DS(データサイエンス) 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6)【Violinplot】

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「Violinplot(バイオリンプロット)」について
、pythonのJupyter Notebookを用いて紹介していきます。前回紹介した「箱ひげ図」の形状と情報量が違うグラフと思ってもらえればOKです。

【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「バイオリンプロット」を描けるようにしたい方
今回も、第2回・第3回の記事と同じデータセットを用いていくため、既に以下第2回の記事を読んでいる方は、目次の「データ可視化①」から読み始めてください。(それまでの内容は前回と全く同じため)

seabornを用いたデータ可視化 | Violinplot

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を用いてバイオリンプロットを描画していきましょう。
特徴量が4つありますが、今回も「petal length(花びらの長さ)」にフォーカスしてバイオリンプロットを描いていきます。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。

そして、以下のコードを実行することで、バイオリンプロットを描画することが可能です。

ポイントは以下2つです。

sns.violinplotを用いることで、バイオリンプロットを描くことが出来る!
● 引数としてxとyの値、そして対象となるデータを指定する必要がある

これでバイオリンプロットを描くことが出来ましたね。

前回紹介した箱ひげ図も確認のため見ておきましょう。

比べてみるとわかりますが、形状が異なるだけ基本的には同じような情報を表していそうです。
厳密には、箱ひげ図は要約統計量(平均値や四分位点等)といった定量的な情報を表しているのに対して、バイオリンプロットはすべてのデータ分布を含んだカーネル密度推定を重ねて表示している点が異なります。
簡単に言ってしまえば、バイオリンプロットの方が情報量が多いというメリットがある反面、知名度が低いというデメリットがあり、プレゼン資料に用いたとしてもコミュニケーションコストがかかるというのが個人的な印象です。

データ可視化②

では次に、箱ひげ図の時と同様に、各特徴量ごとに箱ひげ図を一気に表示させてみましょう。
データの全体像を俯瞰する観点からは、「カテゴリ別×特徴量別」に情報を可視化出来た方が理解が進むためです。

2×2のサイズで表示するために、少し関係ないコードが追加されていますが、sns.violinplotの部分さえ理解していればOKです(引数’ax’も2×2の表示用なので気にしなくて大丈夫です)。

結果、4つの特徴量ごとのバイオリンプロットが描けましたね。
こんな感じで可視化が出来れば、データの全体像・雰囲気がわかるようになります。

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。
まとめてコードを書いた方がスッキリしていいのは確かですが、本質を理解して可視化さえ出来れば、シンプルなコードでも全然問題ないと思います(先頭グラフのみ表示しています)。

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「バイオリンプロット」について紹介してきました。

箱ひげ図と同じく、データ分布の全体像を「統計量分布」「カーネル密度推定」と合わせて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。