matplotlib https://matplotlib.org/ は， PythonならびにNumPyのためのグラフ描画ライブラリである．
最初の例題として用いるのはiris（アヤメ）のデータである．
まずはpandasを用いてデータを読んでおく．
%matplotlib inlineとしておくと，描画が画面にすぐに表示されるようになる．
import pandas as pd
%matplotlib inline
df = pd.read_csv(
"http://logopt.com/data/iris.data",
names=["sepal length", "sepal width", "petal length", "petal width", "class"],
)
df.head()
df.hist(bins=30);
問題 （SAT，GPA）
http://logopt.com/data/SATGPA.csv データを読み込み，2種類のSATの成績とGPAのヒストグラムを描画せよ． また，引数のbinsを色々変えてみよ．
pokemon = pd.read_csv("http://logopt.com/data/poke.csv", encoding="utf-8", index_col=0)
pokemon.head()
df.plot.scatter(x="sepal length", y="petal length")
問題 （ダイヤモンド）
http://logopt.com/data/Diamond.csv からダイアモンドの価格データを読み込み，カラット (carat) と価格 (price) の散布図を描け．
df.plot.area();
# 面積図
df.plot.bar();
# 棒グラフ
df.plot.box();
# 箱ひげ図
df.plot.density();
# カーネル密度推定（kdeと同じ）
df.plot.hexbin(x="sepal length", y="petal length", gridsize=30);
# 6角形格子図（散布図と同様に，x,y軸を入れる．）
df.plot.line();
# 線グラフ df.plot()でも同じ
多次元データ 1: 並行座標図
散布図では3次元までの図を可視化できる（3次元の場合の方法については教科書参照）が，4次元以上だと人間の目では無理だ．
多次元データを可視化するための方法として並行座標図がある．
これは散布図の $y$ 軸を $x$ 軸と並行にしたものである．複数の $y$ 軸があっても大丈夫だが，あまり多いとよく分からなくなる．
pandasではplottingにあるparallel_coordinates 関数を用いて並行座標図を描画できる．
第1引数はデータフレームであり，第2引数は分けて描画したいクラスを表す列名を与える．
並行座標図は，比例関係は平行な直線で，反比例関係は1つの点で交わる直線群で描画する．
例として，$x= 0,1,2, \ldots,9$，$y=2x$, $z=10-x$ を描画してみよう．
from pandas.plotting import parallel_coordinates
data = [] # x,y,zを入れたリストを作成
for i in range(10):
row = [i, 2 * i, 10 - i, "dummy"] # クラス名を指定するためにダミーの列を最後に追加
data.append(row)
testdf = pd.DataFrame(data)
testdf
parallel_coordinates(testdf, 3);
# ダミーの列の名前は 3
iris = pd.read_csv(
"http://logopt.com/data/iris.data",
names=["sepal length", "sepal width", "petal length", "petal width", "class"],
)
多次元データ 2： Andrew曲線
多次元データを可視化するためのもう1つの方法としてAndrew曲線がある．
これは．多次元データ $x_1,x_2,\ldots$ をフーリエ曲線
$$ f_x(t) = \frac{x_1}{\sqrt 2} + x_2 \sin(t) + x_3 \cos(t) + x_4 \sin(2t) + x_5 \cos(2t) + \cdots $$で変換し，$-\pi < t < \pi$ の間に描画したものである．
pandasではplottingにあるandrews_curves 関数を用いて並行座標図を描画できる．
第1引数はデータフレームであり，第2引数は分けて描画したいクラスを表す列名を与える．
例として，$x= 0,1,2, \ldots,9$，$y=2x$, $z=10-x$ を描画してみよう．
from pandas.plotting import andrews_curves
andrews_curves(testdf, 3);
データ解析用描画パッケージ seaborn
seaborn https://seaborn.pydata.org/ を用いることによって，さらに簡単にデータ解析ができ，描画も綺麗になる．
まずはseabornパッケージをsnsという別名で読み込んでおく．
import seaborn as sns
%matplotlib inline
df = pd.read_csv(
"http://logopt.com/data/iris.data",
names=["sepal length", "sepal width", "petal length", "petal width", "class"],
)
df.head()
sns.displot(df["sepal length"], bins=20, rug=True, kde=True);
問題 (SAT, GPA)
http://logopt.com/data/SATGPA.csv データを読み込み，GPAの分布をdistplotを用いて描画せよ．
sns.jointplot(x="sepal length", y="petal length", data=df, kind="scatter");
データフレームに含まれる複数の列間の散布図を一度に描画するにはpairplotを用いる．
引数としてhue（色調）をとることができ，色を変えたい列名（以下の例ではアヤメの種類(class）を指定して描画している．
sns.pairplot(df, hue="class");
問題 (SAT,GPA)
- http://logopt.com/data/SATGPA.csv データを読み込み，MathSATとGPAの関係をjointplotを用いて描画せよ．
- http://logopt.com/data/SATGPA.csv データを読み込み，MathSAT, VerbalSAT, GPAの相互関係をpairplotを用いて描画せよ．
tips = sns.load_dataset("tips")
tips.head()
sns.lmplot(x="total_bill", y="tip", data=tips, row="smoker", col="sex", hue="time");
カテゴリカルデータの分析
カテゴリカルデータ別に集計したい場合には，catplotを用いると便利だ．
引数は以下の通り．
- x: $x$軸
- y: $y$軸
- data: データフレーム
- row: 行名
- col: 列名
- hue: 色調
- kind: グラフの種類 (point, bar, count, box, violin, strip)
- split: バイオリン図(violin：箱ひげ図の拡張)の場合だけ有効で，Trueのとき左右に色調を分けて描画する．
以下の例では，tipsデータに対し，日ごと(x)のチップ（y)を喫煙者か否か（row="smoker"），性別（col="sex"）， 昼食か夕食か（hue="time"）ごとにバイオリン図で描画している．
sns.catplot(
x="day",
y="tip",
data=tips,
row="smoker",
col="sex",
hue="time",
split=True,
kind="violin",
);
titanic = sns.load_dataset("titanic")
titanic.head()