Wykresy kategoryczne: boxplot, barplot, violinplot

Gdy chcą Państwo porównać zmienną numeryczną w różnych kategoriach — na przykład napiwki otrzymane w poszczególne dni tygodnia albo ceny produktów według marki — potrzebne są wyspecjalizowane wykresy. Seaborn udostępnia trzy podstawowe wykresy do porównywania kategorii: boxplot, barplot i violinplot. Każdy z nich pokazuje inne aspekty rozkładu i nadaje się do innych celów analitycznych.

Box plot podsumowuje rozkład za pomocą pięciu statystyk: minimum, pierwszego kwartylu (Q1), mediany, trzeciego kwartylu (Q3) i maksimum (z wyłączeniem wartości odstających). Pudełko rozciąga się od Q1 do Q3 (czyli obejmuje rozstęp międzykwartylowy, IQR), linia wewnątrz pudełka oznacza medianę, a wąsy sięgają do wartości oddalonych o 1,5×IQR. Punkty poza wąsami są rysowane osobno jako wartości odstające. Box ploty doskonale nadają się do szybkiego wykrywania skośności i wartości odstających.

Parametr hue dzieli każdą kategorię na podgrupy wyświetlane obok siebie w różnych kolorach. Na przykład dodanie hue='smoker' do box plotu przedstawiającego zależność rachunku od dnia pokaże dwa pudełka dla każdego dnia — jedno dla osób palących i jedno dla osób niepalących. Ułatwia to czytelne porównanie trzech zmiennych bez konieczności używania faset. Aby zachować czytelność wykresu, należy użyć legendy.

sns.barplot() pokazuje średnią zmiennej numerycznej dla każdej kategorii, a słupki błędów domyślnie przedstawiają 95-procentowy przedział ufności (w starszych wersjach Seaborn obliczany metodą bootstrap, a w nowszych na podstawie błędu standardowego). W przeciwieństwie do histogramów wykresy słupkowe podsumowują każdą grupę jedną wartością — najlepiej sprawdzają się, gdy interesuje Państwa średnia i związana z nią niepewność, a nie pełny kształt rozkładu.

Wykres skrzypcowy łączy box plot z krzywą KDE odbitą po obu stronach. Szerokość skrzypiec na danej wartości y oznacza gęstość danych w tym punkcie — szerokie fragmenty wskazują wiele obserwacji, a wąskie niewiele. Wykresy skrzypcowe przekazują więcej informacji niż box ploty, ponieważ pokazują, czy rozkład jest jednomodalny, czy wielomodalny, ale aby były miarodajne, wymagają większej liczby danych (zalecane jest n > 20 na grupę).

Parametr inner funkcji violinplot określa, co zostanie narysowane wewnątrz kształtu skrzypiec. Dostępne opcje to 'box' (mały box plot), 'quartile' (poziome linie na poziomach Q1, mediany i Q3), 'point' (pojedyncze punkty danych) oraz 'stick' (pionowe znaczniki dla każdej obserwacji). Ustawienie inner=None rysuje wyłącznie obwiednię gęstości, bez wewnętrznych oznaczeń, zapewniając najczystszy wygląd przy porównywaniu wykresów obok siebie.

Dodanie sns.stripplot() na box plocie lub wykresie skrzypcowym pokazuje każdą pojedynczą obserwację jako kropkę, dzięki czemu wartości odstające i małe liczebności próby nie pozostają ukryte. Ustawienie jitter=True rozsuwa punkty w poziomie, aby nie nakładały się na siebie, a ustawienie alpha sprawia, że przy dużej liczbie punktów stają się częściowo przezroczyste.

Box plotu należy użyć, gdy trzeba zobaczyć mediany, IQR i wartości odstające, a liczebności próbek są umiarkowane. Wykresu słupkowego należy użyć, gdy odbiorców interesują średnie i przedziały ufności — jest to częste w raportach i na pulpitach nawigacyjnych. Wykresu skrzypcowego należy użyć, gdy chcą Państwo pokazać pełny kształt rozkładu, zwłaszcza jego wielomodalność. W przypadku małych zbiorów danych (n < 30 na grupę) lepiej użyć box plotów wraz ze strip plotami niż wykresów skrzypcowych, ponieważ krzywe KDE stają się niewiarygodne przy niewielkiej liczbie punktów.

sns.catplot() to opakowanie na poziomie figury dla wszystkich wykresów kategorycznych. Przekazanie kind='box', 'bar', 'violin', 'strip', 'swarm', 'count' lub 'point' pozwala przełączać typ wykresu. Jego najważniejszą zaletą są parametry col i row, które automatycznie tworzą siatkę podwykresów — na przykład osobne panele dla każdej płci lub pory dnia, bez ręcznego tworzenia plt.subplots.

sns.countplot() pokazuje, ile obserwacji należy do każdej kategorii — jest to zasadniczo wykres słupkowy liczności. Odpowiada wywołaniu value_counts(), a następnie utworzeniu wykresu. Należy go użyć do wizualizacji niezrównoważenia klas w zbiorach danych, częstości wartości kategorycznych lub liczebności próby w każdej grupie przed wykonaniem dowolnego porównania rozkładów. Słupki można posortować według częstości za pomocą order=df['col'].value_counts().index.

sns.pointplot() przedstawia średnią dla każdej kategorii jako kropkę i łączy kropki linią, ułatwiając dostrzeganie trendów w uporządkowanych kategoriach. Słupki błędów pokazują przedziały ufności. Jest to szczególnie użyteczne, gdy oś x reprezentuje uporządkowane grupy, takie jak przedziały wiekowe lub poziomy wykształcenia, a chcą Państwo podkreślić kierunek i skalę zmian między grupami, a nie tylko odizolowane średnie.

W tej lekcji nauczyli się Państwo, że: sns.boxplot podsumowuje rozkłady za pomocą mediany, IQR i wartości odstających, sns.barplot pokazuje średnie grup wraz ze słupkami błędów oznaczającymi przedziały ufności, a sns.violinplot przedstawia pełny kształt rozkładu, w tym jego wielomodalność. W następnej części omówimy wykresy punktowe i wykresy par do wizualizacji zależności między zmiennymi numerycznymi.