06.2.7
ECDF で累積分布を可視化
sns.ecdfplot(data=tips, x="total_bill", hue="time") の 1 行で昼と夜の会計金額の階段が重なり、「会計 30 ドル以下の客が昼は 90%、夜は 75%」のような割合を縦軸から直接読めます。読み終えると、曲線の急な区間を「値が集中している場所」、2 本の階段の横のずれを「群の差」として読み、パーセンタイルや閾値の判断に使えるようになります。直感 #
レストラン 244 卓の会計金額から「会計 30 ドル以下の客は全体の何割か」を知りたいとします。ヒストグラムの棒を足し上げてもよいのですが、階級の切れ目が 30 ドルにぴったり合うとは限りません。ECDF の作り方は単純です。244 個の値を小さい順に並べ、1 卓分進むごとに階段を \(1/244\) 段ずつ上げていき、横軸 30 ドルの位置で階段の高さを読めば、それがそのまま「30 ドル以下の割合」になります。昼と夜で別の階段を重ねると、同じ高さ 0.5(中央値)に達する金額が昼は 15 ドル付近、夜は 18 ドル付近と横にずれ、「夜のほうが高い」が割合の言葉で読めます。
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:累積分布は 1 点ずつ 1/n 上がる階段。階級を決めずに描けるので、2 群の比較に強い。
Python で描く #
次のコードは seaborn 付属の tips データを読み込み、会計金額 total_bill の ECDF を昼(Lunch)と夜(Dinner)で色分けして 1 枚に重ねます。
| |

実行結果の読み方 #
昼(Lunch)の階段は夜(Dinner)より常に左上にあり、どの金額で見ても「その金額以下の割合」が昼のほうが大きい、つまり昼の会計は全体に安いと読めます。縦軸 0.5 の高さで横軸を読むと中央値が分かり、昼は 15 ドル台、夜は 18 ドル台です。10〜20 ドルで階段が急に上がるのは、この区間に卓が集中しているからです。40 ドルを超えると階段はほぼ水平になり、高額会計はわずかだと分かります。
使いどころと落とし穴 #
ECDF が向くのは、「80% の顧客は 30 ドル以下」のような閾値や、パーセンタイルを正確に読みたいときと、件数の違う 2〜4 群を割合で比べたいときです。一方、山の位置や「山が 2 つある」といった形の直感は、階段の傾きの変化を読まなければならず、ヒストグラム や 密度プロット に劣ります。落とし穴は 2 つあります。第一に、5 群以上を重ねると階段が重なって区別できないので、色数を抑えて hue を 2〜4 群に絞るか、小さな図に分けます。第二に、評価点のような離散データでは階段が大きな段差になり、連続分布と見間違えやすいので、ステップ表示であることをキャプションに書いておきます。