Seabornでboxenplot (letter-value plot)を描く

今日はseabornのboxenplot(letter-value plot)を使ってpythonのグラフを描画してみようと思います。

私はよくデータをセグメントごとに見るときに分布に違いがあるか確認するときに使います。

boxenplotは大量データ向けのboxplotの拡張版のようです。

Draw an enhanced box plot for larger datasets.
引用:https://seaborn.pydata.org/generated/seaborn.boxenplot.html

boxenplot (letter-value plot)は25パーセンタイルや75パーセンタイルのみではなく、12.5パーセンタイルや87.5パーセンタイルといった値も描画し分布の特徴を捉えることを可能にしています。

boxplotは統計の教科書や大学の授業でも習うので知っている方も多いと思います。
ボックスプロットや箱ひげ図などと呼ばれています。

ぜひboxenplotも使ってみてください。

boxenplotを使ってみる
参考

boxenplotを使ってみる

seabornのインポートと描画の設定

import seaborn as sns

# 描画設定
sns.set_style("whitegrid")
from matplotlib import rcParams
rcParams['font.family'] = 'Hiragino Sans' # Macの場合
#rcParams['font.family'] = 'Meiryo' # Windowsの場合
#rcParams['font.family'] = 'VL PGothic' # Linuxの場合
rcParams['xtick.labelsize'] = 12       # x軸のラベルのフォントサイズ
rcParams['ytick.labelsize'] = 12       # y軸のラベルのフォントサイズ
rcParams['axes.labelsize'] = 18        # ラベルのフォrんとサイズ
rcParams['figure.figsize'] = 18,8      # 画像サイズの変更(inch)

import pandas as pd
# ボストンの住宅価格データセットの読み込み
df = pd.read_csv("http://lib.stat.cmu.edu/datasets/boston_corrected.txt", encoding='Windows-1252',skiprows=9,sep="\t")

# 上から5件を取得
df.head()

Out[0]





  
    
      
      OBS.
      TOWN
      TOWN#
      TRACT
      LON
      LAT
      MEDV
      CMEDV
      CRIM
      ZN
      ...
      CHAS
      NOX
      RM
      AGE
      DIS
      RAD
      TAX
      PTRATIO
      B
      LSTAT
    
  
  
    
      0
      1
      Nahant
      0
      2011
      -70.955
      42.2550
      24.0
      24.0
      0.00632
      18.0
      ...
      0
      0.538
      6.575
      65.2
      4.0900
      1
      296
      15.3
      396.90
      4.98
    
    
      1
      2
      Swampscott
      1
      2021
      -70.950
      42.2875
      21.6
      21.6
      0.02731
      0.0
      ...
      0
      0.469
      6.421
      78.9
      4.9671
      2
      242
      17.8
      396.90
      9.14
    
    
      2
      3
      Swampscott
      1
      2022
      -70.936
      42.2830
      34.7
      34.7
      0.02729
      0.0
      ...
      0
      0.469
      7.185
      61.1
      4.9671
      2
      242
      17.8
      392.83
      4.03
    
    
      3
      4
      Marblehead
      2
      2031
      -70.928
      42.2930
      33.4
      33.4
      0.03237
      0.0
      ...
      0
      0.458
      6.998
      45.8
      6.0622
      3
      222
      18.7
      394.63
      2.94
    
    
      4
      5
      Marblehead
      2
      2032
      -70.922
      42.2980
      36.2
      36.2
      0.06905
      0.0
      ...
      0
      0.458
      7.147
      54.2
      6.0622
      3
      222
      18.7
      396.90
      5.33
    
  

5 rows × 21 columns

boxenplotの描画

# 住宅価格(中央値) x 町名 のboxenplotを確認
ax = sns.boxenplot(x="TOWN",y="CMEDV",data=df)
ax.tick_params(axis='x', labelrotation=90) # x軸のラベルを縦にする
# or ax.set_xticklabels(ax.get_xticklabels(),rotation=90)

描画できました。

町名ごとだとあんまりセグメントごとのデータ量が多くないのでboxenplotっぽくありませんでした。

これだとサンプルにならないので、新しく区分を作って表示させます。

boxenplotの描画 (新区分作成)

# numpyのインポート
import numpy as np

# 新区分を作成。平均部屋数が7.5以上は大、それ以外はその他と定義
df["新区分"] = np.where(df["RM"] >= 7.5, "大", "その他")

# boxenplotを再度描画する
ax = sns.boxenplot(x="新区分",y="CMEDV",data=df)
ax.tick_params(axis='x', labelrotation=90)

今度はboxenplotっぽいですね　笑

ボックスプロットより情報量が多くデータの理解がしやすくなったと思います。