pythonコード プログラミング系 Data Visualization python データサイエンス 非エンジニア向け

【Data Visualization】seabornを使って可視化する(その2)【Histgram】

こんにちは、TAKです。

前回に引き続き、今回もpythonのseabornを使った可視化について解説していきます。
今回は「ヒストグラム」について
、pythonのJupyter Notebookを用いて紹介していきます。

【こんな人に読んで欲しい記事です】
1. pythonを用いた可視化方法を学んでいきたい方
2. pythonを用いてヒストグラムを描けるようにしたい方

seabornを用いたデータ可視化 | Histgram

必要ライブラリのインポート

今回必要となるライブラリは以上の4つです。
最初の4行は、データを読み込んで可視化する場合のお馴染みのコードです。
最後の1行は、今回使うアヤメのデータを呼び出すために必要なコードです。

利用データの確認

今回使うデータはアヤメのデータセットです。
これは、データサイエンスや統計学の勉強をしている方にはお馴染みのデータセットなのですが、「アヤメ」という花の3つの品種について、「がく片の長さ」「がく片の幅」「花びらの長さ」「花びらの幅」の各データが記録されたデータです。

データセットの構成は以下のようになっています。

データセットの構成
● sepal length(cm):がく片の長さ
● sepal width(cm):がく片の幅
● petal length(cm):花びらの長さ
● petal width(cm):花びらの幅
● target:アヤメの品種(Setosa、Versicolor、Virginica)
sklearnのデータセットとして格納されているため、pandasを用いながらうまくデータを読み込んでいく点が最初のポイントとなります。ちなみに、全部で150個分のデータがあり、各品種が50個ずつデータを持っている構成になっています。

データの準備(STEP1:データセット読込)

では実際にpandasを用いてアヤメのデータセットを読み込んでいきます。
まず最初に、データセットを以下のようにして読み込みます。

データセットの構成は上記のような辞書型になっています。
今回主に使っていくのは以下の3つです。

● 説明変数が格納されている「data」
● 特徴量の名前が格納されている「feature_names」
● 目的変数が格納されている「target」

データの準備(STEP2:説明変数のデータフレーム化)

次に説明変数と特徴量を以下のように読み込みましょう。

各4つの特徴量が適切に取得出来ていることがわかりますね。

データの準備(STEP3:目的変数のシリーズ化)

説明変数の設定が出来たので、目的変数について見ていきます。
各特徴量を持つ品種が何かを意味する目的変数は、targetに格納されているので、これをSeries型として読み込んでおきます。

先頭5行についてはすべて「0」となっていますが、これは機械学習モデルを構築しやすいように、既にラベルの変換が行われているためです。つまり、「Setosa → 0」「Versicolor → 1」「Virginica → 2」と変換した後の結果がtargetに格納されているということです。

今回はモデル構築ではなく、データ可視化が目的なので理解を深めるために品種名に戻しておきます。
クラスラベルの変換として下記コードを実行すればOKです。

この結果、ラベル名が適切に品種名になっていることが確認出来ました。

クラスラベルの変換方法について今一つわからない方は、下記記事で紹介しているので参考にしてください。

データの準備(STEP4:データの結合とカラム名変換)

説明変数と目的変数について準備が出来たので、これらを統合したデータセットを作っておきます。
以下のコードで結合が可能です。

以上でOKなのですが、カラム名(列名)に(cm)と入っていて個人的に見にくいので、下記コードを追加することでシンプルなデータセットにしておきます。これは好みなのでなくても大丈夫です。

以上でデータ可視化用のデータが出来上がりました。

データ可視化①

では実際にseabornを用いてヒストグラムを描画していきましょう。
特徴量が4つありますが、今回は「petal length(花びらの長さ)」をピックアップしてヒストグラムを描きます。僕は特徴量の手打ちが面倒なので、以下のようにしてリスト化しておきます。

ヒストグラムは1変量データに対する可視化手段なので、特徴量として「petal length」を選択しましたが、リストの3つ目を指定する必要がある点を確認してください。
以下のコードを実行することで、ヒストグラムを描画することが可能です。

ポイントは以下2つです。

● sns.distplotを用いることで、ヒストグラムを描くことが出来る!
● 引数にある「kde」はデフォルトでTrueとなっているので、Falseにしておく
これでヒストグラムを描くことが出来ましたね。
ただ、これだと3つの品種の花びらの長さがごちゃ混ぜの状態になっていますよね。
そこで、以下では品種別にヒストグラムを描く方法を紹介していきます。

データ可視化②

データセットには150個分のデータがまとめて格納されているので、まずは品種別に50個ずつデータを分割していきます。50個ずつ適切にデータ分割出来ればどんな方法でもOKです。

僕であれば以下のような方法でデータを分割・確認します。

データの分割が出来たので、品種別にヒストグラムを描いてみましょう。

以上のように、品種別に花びらの長さについてヒストグラムを可視化出来ました。
品種によって花びらの長さが異なっていることが一目瞭然ですね。
1変量のデータの中に、種別のような性質の異なるデータが含まれている時には使える手法です。

ちなみに、上記のコードがよくわからないという方は、以下のように書いてもOKです。
同じ結果が得られることがわかるかと思います。

まとめ

いかがだったでしょうか?
今回は可視化手法として「ヒストグラム」について紹介してきました。

データ分布の全体像を把握したいような時にも使える手法なので、是非使えるようにしてしてみてください。では今回はこのへんで。