Wykresy punktowe i wykresy par

Wykresy rozkładu pokazują jedną zmienną naraz. Aby zrozumieć zależność między dwiema zmiennymi numerycznymi, potrzebują Państwo wykresów punktowych i powiązanych wizualizacji. Pomagają one wykrywać korelację (czy obie zmienne rosną razem?), skupienia (czy w danych znajdują się podgrupy?) oraz wartości odstające (czy występują nietypowe punkty oddalone od głównego skupiska?). Seaborn ułatwia to wszystko za pomocą scatterplot i pairplot.

sns.scatterplot(data, x, y) przedstawia każdą obserwację jako punkt o współrzędnych (x, y). W przeciwieństwie do plt.scatter z Matplotlib wersja Seaborn automatycznie korzysta z ramki danych i integruje się z semantykami hue, size i style. Rezultatem są informacyjne wykresy wielowymiarowe utworzone za pomocą jednego wywołania funkcji i automatycznej legendy.

Parametr hue przypisuje każdemu punktowi kolor na podstawie trzeciej zmiennej — kategorycznej lub numerycznej. Gdy hue wskazuje kolumnę kategoryczną (np. 'smoker'), Seaborn używa rozróżnialnych kolorów. Gdy hue wskazuje kolumnę numeryczną, używana jest sekwencyjna mapa kolorów. Pozwala to jednocześnie obserwować trzy zmienne na wykresie 2D bez dodawania trzeciej osi.

Oprócz hue wykresy punktowe Seaborn obsługują size (pole punktu koduje zmienną numeryczną) oraz style (kształt znacznika koduje zmienną kategoryczną). Jednoczesne użycie wszystkich trzech semantyk może ujawnić złożone wzorce wielowymiarowe, ale grozi przeciążeniem odbiorcy. Praktyczna zasada to używać najpierw hue (najbardziej zauważalnego), następnie style, a size tylko wtedy, gdy jest to konieczne.

sns.regplot() rysuje wykres punktowy i nakłada na niego linię regresji liniowej z zacienionym 95-procentowym pasmem ufności. Jest to przydatne do wizualizacji siły i kierunku liniowej zależności między dwiema zmiennymi. Pasmo ufności zwęża się w obszarach z dużą gęstością danych i rozszerza na krańcach, gdzie dopasowanie opiera się na mniejszej liczbie punktów.

sns.lmplot() to wersja regplot działająca na poziomie figury. Obsługuje hue (osobne linie regresji dla grup na tym samym panelu) oraz col/row (osobne panele). Jest to przydatne przy sprawdzaniu, czy zależność między dwiema zmiennymi różni się w podgrupach — na przykład czy zależność między rachunkiem a napiwkiem jest silniejsza podczas kolacji niż podczas lunchu.

sns.pairplot(df) tworzy siatkę wykresów punktowych dla każdej pary kolumn numerycznych w ramce danych, a na przekątnej umieszcza wykresy rozkładu. Jest to najszybszy sposób na wizualizację wszystkich zależności parami w zbiorze danych za pomocą jednego wywołania. Dla ramki danych zawierającej n kolumn numerycznych pairplot tworzy siatkę n×n. Rozwiązanie jest najbardziej praktyczne, gdy n wynosi od 3 do 8 — większe siatki stają się zbyt małe, aby można je było czytelnie odczytać.

Parametr diag_kind określa, co pojawia się na przekątnej siatki pairplot. Wartość 'hist' służy do wyświetlania histogramów, a 'kde' do estymacji gęstości jądrowej. Przekątna pokazuje rozkład jednowymiarowy każdej zmiennej, natomiast panele poza przekątną przedstawiają wykresy punktowe par zmiennych. Można również użyć corner=True, aby wyświetlić tylko dolny trójkąt, zmniejszając o połowę liczbę paneli i ograniczając powtórzenia.

sns.PairGrid zapewnia pełną kontrolę nad typem wykresu pojawiającego się w każdej części macierzy. Za pomocą g.map_upper(), g.map_lower() i g.map_diag() można przypisać różne funkcje (np. regplot do górnego trójkąta i kdeplot do dolnego). Powstają w ten sposób wykresy wysokiej jakości, odpowiednie do publikacji, w których każdy panel przedstawia odrębne informacje o parze zmiennych.

Odczytując wykres punktowy, należy oszacować kierunek (czy chmura punktów opada, czy rośnie?), siłę (jak ściśle punkty skupiają się wokół trendu?) oraz postać (liniowa czy krzywoliniowa?) zależności. Współczynnik korelacji r przyjmuje wartości od -1 (idealna korelacja ujemna) do +1 (idealna korelacja dodatnia), a 0 oznacza brak zależności liniowej. Należy pamiętać, że korelacja nie oznacza związku przyczynowego, a zależność nieliniowa może mieć r ≈ 0.

sns.jointplot() łączy centralny wykres dwuwymiarowy z jednowymiarowymi wykresami rozkładów na górnej i prawej krawędzi. Należy przekazać parametr kind='scatter', 'hex', 'kde' lub 'reg'. Typ hex jest przydatny, gdy występują tysiące nakładających się punktów — grupuje je w sześciokąty i używa koloru do pokazania gęstości, rozwiązując problem nakładania punktów, przez który wykresy punktowe stają się nieczytelne dla dużych zbiorów danych.

Sprawdź swoje zrozumienie wykresów punktowych i wykresów par w bibliotece Seaborn z tego rozdziału.

W tej lekcji poznali Państwo: sns.scatterplot koduje do czterech zmiennych za pomocą parametrów x, y, hue, size i style, sns.regplot/lmplot nakłada linię regresji w celu ilościowego określenia zależności liniowych, a sns.pairplot tworzy siatkę wszystkich par, idealną do eksploracyjnej analizy zbiorów danych z wieloma zmiennymi. Następnie zajmiemy się mapami cieplnymi służącymi do wizualizacji macierzy korelacji.