[python]2つの項目の値に応じてデータの分布を可視化する

概要

データの分布を可視化するにはseabornのcountplotやdistplotなどが使えます。また、ある項目の値に応じてデータの分布を可視化したい場合は、jointplotを使ったり、countplotの引数hueを利用したりできます（例：図1）。以前、各変数の属性（離散量か連続量か）に応じてある項目の値に応じた分布を可視化するメソッドを紹介しました。

今回はそれを拡張して、2つの項目の値に応じたデータの分布を可視化するメソッドを紹介します。

変数Embarkedの値に応じたSurvivedの分布

方法

説明変数（分布を調べたい変数）と目的変数（これの値に応じた分布を調べたい）の属性に対する適切なメソッドは以下のようになります。

以前作成したvisualize_dataメソッドの引数に新たに引数hueを追加します。これに2つ目の分類データのkey名を渡します。

def visualize_data(data, target_col, categorical_keys=None, hue=None):

jointplot、violineplotの場合

これらのメソッドではまだ引数hueを使っていないので、引数hueを利用できます。

sg=sns.jointplot(x=key, y=target_col, data=data, height=length*2/3, 
                hue=hue)

countplotの場合

countplotの場合はすでに引数hueを使ってしまっています。そこで、2つ目のデータの値毎にプロットを分けることにします。

使用するメソッドをcatplotに変更し、kindを'count'に設定します。catplotの引数rowに変数を渡すと、その変数ごとにプロットを分けてくれます。（rowに渡した場合は横に、colに渡した場合は縦に並びます。）

sns.catplot(x=key, data=data, hue=target_col, row=hue, kind='count')

distplotの場合

同じく引数hueは使ってしまったので、こちらも2つめのデータの値毎にプロットを分けます。

g=sns.FacetGrid(data, hue=target_col, row=hue)
g.map(sns.distplot, key, ax=axes[1], kde=False)

全体では以下のようになります。内部で使ってる独自メソッドについては前回のページを見てください。

def visualize_data(data, target_col, categorical_keys=None, hue=None):

    keys=data.keys()
    
    if categorical_keys is None:
        categorical_keys=keys[[is_categorical(data, key) for key in 
        keys]]
        
    for key in keys:
        if key==target_col or key==hue:
            continue
            
    length=10
    subplot_size=(length, length/2)
    
    if (key in categorical_keys) and (target_col in categorical_keys):
        
        r=cramerV(key, target_col, data)
        
        fig, axes=plt.subplots(1, 2, figsize=subplot_size)
        sns.countplot(x=key, data=data, ax=axes[0])
        sns.catplot(x=key, data=data, hue=target_col, row=hue, 
        kind='count')
        plt.title(r)
        plt.tight_layout()
        plt.show()
        
    elif (key in categorical_keys) and not (target_col in 
          categorical_keys):
          
          r=correlation_ratio(cat_key=key, num_key=target_col, 
          data=data)
          
          fig, axes=plt.subplots(1, 2, figsize=subplot_size)
          sns.countplot(x=key, data=data, ax=axes[0])
          sns.violinplot(x=key, y=target_col, data=data, ax=axes[1], 
          hue=hue)
          plt.title(r)
          plt.tight_layout()
          plt.show()
          
    elif not (key in categorical_keys) and (target_col in 
         categorical_keys):
         
         r=correlation_ratio(cat_key=target_col, num_key=key, 
         data=data)
         
         fig, axes=plt.subplots(1, 2, figsize=subplot_size)
         sns.distplot(data[key], ax=axes[0], kde=False)
         g=sns.FacetGrid(data, hue=target_col, col=hue)
         g.map(sns.distplot, key, ax=axes[1], kde=False)
         axes[1].set_title(r)
         axes[1].legend()       
         plt.title(r)
         plt.tight_layout()
         plt.show()
         
    else:
    
        r=data.corr().loc[key, target_col]

        sg=sns.jointplot(x=key, y=target_col, data=data,     
                         height=length*2/3, hue=hue)
         plt.title(r)
         plt.show()  

結果は以下のようになります（一部だけ表示）。'Cover_Type'、'result'の2つの項目の値に応じてデータの分布をプロットします。

visualize_data(data=data_res, target_col='Cover_Type', hue='result')

最後に

使い方としては、モデルによる予測結果をデータの列に追加し、これとターゲットの値との2つの値に応じてデータの分布を見る、というようなものが多いです。

記事内で扱ったメソッドはgithubに上げてあります。