視覚化は、最初の調査から重要な発見や洞察の伝達に至るまで、データ分析のプロセス全体を通じて重要です。 私たちはパターンを発見し、隠れた関係を明らかにし、視覚的にコミュニケーションします。
高次元データ、つまり多くの列と行を含むデータ テーブルの場合、全体的なパターンを明らかにし、データの変動の規模と範囲を示すのに十分なデータを要約するグラフを作成するのは困難な場合があります。 これらの要求のバランスをとる方法をいくつか考えてみましょう。
説明のために、2019 年 3 月のすべての米国国内線の航空会社の出発および到着データを見てみましょう。 データテーブルは私の本に付属していますJMPによる実践的データ分析 第3版。 完全なデータ テーブルには 38 列と 632,000 を超える行が含まれています。 まず、分単位で報告される到着遅延を考慮します。 グラフビルダーで、到着遅延列を Y ドロップ ゾーンに追加し、デフォルトのグラフィックである外れ値箱ひげ図を生成します。
このプロットは、中央値がゼロに近い、非常に右に偏った遅延の分布を示しています。 おそらく、フライトの 50% は予定より早く到着し、75% はわずかな遅延のみです。 5 ナンバーの概要ボックスをチェックすると詳細がわかりますが、最大値 1,928 分、つまり 32 時間の遅延について疑問に思う人もいるかもしれません。
外れ値箱ひげ図の上のひげは Q3 + 1.5*(四分位範囲) で作成されます。この場合、これは 31.5 + 1.5(21) = 37.5 です。 37 分を超える時間帯には、多数の、しかし不特定の数の観測が存在します。 矢印ツールを使用してひげの上の点を選択すると、外れ値が 54,000 近くあることがわかりますが、このグラフの最初のレンダリングでは、より高い値にいくつかの減衰点を含む暗い線が表示されます。
さらに大きな問題は、外れ値によって、大多数のフライトが予定時刻から数分以内に到着したという事実が視覚的に矮小化されてしまう可能性があることです。 分布の中心と形状を伝えることを優先する場合は、ヒストグラムまたはバイオリン プロットを使用することをお勧めします。 後者は等高線プロット オプションです。 。 ここに 2 つのグラフを並べて示します。
これらの視覚化は、外側の点を過度に強調することなく、分布全体の位置と形状を強調表示します。 一方で、実際にはデータポイントはまったく表示されません。
もちろん、グラフを右クリックして [追加] > [ポイント] を選択することで、これらのプロットのいずれかに個々のポイントを追加できます。 これは、輪郭上に点が重ねられたバイオリンのプロットです。
問題は、過剰なプロットが多すぎて、ほとんどの点が表示されないことです。 何をすべきか？
ここでは 5 つの簡単な戦術を紹介します。
1. 分割して征服する。 一連の小さなグラフを作成することは最初の選択肢ではないかもしれませんが、他のヒントをより明確に説明するのに役立つため、このグラフから始めます。 一次元グラフに過剰なプロットがある場合は、別の次元を含めます。 たとえば、データには遅延の主な原因を特定するカテゴリ変数が含まれています。遅延が発生した場合。 このデータセットでは、遅延したのはフライトの約 3 分の 1 だけであるため、600,000 ポイントではなく約 200,000 ポイントが表示されています。
使用する主な原因グループ化変数として使用すると、遅延変動の根本的な動的な理由を特定するのに役立ち、個々のデータ値をより明確に表示することもできます。 たとえば、ほとんどの遅延は通信事業者と遅い機器によって引き起こされているようであり、最も長い遅延は通信事業者に起因するものであり、セキュリティによる遅延はまれで短期間であることがすぐにわかります。
このレンダリングでは、ポイントは垂直方向に整列していませんが、垂直方向に整列していることに注意してください。震えた。 つまり、間に空白を入れるために左右にわずかに位置が変更されています。 これが 2 番目の戦術になります。
2. ジッターの追加または調整。 この一変量グラフでは、いくつかの点が均一に左または右にシフトされています。 デフォルトのジッター パターンでは、各値でのフライトの数を把握できるようにポイントが分散されますが、ポイントは等高線を覆っています。
グラフ ビルダーでは、ジッター コントロールにオプションが用意されています。
たとえば、次のことを選択すると、ランダム ノーマルジッターを軽減し、ジッター制限、ヴァイオリンを再度明らかにすることができます。
ジッターを減らすとバイオリンが明らかになりますが、オーバープロットが増加します。 次の 3 つの戦略は、インク濃度を減らすためにより直接的に対処します。 これらのオプションは、黒い点を右クリックして呼び出すことができます。到着遅延グラフの右上の凡例に表示されます。
3. オープンマーカーを使用する。 選ぶマーカー >をクリックして、実線のドットではなく白丸を選択します。 近接した点が互いに重なるのではなく、目に見えて重なり合うようになりました。
4. 小さめのマーカーを使用する。開いたマーカーを使用した場合でも、ポイントの密度により、かなりの過剰プロットが発生します。 場合によっては、より小さなドットを使用するだけで、より多くの余白が残り、個々の点がより目立つようになります。 これを行うには、凡例の黒い円を右クリックして、マーカー サイズ > 1、小。
5. 半透明のマーカーを使用する。 開いたマーカーを使用すると、ポイントの中心を通して見ることができますが、ポイントの輪郭は不透明になります。 視覚的な混乱を軽減するために、ポイントを半透明にすることができます。 もう一度、凡例の黒い円を右クリックし、[透明度…このダイアログを開くには:
示されているように、0 ～ 1 の値を入力します。 以下は、マーカー密度 20% として 0.2 を入力した結果です。
このバージョンでは、非常にまばらな最上部のポイントはほとんど目立たなくなりますが、より低い値にある大量のポイントが強調されます。
これら 5 つの基本的な戦術は、二変量プロットと多変量プロットでも同様に機能します。 たとえば、ここでは、小さな開いたマーカーを使用した、到着遅延と出発遅延の散布図を示します。 3 番目の次元を追加するには、遅延の主な原因に応じてポイントを色付けします。
現在、612,000 個のポイントすべてをプロットしていますが、その大部分は原点にかなり近いか、原点より下にあります。 左下の黒い点の塊は、早めに到着または定刻に到着したフライトであり、到着遅延の主な原因はありません。 遅延の頻度と重大度の比較は、原因ごとに確認できます。 さらに重要なのは、データの密度が高いにもかかわらず、個々の点だけでなく全体的なパターンも検出できることです。
