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

Swarmplot で個々のデータを重ならず配置

入門

06.2.9

Swarmplot で個々のデータを重ならず配置

最終更新 2020-05-20 読了時間 1 分
まとめ
スウォームプロット(swarmplot)は、カテゴリごとの数値を 1 点ずつ描き、同じ高さに来る点を左右に少しずつずらして重ならないように並べる図です。点がずらされた結果として「ある高さに点が何個あるか」が列の横幅になるので、1 点も隠さずに分布の形が見えます。sns.swarmplot(data=tips, x="day", y="total_bill", hue="sex", dodge=True) の 1 行で、曜日 4 つ × 性別 2 つの会計金額が 8 本の点の列になり、「土曜の男性客は 40 ドル超が 10 卓以上ある」のような個票レベルの読みができます。読み終えると、244 点程度のデータで箱ひげ図の裏にある実際の点を見せ、数百点を超えたら バイオリンプロット やストリッププロットに切り替える判断ができるようになります。

直感 #

レストランの会計金額を曜日ごとに箱ひげ図にすると、「土曜の中央値は 20 ドル」とは分かりますが、何卓あったのか、50 ドルの会計が 1 卓だけなのか 5 卓なのかは見えません。全部の点を縦 1 列に描けば個票は残りますが、同じ 15 ドル前後の点が重なって何個あるか数えられません。スウォームプロットは、点を値の順に置いていき、既に置いた点とぶつかる場合はぶつからない最も近い横位置にずらします。蜂の群れ(swarm)のように点が押し合って広がり、点が多い高さほど列が太るので、「列の幅 = 密度」になります。点を 1 つも消していないので、外れ値もサンプル数もそのまま見えます。

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: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 tips データ 244 卓の会計金額を、曜日を横軸、性別を色にして、点が重ならないように配置したスウォームプロットを描きます。

 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

tips = sns.load_dataset("tips")

fig, ax = plt.subplots(figsize=(6, 4))
sns.swarmplot(data=tips, x="day", y="total_bill", hue="sex", dodge=True, ax=ax)

ax.set_xlabel("来店曜日")
ax.set_ylabel("会計金額 ($)")
ax.set_title("曜日別の会計金額 Swarmplot")
ax.grid(axis="y", alpha=0.2)

fig.tight_layout()

plt.show()

Swarmplot は各データ点を重ならないようにずらして配置することで、個々の値を保ちながら分布の形を表現できますの図

実行結果の読み方 #

土曜(Sat)と日曜(Sun)の列は木曜・金曜より太く、点の数が多いこと、つまり来店が週末に集中していることがそのまま見えます。どの曜日も 10〜20 ドルの高さで列が最も太く、ここに会計の山があります。土曜の男性の列は 40 ドル超にも点が十数個続いていて、高額会計は週末の男性客に偏っていると読めます。金曜(Fri)の列は全体で 19 点しかなく細いので、この曜日について「分布の形」を語るのは早計だと、点の少なさから判断できます。

使いどころと落とし穴 #

スウォームプロットが向くのは、1 カテゴリあたり数十〜200 点程度のデータで、分布の形と個票(サンプル数、外れ値の個数)を同時に見せたいときです。臨床試験や実験の群間比較で「n がいくつか」を隠さず示す用途に使われます。落とし穴は 2 つあります。第一に、1 列が数百点を超えると衝突回避の計算に時間がかかり、点が横にはみ出して隣の列と混ざります。その場合は size を下げるか、sns.stripplot の乱数ジッターに切り替えるか、形だけでよければ バイオリンプロット にします。第二に、点数の多いカテゴリだけ列が太るので、「太い列 = 値が大きい」と誤読されやすいことです。列の太さは点の数であって値の大きさではないので、各列の n 数(金曜 19、土曜 87)を注記し、中央値の比較には 箱ひげ図 を重ねます。