06.2.10
Rugplotで個票を補助線として表示
sns.kdeplot の密度曲線や sns.histplot の棒の下に sns.rugplot(data=diamonds, x="price", alpha=0.4) で重ね、「滑らかな曲線のどこに実際の点があるか」「曲線の裾は本当にデータがあるのか、推定のはみ出しか」を確かめるために使います。線が密に重なる区間ほど点が多く、線がまばらな区間は曲線が数個の点から推定されていると読めます。読み終えると、300 件程度のデータで alpha と height を調整して密度曲線の信頼度を添えられるようになり、1 万件を超えたらラグを諦めて別の図に切り替える判断ができるようになります。直感 #
ダイヤモンド 300 個の価格を密度曲線にすると、1,000 ドル付近に高い山があり、右に 18,000 ドルまでなだらかな裾が伸びる滑らかな線になります。ただし滑らかな線は推定の結果なので、「10,000 ドル付近の低い裾」が 10 個の点から出ているのか、1 個の点から出ているのかは曲線だけでは分かりません。ラグプロットは 300 個の点それぞれを横軸の上に高さ 5% ほどの短い縦線で置きます。線が黒く重なる区間は点が密で曲線を信じてよく、線が 1 本しかない区間は曲線がその 1 点の周りに置いた山のはみ出しです。密度曲線に「原本」を添える役目です。
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:密度曲線は「各点に置いた小さな山の合計」。階級の切れ目に左右されない代わりに、山の幅(バンド幅)が形を決める。
Python で描く #
次のコードは seaborn 付属の diamonds データから 300 件を抽出し、価格の密度曲線を kdeplot で描いた上に、同じ 300 件を rugplot で横軸上の短い線として重ねます。
| |

実行結果の読み方 #
500〜2,000 ドルの区間はラグが重なってほぼ黒く見え、密度曲線の山頂がこの区間にあることと一致します。5,000 ドルを超えるとラグの間隔が開き、10,000 ドル以上は 1 本ずつ数えられる本数しかありません。曲線の右裾はこの数本の点から推定されているので、「15,000 ドル付近にも一定の密度がある」と読むのは誤りで、「300 件中 2〜3 件が 15,000 ドル前後にある」と読み直すのが正しい解釈です。曲線が 0 ドル以下に伸びているのに、そこにはラグが 1 本もないことも、KDE の裾が推定のはみ出しであることを示しています。
使いどころと落とし穴 #
ラグプロットが向くのは、300 件程度までのデータで密度曲線やヒストグラムの「根拠となる点」を添えたいときと、曲線の裾が実データかはみ出しかを確かめたいときです。落とし穴は 2 つあります。第一に、点が 1,000 件を超えると alpha=0.4 でも線が塗りつぶされて黒い帯になり、情報を失います。その場合は sample で間引くか、ラグを諦めて ヒストグラム か 密度プロット 単体にします。第二に、横軸の目盛りラベルやデータラベルが軸の近くにあるとラグと重なって読めなくなるので、height を 0.03 に下げるか、ax.margins(y=0.1) で余白を足します。カテゴリ別に点そのものを見たいなら、点が重ならないよう配置する Swarmplot のほうが向いています。