Kategoriska diagram: boxplot, barplot, violinplot

När Ni vill jämföra en numerisk variabel mellan olika kategorier – till exempel dricks per veckodag eller produktpriser per varumärke – behöver Ni specialiserade diagram. Seaborn tillhandahåller tre viktiga kategoriska jämförelsediagram: boxplot, barplot och violinplot. Varje diagram visar olika aspekter av fördelningen och passar för olika analytiska mål.

Ett boxdiagram sammanfattar en fördelning med hjälp av fem statistiska mått: minimum, första kvartilen (Q1), medianen, tredje kvartilen (Q3) och maximum (exklusive avvikare). Lådan sträcker sig från Q1 till Q3 (interkvartilavståndet, IQR), linjen i lådan är medianen och whiskers sträcker sig till 1,5×IQR. Punkter utanför whiskers visas separat som avvikare. Boxdiagram är utmärkta för att snabbt upptäcka snedhet och avvikare.

Parametern hue delar upp varje kategori i undergrupper som visas sida vid sida med olika färger. Om Ni till exempel lägger till hue='smoker' i ett boxdiagram över dag och nota visas två lådor per dag – en för rökare och en för icke-rökare. Det gör jämförelser mellan tre variabler tydliga utan att Ni behöver använda fasetter. Använd en förklaring för att hålla diagrammet lättläst.

sns.barplot() visar medelvärdet för en numerisk variabel i varje kategori, med felstaplar som standard representerar ett 95-procentigt konfidensintervall (beräknat med bootstrapping i äldre Seaborn-versioner eller från standardfelet i nyare versioner). Till skillnad från histogram sammanfattar stapeldiagram varje grupp med ett enda värde – de passar bäst när Ni är intresserad av genomsnittet och dess osäkerhet, inte av hela fördelningens form.

Ett violindiagram kombinerar ett boxdiagram med en KDE-kurva som speglas på båda sidor. Violins bredd vid varje y-värde representerar datans täthet vid den punkten – breda avsnitt innehåller många observationer och smala avsnitt få. Violindiagram förmedlar mer information än boxdiagram eftersom de visar om fördelningen är unimodal eller multimodal, men de kräver mer data för att bli meningsfulla (sikta på n > 20 per grupp).

Parametern inner i violinplot styr vad som ritas inuti violinformen. Alternativen omfattar 'box' (ett litet boxdiagram), 'quartile' (horisontella linjer vid Q1, medianen och Q3), 'point' (enskilda datapunkter) och 'stick' (vertikala markeringar för varje observation). Om Ni anger inner=None ritas endast täthetsformen utan interna markeringar, vilket ger ett renast utseende vid jämförelser sida vid sida.

Om Ni lägger till ett sns.stripplot() ovanpå ett box- eller violindiagram visas varje enskild datapunkt som en prick, vilket förhindrar att avvikare och små stickprov döljs. Ange jitter=True för att sprida punkterna horisontellt så att de inte staplas ovanpå varandra, och ange alpha för att göra dem halvtransparenta när det finns många punkter.

Använd ett boxdiagram när Ni behöver se medianer, IQR och avvikare och stickprovsstorlekarna är måttliga. Använd ett stapeldiagram när målgruppen är intresserad av medelvärden och konfidensintervall, vilket är vanligt i rapporter och instrumentpaneler. Använd ett violindiagram när Ni vill visa hela fördelningens form – särskilt multimodalitet. För små datamängder (n < 30 per grupp) bör Ni föredra boxdiagram med stripdiagram framför violindiagram, eftersom KDE-kurvor blir opålitliga med få punkter.

sns.catplot() är omslaget på figurnivå för alla kategoriska diagram. Ange kind='box', 'bar', 'violin', 'strip', 'swarm', 'count' eller 'point' för att byta diagramtyp. Den viktigaste fördelen är parametrarna col och row, som automatiskt skapar ett rutnät med deldiagram – till exempel separata paneler för kön eller tid på dagen utan att Ni manuellt behöver skapa plt.subplots.

sns.countplot() visar hur många observationer som tillhör varje kategori – i praktiken ett stapeldiagram över antal. Det motsvarar att anropa value_counts() och sedan rita resultatet. Använd det för att visualisera obalans mellan klasser i datamängder, frekvensen för kategoriska värden eller stickprovsstorleken per grupp innan Ni gör någon jämförelse av fördelningar. Sortera staplarna efter frekvens med order=df['col'].value_counts().index.

sns.pointplot() ritar medelvärdet för varje kategori som en punkt och förbinder punkterna med en linje, vilket gör det enkelt att se trender över ordnade kategorier. Felstaplarna visar konfidensintervall. Detta är särskilt användbart när x-axeln representerar ordnade grupper, till exempel åldersintervall eller utbildningsnivåer, och Ni vill framhäva förändringens riktning och storlek mellan grupper snarare än enbart isolerade medelvärden.

I den här lektionen har Ni lärt Er att sns.boxplot sammanfattar fördelningar med median, IQR och avvikare, att sns.barplot visar gruppmedelvärden med felstaplar för konfidensintervall och att sns.violinplot visar hela fördelningens form, inklusive multimodalitet. Härnäst utforskar vi spridningsdiagram och parvisa diagram för att visualisera samband mellan numeriska variabler.