Categorische grafieken: boxplot, barplot, violinplot

Wanneer je een numerieke variabele tussen verschillende categorieën wilt vergelijken — bijvoorbeeld ontvangen fooien per dag van de week of productprijzen per merk — heb je gespecialiseerde grafieken nodig. Seaborn biedt drie essentiële categorische vergelijkingsgrafieken: boxplot, barplot en violinplot. Elke grafiek laat andere aspecten van de verdeling zien en is geschikt voor andere analysedoelen.

Een boxplot vat een verdeling samen met vijf statistieken: het minimum, het eerste kwartiel (Q1), de mediaan, het derde kwartiel (Q3) en het maximum (zonder uitschieters). De box loopt van Q1 tot Q3 (het interkwartielbereik, IQR), de lijn in de box is de mediaan en de snorharen lopen door tot 1,5×IQR. Punten buiten de snorharen worden afzonderlijk weergegeven als uitschieters. Boxplots zijn uitstekend geschikt om scheefheid en uitschieters in één oogopslag te herkennen.

De parameter hue splitst elke categorie op in subgroepen die naast elkaar en in verschillende kleuren worden weergegeven. Als je bijvoorbeeld hue='smoker' toevoegt aan een boxplot van dag tegen rekeningbedrag, zie je twee boxplots per dag — één voor rokers en één voor niet-rokers. Zo kun je vergelijkingen met drie variabelen duidelijk weergeven zonder facetten te gebruiken. Gebruik een legenda om de grafiek leesbaar te houden.

sns.barplot() toont het gemiddelde van een numerieke variabele voor elke categorie, met foutbalken die standaard een betrouwbaarheidsinterval van 95% weergeven (berekend met bootstrapping in oudere versies van Seaborn of op basis van de standaardfout in nieuwere versies). In tegenstelling tot histogrammen vatten staafdiagrammen elke groep samen in één waarde — ze zijn het meest geschikt wanneer je geïnteresseerd bent in het gemiddelde en de onzekerheid daarvan, niet in de volledige vorm van de verdeling.

Een vioolplot combineert een boxplot met een KDE-curve die aan beide kanten gespiegeld wordt. De breedte van de viool bij elke y-waarde geeft de dichtheid van de gegevens op dat punt weer — brede delen bevatten veel waarnemingen, smalle delen weinig. Vioolplots geven meer informatie dan boxplots omdat ze laten zien of de verdeling unimodaal of multimodaal is, maar ze hebben meer gegevens nodig om betekenisvol te zijn (streef naar n > 20 per groep).

De parameter inner van violinplot bepaalt wat er binnen de vioolvorm wordt getekend. Mogelijke opties zijn 'box' (een kleine boxplot), 'quartile' (horizontale lijnen bij Q1, de mediaan en Q3), 'point' (afzonderlijke gegevenspunten) en 'stick' (verticale markeringen per waarneming). Met inner=None teken je alleen de dichtheidsenvelop zonder interne markeringen, voor de meest overzichtelijke weergave bij vergelijkingen naast elkaar.

Door een sns.stripplot() boven op een boxplot of vioolplot te leggen, geef je elk afzonderlijk gegevenspunt weer als een stip. Zo voorkom je dat uitschieters en kleine steekproeven verborgen blijven. Stel jitter=True in om punten horizontaal te spreiden zodat ze niet allemaal op elkaar worden gestapeld, en stel alpha in om ze half transparant te maken wanneer er veel punten zijn.

Gebruik een boxplot wanneer je medianen, IQR en uitschieters wilt zien en de steekproefomvang gemiddeld is. Gebruik een staafdiagram wanneer je publiek geïnteresseerd is in gemiddelden en betrouwbaarheidsintervallen (wat vaak voorkomt in rapporten en dashboards). Gebruik een vioolplot wanneer je de volledige vorm van de verdeling wilt onthullen — vooral multimodaliteit. Gebruik bij kleine gegevensverzamelingen (n < 30 per groep) liever boxplots in combinatie met stripplots dan vioolplots, omdat KDE-curven bij weinig punten onbetrouwbaar worden.

sns.catplot() is de wrapper op figuurniveau voor alle categorische grafieken. Geef kind='box', 'bar', 'violin', 'strip', 'swarm', 'count' of 'point' door om van grafiektype te wisselen. Het belangrijkste voordeel zijn de parameters col en row, waarmee automatisch een raster van deelgrafieken wordt gemaakt — bijvoorbeeld afzonderlijke panelen per geslacht of moment van de dag, zonder handmatig plt.subplots te maken.

sns.countplot() laat zien hoeveel waarnemingen in elke categorie vallen — in wezen een staafdiagram van aantallen. Het is gelijkwaardig aan het aanroepen van value_counts() en het daarna tekenen van de uitkomst. Gebruik het om klassenonevenwicht in gegevensverzamelingen, de frequentie van categorische waarden of de steekproefomvang per groep zichtbaar te maken voordat je een verdelingsvergelijking uitvoert. Sorteer staven op frequentie met order=df['col'].value_counts().index.

sns.pointplot() tekent het gemiddelde voor elke categorie als een stip en verbindt de stippen met een lijn. Zo zie je gemakkelijk trends over geordende categorieën. Foutbalken tonen betrouwbaarheidsintervallen. Dit is vooral nuttig wanneer de x-as geordende groepen weergeeft, zoals leeftijdsgroepen of opleidingsniveaus, en je de richting en omvang van de verandering tussen groepen wilt benadrukken in plaats van alleen afzonderlijke gemiddelden.

In deze les heb je geleerd dat sns.boxplot verdelingen samenvat met de mediaan, IQR en uitschieters, dat sns.barplot groepsgemiddelden met foutbalken voor betrouwbaarheidsintervallen toont, en dat sns.violinplot de volledige vorm van de verdeling onthult, inclusief multimodaliteit. Hierna verkennen we spreidingsdiagrammen en paardiagrammen om relaties tussen numerieke variabelen zichtbaar te maken.