K_DM Book
用語集
対象者 標準
対象者別の入口 →

対象者の設定はこのブラウザの中にだけ保存されます。

言語 JA

箱ひげ図で分布の要約を示す

入門

06.2.5

箱ひげ図で分布の要約を示す

最終更新 2020-03-25 読了時間 2 分
まとめ
箱ひげ図は、数値の列を小さい順に並べて第 1 四分位数 \(Q_1\)・中央値・第 3 四分位数 \(Q_3\) の 3 つの位置で要約し、箱の高さ(四分位範囲 IQR)とひげの長さで散らばりを見せる図です。ひげは箱の端から \(1.5 \times \mathrm{IQR}\) 以内のいちばん遠い値まで伸び、その外にある値は外れ値として 1 点ずつ描かれます。sns.boxplot(data=mpg, x="origin", y="mpg") のように x にカテゴリ列を渡すだけで、生産地域ごとの燃費が 3 本の箱に並び、中央値の差と散らばりの差を一度に比べられます。読み終えると、箱の位置と高さから「どの地域が低燃費か」「どの地域のばらつきが大きいか」を読み、要約の裏で消える「山が 2 つある分布」をバイオリンプロットで補う判断ができるようになります。

直感 #

アメリカ・日本・ヨーロッパで作られた約 400 台の車の燃費を比べるとき、平均だけでは「日本車のほうが燃費が良い」と言い切れません。アメリカ車の中にも燃費の良い車はあり、ばらつきの大きさも違うからです。箱ひげ図は 1 地域ぶんの数十〜200 台の値を「真ん中の 50% が入る箱」と「そこから \(1.5 \times \mathrm{IQR}\) まで伸びるひげ」に縮め、ひげの外に残った値だけを点で描きます。3 本の箱を横に並べれば、中央線の高さで「位置」、箱の高さで「広がり」、点の数で「極端な車の多さ」が、それぞれ別々に読めます。

何が起きているか(ステップで見る) #

コードを読む前に、この手法が図の上で何をしているかを追ってみましょう。「再生」を押すか、スライダーを動かすと 1 手順ずつ進みます。

見るポイント:箱はデータの中央 50%。ひげは箱の長さの 1.5 倍まで、その外は外れ値として個別に描く。

Python で描く #

次のコードは seaborn 付属の mpg データを読み込み、生産地域 origin ごとに燃費 mpg の箱ひげ図を 3 本並べます。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
import seaborn as sns
import matplotlib.pyplot as plt

mpg = sns.load_dataset("mpg").dropna(subset=["mpg", "origin"])

fig, ax = plt.subplots(figsize=(6, 4))
sns.boxplot(data=mpg, x="origin", y="mpg", palette="Set2", ax=ax)

ax.set_xlabel("生産地域")
ax.set_ylabel("燃費 (MPG)")
ax.set_title("地域別燃費の箱ひげ図")
ax.grid(axis="y", alpha=0.3)

fig.tight_layout()

plt.show()

カテゴリごとに比較すると、分散の違いが見えますの図

実行結果の読み方 #

日本車の箱がいちばん高い位置にあり、中央値はおよそ 31 MPG、アメリカ車は 19 MPG 前後です。アメリカ車の箱とひげは 3 地域の中で最も縦に長く、同じアメリカ製でも燃費の差が大きいと読めます。ひげの外の点は \(1.5 \times \mathrm{IQR}\) を超えて離れた車で、「異常な車」ではなく「同じ地域の仲間から外れた車」という意味です。

使いどころと落とし穴 #

箱ひげ図が向くのは、3〜10 グループの中央値と散らばりをコンパクトに並べたいときです。箱は 5 つの数値だけで決まるので、30 点付近と 90 点付近に分かれた 2 山の分布でも「中央値 60、箱が広い」としか見せません。形が気になるときは バイオリンプロット か ヒストグラム で確かめます。もう 1 つの落とし穴は外れ値の点を「異常」と決めつけることで、右に長く伸びた歪んだ分布では \(1.5 \times \mathrm{IQR}\) ルールが正常な値も点にします。点が多すぎると感じたら whis を広げるか、対数軸に変えてから描き直します。5 個のデータでも箱は描けてしまうので、各箱の n 数を注記する習慣も必要です。