データの可視化

なぜグラフにするのか

数値の表(DataFrame)を眺めるだけでは、データ全体の傾向を掴むのは意外と難しいものです。例えば、100人分のテストの点数が並んだ表を見ても、「平均的にどのくらいの点数の人が多いか」「勉強時間と点数に関係はありそうか」は、パッと見ただけでは分かりません。

こうしたときに役立つのが 可視化(データをグラフにすること) です。Pythonでは Matplotlib というライブラリがよく使われます。例えば、次のようなコードで「勉強時間」と「テストの点数」の関係を散布図(点を打ったグラフ)にできます。

import matplotlib.pyplot as plt

plt.scatter(study_hours, test_scores)
plt.xlabel("勉強時間")
plt.ylabel("テストの点数")
plt.show()

このコードを実行すると、横軸に勉強時間、縦軸に点数をとった散布図が描かれます。このコースの演習では、実際に描かれた散布図を使って「グラフから何が読み取れるか」を練習する形式を用意しています(演習内のグラフは、上記のようなコードによってあらかじめ描かれたものを表示しています)。

次のスライドでは、実際に散布図を読み取る練習をしてみましょう。

散布図の読み方

散布図は、2つの数値の関係を点の集まりとして表したグラフです。読み取り方のポイントを3つ紹介します。

1. 右肩上がり・右肩下がりの傾向

点が全体として右上がりに並んでいれば、「横軸の値が大きいほど、縦軸の値も大きくなる」傾向がある(正の関係)ということです。逆に右下がりなら、「横軸が大きいほど縦軸は小さくなる」傾向(負の関係)です。

2. 点のばらつき具合

点が一直線に近い並び方をしていれば関係が強く、バラバラに散らばっていれば関係が弱い、と言えます。

3. 外れ値

他の点から大きく離れた点を 外れ値 と呼びます。外れ値は、入力ミスなど本当に例外的なデータのこともあれば、注目すべき重要なデータのこともあり、原因を確認する価値があります。

この後の演習で、実際の散布図を見ながらこれらのポイントを練習してみましょう。この「右肩上がりの関係を見つける」という視点は、次の章で学ぶ 回帰(散布図に直線を当てはめて予測する手法) に直接つながっていきます。