Grafici di distribuzione: histplot e kdeplot

Seaborn è una libreria per la visualizzazione dei dati statistici costruita sopra Matplotlib. Offre un'API di alto livello che consente di creare grafici belli e informativi con una quantità minima di codice. Una delle prime cose da capire di qualsiasi dataset è la forma delle sue distribuzioni e gli strumenti principali di Seaborn per questo scopo sono histplot e kdeplot.

sns.histplot(data, x='column') crea un istogramma di una variabile numerica. Per impostazione predefinita, Seaborn sceglie automaticamente un numero ragionevole di intervalli usando la regola di Sturges. Potete personalizzare il numero di intervalli con il parametro bins oppure lasciare che Seaborn lo scelga automaticamente. L'altezza di ogni barra rappresenta il conteggio delle osservazioni in quell'intervallo.

Il parametro bins controlla il numero di barre visualizzate dall'istogramma: un numero maggiore rivela dettagli più fini, ma può produrre un aspetto rumoroso. Il parametro stat modifica ciò che rappresenta l'asse y: 'count' (predefinito), 'density' (densità di probabilità), 'probability' (frazione delle osservazioni) oppure 'percent'. La scelta di stat='density' rende confrontabili istogrammi ottenuti da dataset di dimensioni diverse.

Impostando kde=True in histplot si sovrappone all'istogramma una curva di stima della densità con kernel (KDE). La KDE è un'approssimazione continua e uniforme della distribuzione di probabilità sottostante. Questa combinazione è molto efficace: l'istogramma mostra i conteggi grezzi per intervallo, mentre la KDE evidenzia la forma generale e rileva la presenza di più picchi (multimodalità).

sns.kdeplot() traccia solo la curva uniforme della densità, senza le barre dell'istogramma. È utile per confrontare più distribuzioni sugli stessi assi, perché gli istogrammi sovrapposti diventano confusi, mentre le curve KDE sovrapposte restano leggibili. Il parametro fill=True ombreggia l'area sotto la curva, facilitando la distinzione visiva tra i gruppi.

Sia histplot sia kdeplot accettano un parametro hue che suddivide i dati in base a una colonna categorica e disegna ogni gruppo con un colore diverso. Questo facilita il confronto tra le distribuzioni dei gruppi. Quando usate histplot con hue, impostate stat='density' per rendere correttamente confrontabili gruppi di dimensioni diverse.

La KDE ha un parametro di regolazione chiamato bandwidth, che controlla quanto è uniforme la curva. Una bandwidth ridotta rende la curva frastagliata e porta a un overfitting sui dati; una bandwidth elevata produce un'eccessiva uniformità e nasconde caratteristiche reali. Seaborn usa bw_adjust (predefinito 1.0) come moltiplicatore della bandwidth scelta automaticamente: valori inferiori a 1 aumentano la ruvidità, mentre valori superiori a 1 aumentano la uniformità.

Sia histplot sia kdeplot supportano grafici bidimensionali passando entrambi i parametri x e y. Un istogramma 2D mostra una griglia delle frequenze codificata tramite colori; una KDE 2D mostra linee di contorno a densità costante. Questi grafici rivelano la distribuzione congiunta di due variabili numeriche e indicano se sono correlate.

Seaborn offre temi integrati tramite sns.set_theme(style=). Gli stili disponibili sono 'darkgrid', 'whitegrid', 'dark', 'white' e 'ticks'. Potete anche impostare una palette con palette= o sns.set_palette(). Queste impostazioni si applicano globalmente a tutti i grafici successivi nella sessione, facilitando la creazione di un aspetto coerente.

Quando si legge un grafico della distribuzione, bisogna cercare quattro caratteristiche fondamentali. Centro: dove si concentra la maggior parte dei dati (media/mediana)? Dispersione: quanto è ampia la distribuzione (deviazione standard)? Asimmetria: la coda è più lunga a destra (asimmetria positiva) o a sinistra (asimmetria negativa)? Modalità: la distribuzione ha un solo picco (unimodale) o più picchi (bimodale/multimodale)? Le distribuzioni bimodali spesso indicano la presenza di due sottopopolazioni nascoste che vale la pena separare.

sns.displot() è il wrapper a livello di figura che crea una propria Figure e supporta la suddivisione in facet su righe e colonne tramite i parametri col= e row=. Passare kind='hist', kind='kde' o kind='ecdf' consente di cambiare il tipo di grafico. L'ECDF (funzione di distribuzione cumulativa empirica) è particolarmente utile perché mostra quale frazione dei dati si trova al di sotto di ciascun valore, senza richiedere la scelta degli intervalli.

In questa lezione ha imparato che sns.histplot crea istogrammi con intervalli e parametri statistici personalizzabili, sns.kdeplot traccia curve di densità uniformi, ideali per confrontare gruppi, e il parametro hue suddivide entrambi i tipi di grafico in base a una variabile categorica per consentire un confronto affiancato. Ora esploreremo i grafici per il confronto tra categorie, come box plot, bar plot e violin plot.