Категориальные графики: boxplot, barplot, violinplot

Если нужно сравнить числовую переменную в разных категориях — например, чаевые по дням недели или цены товаров по брендам, — требуются специализированные графики. Seaborn предоставляет три основных графика сравнения категорий: boxplot, столбчатую диаграмму и скрипичную диаграмму. Каждый из них показывает разные аспекты распределения и подходит для своих аналитических задач.

Коробчатая диаграмма описывает распределение с помощью пяти статистик: минимального значения, первого квартиля (Q1), медианы, третьего квартиля (Q3) и максимального значения (без учёта выбросов). Коробка простирается от Q1 до Q3 (межквартильный размах, IQR), линия внутри коробки обозначает медиану, а «усы» простираются до 1,5×IQR. Точки за пределами «усов» отображаются отдельно как выбросы. Коробчатые диаграммы отлично подходят для быстрого выявления асимметрии и выбросов.

Параметр hue разделяет каждую категорию на подгруппы, которые отображаются рядом разными цветами. Например, добавление hue='smoker' к коробчатой диаграмме зависимости счёта от дня показывает по две коробки на каждый день: одну для курящих и одну для некурящих. Это упрощает сравнение трёх переменных без использования отдельных панелей. Используйте легенду, чтобы график оставался читаемым.

sns.barplot() показывает среднее значение числовой переменной для каждой категории, а погрешности по умолчанию представляют 95%-ный доверительный интервал (в старых версиях Seaborn он вычислялся с помощью бутстрэппинга, а в новых — на основе стандартной ошибки). В отличие от гистограмм, столбчатые диаграммы сводят каждую группу к одному значению — они лучше всего подходят, когда Вас интересуют среднее значение и его неопределённость, а не полная форма распределения.

Скрипичная диаграмма объединяет коробчатую диаграмму с кривой KDE, зеркально отражённой по обе стороны. Ширина скрипки на каждом значении y показывает плотность данных в этой точке: широкие участки соответствуют большому числу наблюдений, узкие — малому. Скрипичные диаграммы передают больше информации, чем коробчатые, поскольку показывают, является ли распределение одномодальным или многомодальным, но для содержательной интерпретации им требуется больше данных (старайтесь иметь не менее 20 наблюдений в каждой группе).

Параметр inner в violinplot определяет, что будет отображаться внутри скрипичной формы. Возможные варианты: 'box' (миниатюрная коробчатая диаграмма), 'quartile' (горизонтальные линии на уровнях Q1, медианы и Q3), 'point' (отдельные точки данных) и 'stick' (вертикальные отметки для каждого наблюдения). При значении inner=None отображается только оболочка плотности без внутренних отметок, что обеспечивает наиболее лаконичный вид при сравнении диаграмм рядом.

Добавление sns.stripplot() поверх коробчатой или скрипичной диаграммы показывает каждую отдельную точку данных в виде точки, не позволяя скрыть выбросы и небольшой размер выборки. Установите jitter=True, чтобы равномерно распределить точки по горизонтали и не допустить их полного наложения друг на друга, а параметру alpha задайте значение для полупрозрачности точек, если их много.

Используйте коробчатую диаграмму, если Вам нужно видеть медианы, IQR и выбросы, а размеры выборок умеренны. Используйте столбчатую диаграмму, если Вашу аудиторию интересуют средние значения и доверительные интервалы (это распространено в отчётах и информационных панелях). Используйте скрипичную диаграмму, если хотите показать полную форму распределения, особенно его многомодальность. Для небольших наборов данных (менее 30 наблюдений в каждой группе) предпочтительнее сочетать коробчатые и точечные диаграммы, а не использовать скрипичные: при малом числе точек кривые KDE становятся ненадёжными.

sns.catplot() — это оболочка уровня фигуры для всех категориальных диаграмм. Передайте kind='box', 'bar', 'violin', 'strip', 'swarm', 'count' или 'point', чтобы изменить тип диаграммы. Главное преимущество — параметры col и row, которые автоматически создают сетку подграфиков: например, отдельные панели для каждого пола или времени суток без необходимости вручную создавать plt.subplots.

sns.countplot() показывает, сколько наблюдений относится к каждой категории, то есть фактически является столбчатой диаграммой количества наблюдений. Это эквивалентно вызову value_counts() с последующим построением диаграммы. Используйте её, чтобы визуализировать дисбаланс классов в наборах данных, частоту категориальных значений или размер выборки в каждой группе перед сравнением распределений. Отсортировать столбцы по частоте можно с помощью order=df['col'].value_counts().index.

sns.pointplot() отображает среднее значение для каждой категории в виде точки и соединяет точки линией, благодаря чему легко заметить тенденции в упорядоченных категориях. Погрешности показывают доверительные интервалы. Это особенно полезно, когда ось x представляет упорядоченные группы, например возрастные диапазоны или уровни образования, и нужно подчеркнуть направление и величину изменений между группами, а не только сравнить отдельные средние значения.

Проверьте, насколько хорошо Вы поняли категориальные диаграммы Seaborn из этого урока.

В этом уроке Вы узнали, что sns.boxplot обобщает распределения с помощью медианы, IQR и выбросов, sns.barplot показывает средние значения групп с доверительными интервалами в виде погрешностей, а sns.violinplot раскрывает полную форму распределения, включая многомодальность. Далее Вы изучите точечные диаграммы и парные диаграммы для визуализации связей между числовыми переменными.