I box plot sono eccellenti per individuare a colpo d'occhio asimmetrie e valori anomali.

Il parametro hue suddivide ogni categoria in sottogruppi visualizzati affiancati con colori diversi. Per esempio, aggiungendo hue='smoker' a un box plot di bill per giorno, vengono visualizzati due box per ogni giorno: uno per i fumatori e uno per i non fumatori. In questo modo è possibile confrontare chiaramente tre variabili senza dover usare i facet. Usi una legenda per mantenere leggibile il grafico.

sns.barplot() mostra la media di una variabile numerica per ogni categoria, con barre di errore che rappresentano per impostazione predefinita un intervallo di confidenza del 95% (calcolato tramite bootstrap nelle versioni meno recenti di Seaborn o a partire dall'errore standard nelle versioni più recenti). A differenza degli istogrammi, i bar plot riassumono ogni gruppo con un solo valore: sono ideali quando interessano la media e la sua incertezza, non la forma completa della distribuzione.

Un violin plot combina un box plot con una curva KDE specchiata su entrambi i lati. La larghezza del violino in corrispondenza di ciascun valore di y rappresenta la densità dei dati in quel punto: le sezioni più larghe contengono molte osservazioni, quelle più strette ne contengono poche. I violin plot forniscono più informazioni dei box plot perché mostrano se la distribuzione è unimodale o multimodale, ma per essere significativi richiedono una quantità maggiore di dati (idealmente n > 20 per gruppo).

Il parametro inner di violinplot controlla ciò che viene disegnato all'interno della forma del violino. Le opzioni includono 'box' (un mini box plot), 'quartile' (linee orizzontali in corrispondenza di Q1, mediana e Q3), 'point' (i singoli punti dei dati) e 'stick' (tacche verticali per ogni osservazione). Impostando inner=None viene disegnato soltanto l'inviluppo della densità, senza indicatori interni, per un aspetto più pulito nei confronti affiancati.

Aggiungere un sns.stripplot() sopra un box plot o un violin plot mostra ogni singolo punto dei dati come un punto, evitando di nascondere i valori anomali e le dimensioni ridotte dei campioni. Imposti jitter=True per distribuire orizzontalmente i punti, così che non si sovrappongano tutti, e imposti alpha per renderli semitrasparenti quando i punti sono numerosi.

Usi un box plot quando ha bisogno di vedere mediane, IQR e valori anomali e le dimensioni dei campioni sono moderate. Usi un bar plot quando il pubblico è interessato alle medie e agli intervalli di confidenza, come accade spesso nei report e nelle dashboard. Usi un violin plot quando desidera mostrare la forma completa della distribuzione, soprattutto la multimodalità. Per dataset di piccole dimensioni (n < 30 per gruppo), preferisca box plot combinati con strip plot ai violin plot, perché con pochi punti le curve KDE diventano inaffidabili.

sns.catplot() è il wrapper a livello di figura per tutti i grafici categoriali. Passare kind='box', 'bar', 'violin', 'strip', 'swarm', 'count' o 'point' consente di cambiare il tipo di grafico. Il suo principale vantaggio sono i parametri col e row, che creano automaticamente una griglia di sottografici: per esempio, pannelli separati per genere o fascia oraria senza dover creare manualmente plt.subplots.

sns.countplot() mostra quante osservazioni rientrano in ciascuna categoria, essenzialmente come un grafico a barre dei conteggi. Equivale a chiamare value_counts() e quindi a tracciare il risultato. Lo usi per visualizzare lo sbilanciamento tra classi nei dataset, la frequenza dei valori categoriali o la dimensione del campione per gruppo prima di effettuare qualsiasi confronto tra distribuzioni. Ordini le barre per frequenza con order=df['col'].value_counts().index.

sns.pointplot() traccia la media di ogni categoria come un punto e collega i punti con una linea, rendendo facile osservare le tendenze tra categorie ordinate. Le barre di errore mostrano gli intervalli di confidenza. È particolarmente utile quando l'asse x rappresenta gruppi ordinati, come fasce d'età o livelli di istruzione, e si desidera enfatizzare la direzione e l'entità del cambiamento tra i gruppi, non soltanto le medie considerate singolarmente.

Verifichi la Sua comprensione dei grafici categoriali di Seaborn trattati in questa lezione.

In questa lezione ha imparato che sns.boxplot riassume le distribuzioni con mediana, IQR e valori anomali, sns.barplot mostra le medie dei gruppi con barre di errore per gli intervalli di confidenza e sns.violinplot rivela la forma completa della distribuzione, inclusa la multimodalità. Ora esploreremo gli scatter plot e i pair plot per visualizzare le relazioni tra variabili numeriche.