Grafici a dispersione e pair plot

I grafici della distribuzione mostrano una variabile alla volta. Quando desidera comprendere la relazione tra due variabili numeriche, sono necessari scatter plot e visualizzazioni correlate. Questi strumenti aiutano a individuare la correlazione (le due variabili aumentano insieme?), i cluster (nei dati sono presenti sottogruppi?) e i valori anomali (ci sono punti insoliti lontani dalla nube principale?). Seaborn semplifica tutte queste operazioni con scatterplot e pairplot.

sns.scatterplot(data, x, y) traccia ogni osservazione come un punto alle coordinate (x, y). A differenza di plt.scatter di Matplotlib, la versione di Seaborn si collega automaticamente a un DataFrame e si integra con le semantiche hue, size e style. Il risultato è un grafico informativo con più variabili, ottenuto con una sola chiamata di funzione e una legenda automatica.

Il parametro hue assegna un colore a ogni punto in base a una terza variabile, categorica o numerica. Quando hue è una colonna categorica, come 'smoker', Seaborn usa colori distinti. Quando hue è una colonna numerica, usa una mappa di colori sequenziale. In questo modo è possibile visualizzare contemporaneamente tre variabili in un grafico 2D senza aggiungere un terzo asse.

Oltre a hue, gli scatter plot di Seaborn supportano size (l'area del punto codifica una variabile numerica) e style (la forma del marcatore codifica una variabile categorica). Usare contemporaneamente tutte e tre le semantiche può rivelare schemi complessi con più variabili, ma rischia di sovraccaricare chi osserva il grafico. Una linea guida pratica consiste nell'usare prima hue (il più rilevante), poi style e infine size solo quando necessario.

sns.regplot() traccia uno scatter plot e vi sovrappone una retta di regressione lineare con una banda di confidenza del 95% ombreggiata. È utile per visualizzare l'intensità e la direzione della relazione lineare tra due variabili. La banda di confidenza si restringe nelle aree con molti dati e si allarga ai margini, dove sono disponibili meno punti per determinare l'adattamento.

sns.lmplot() è la versione a livello di figura di regplot. Supporta hue (rette di regressione separate per ogni gruppo nello stesso pannello) e col/row (pannelli separati). È uno strumento potente per verificare se la relazione tra due variabili cambia tra sottogruppi, per esempio se la relazione tra conto e mancia è più ripida a cena che a pranzo.

sns.pairplot(df) crea una griglia di scatter plot per ogni coppia di colonne numeriche del DataFrame, con grafici della distribuzione sulla diagonale. È il modo più rapido per visualizzare in un'unica chiamata tutte le relazioni a coppie presenti in un dataset. Per un DataFrame con n colonne numeriche, pairplot crea una griglia n×n. È più pratico quando n è compreso tra 3 e 8; con griglie più grandi i grafici diventano troppo piccoli per essere letti.

Il parametro diag_kind controlla cosa viene visualizzato sulla diagonale della griglia di pairplot. Usi 'hist' per gli istogrammi o 'kde' per le stime della densità tramite kernel. La diagonale mostra la distribuzione univariata di ogni variabile, mentre i pannelli fuori dalla diagonale mostrano gli scatter plot a coppie. Può anche usare corner=True per visualizzare soltanto il triangolo inferiore, dimezzando il numero di pannelli e riducendo la ridondanza.

sns.PairGrid offre il pieno controllo sul tipo di grafico visualizzato in ogni sezione della matrice. Usi g.map_upper(), g.map_lower() e g.map_diag() per assegnare funzioni diverse, come regplot nel triangolo superiore e kdeplot in quello inferiore. In questo modo si ottengono grafici di qualità editoriale, in cui ogni pannello comunica informazioni specifiche sulla coppia di variabili.

Quando legge un grafico a dispersione, stimi la direzione (la nuvola sale o scende?), la forza (quanto sono raggruppati i punti attorno alla tendenza?) e la forma (lineare o curva?) della relazione. Il coefficiente di correlazione r varia da -1 (negativa perfetta) a +1 (positiva perfetta), mentre 0 indica l'assenza di una relazione lineare. Ricordi: correlazione non significa causalità e una relazione non lineare può avere r ≈ 0.

sns.jointplot() combina un grafico bivariato centrale con grafici univariati marginali sui bordi superiore e destro. Passi kind='scatter', 'hex', 'kde' oppure 'reg'. Il tipo hex è utile quando sono presenti migliaia di punti sovrapposti: li raggruppa in esagoni e usa il colore per mostrare la densità, risolvendo il problema della sovrapposizione che rende illeggibili i grafici a dispersione per dataset di grandi dimensioni.

Verifichi la Sua comprensione dei grafici a dispersione e dei pair plot di Seaborn illustrati in questa lezione.

In questa lezione ha imparato che sns.scatterplot codifica fino a quattro variabili usando x, y, hue, size e style, sns.regplot/lmplot sovrappone una retta di regressione per quantificare le relazioni lineari e sns.pairplot genera una griglia con tutte le coppie, ideale per l'analisi esplorativa di dataset multivariati. Ora esamineremo le mappe di calore per visualizzare le matrici di correlazione.