Day 045 — データの可視化（matplotlib / seaborn）

📚 背景知識（読んでから問題へ）

データ分析において「見える化（可視化）」は最も強力な武器の一つです。数字だけでは気づけないパターン・分布・外れ値・相関が、グラフ1枚で一瞬で見えるようになります。Kaggleのトップランカーも、まず EDA（探索的データ分析）で大量のグラフを描くことから始めます。

⚖️ matplotlib vs seaborn

どちらを使っても plt.show()、plt.title()、plt.tight_layout() などのmatplotlib関数は共通して使えます。

📊 主要グラフ5種

🖼️ 図の構造 — Figure と Axes

fig, ax = plt.subplots(figsize=(幅インチ, 高さインチ)) — グラフ1枚ならこの形が標準パターン。複数のグラフを並べるときは plt.subplots(行数, 列数) で作成します。

🗂️ データスキーマ（今回使用）

📝 問題

📋 コピーimport pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(42)

data = {
    "PassengerId": range(1, 51),
    "Survived":   [0,1,1,1,0,0,0,0,1,1,0,1,1,0,0,1,0,1,1,0,
                   0,1,1,0,0,1,0,0,1,0,0,1,1,1,0,0,0,1,0,1,
                   1,0,0,1,0,1,1,0,0,1],
    "Pclass":     [3,1,3,1,3,3,1,3,3,2,3,1,3,3,2,1,3,2,3,1,
                   3,2,1,3,3,1,2,3,1,3,3,2,1,3,3,2,3,1,3,2,
                   1,3,3,2,3,1,3,2,3,1],
    "Sex":        (["male","female"]*25),
    "Age":        [22,38,26,35,28,42,54,2,27,14,40,58,20,39,14,55,
                   2,31,18,35,42,26,15,29,8,60,12,33,19,44,
                   25,35,48,22,30,41,52,17,26,31,
                   22,38,26,35,28,42,54,2,27,14],
    "Fare":       [7.25,71.28,7.92,53.10,8.05,8.46,51.86,21.07,11.13,30.07,
                   16.70,26.55,8.05,31.27,16.00,86.50,7.92,24.15,7.92,512.33,
                   7.00,7.25,9.00,7.79,7.92,71.28,12.00,15.50,26.55,8.46,
                   7.25,30.07,71.28,8.05,13.00,29.70,7.25,86.50,7.92,9.50,
                   14.00,7.25,8.05,26.55,7.92,71.28,13.00,15.50,7.92,8.05],
    "Embarked":   (["S","C","S","S","Q"]*10),
}
df = pd.DataFrame(data)

🔍 ヒント（段階的開示）

📋 コピー# タスク1
fig, ax = plt.subplots(figsize=(8, 5))
ax.hist(df["Age"], bins=10, color="steelblue", edgecolor="white")
ax.set_title("Age Distribution")
ax.set_xlabel("Age")
ax.set_ylabel("Count")
plt.tight_layout()
plt.show()

# タスク2
fig, ax = plt.subplots(figsize=(7, 5))
sns.barplot(data=df, x="Pclass", y="Survived", ax=ax)
ax.set_title("Survival Rate by Pclass")
plt.tight_layout()
plt.show()

# タスク3
fig, ax = plt.subplots(figsize=(8, 5))
sns.scatterplot(data=df, x="Age", y="Fare", hue="Survived",
                palette={0:"#f87171", 1:"#4ade80"}, ax=ax)
ax.set_title("Age vs Fare (colored by Survived)")
plt.tight_layout()
plt.show()

# タスク4
fig, ax = plt.subplots(figsize=(8, 5))
sns.boxplot(data=df, x="Sex", y="Age", hue="Survived",
            palette={0:"#f87171", 1:"#4ade80"}, ax=ax)
ax.set_title("Age Distribution by Sex and Survived")
plt.tight_layout()
plt.show()

📋 コピー# タスク1
fig, ax = plt.subplots(figsize=(8, 5))
ax.___(df["Age"], bins=___, color="___", edgecolor="___")
ax.set_title("___")
ax.set_xlabel("___")
ax.set_ylabel("___")
plt.show()

# タスク2
fig, ax = plt.subplots(figsize=(7, 5))
sns.___(data=df, x="___", y="___", ax=ax)
ax.set_title("___")
plt.show()

# タスク3
fig, ax = plt.subplots(figsize=(8, 5))
sns.___(data=df, x="Age", y="Fare", hue="Survived",
         palette={0:"___", 1:"___"}, ax=ax)
ax.set_title("___")
plt.show()

# タスク4
fig, ax = plt.subplots(figsize=(8, 5))
sns.___(data=df, x="Sex", y="Age", hue="___",
         palette={0:"___", 1:"___"}, ax=ax)
ax.set_title("___")
plt.show()

✅ 模範解答

📋 コピーimport pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(42)

data = {
    "PassengerId": range(1, 51),
    "Survived":   [0,1,1,1,0,0,0,0,1,1,0,1,1,0,0,1,0,1,1,0,
                   0,1,1,0,0,1,0,0,1,0,0,1,1,1,0,0,0,1,0,1,
                   1,0,0,1,0,1,1,0,0,1],
    "Pclass":     [3,1,3,1,3,3,1,3,3,2,3,1,3,3,2,1,3,2,3,1,
                   3,2,1,3,3,1,2,3,1,3,3,2,1,3,3,2,3,1,3,2,
                   1,3,3,2,3,1,3,2,3,1],
    "Sex":        (["male","female"]*25),
    "Age":        [22,38,26,35,28,42,54,2,27,14,40,58,20,39,14,55,
                   2,31,18,35,42,26,15,29,8,60,12,33,19,44,
                   25,35,48,22,30,41,52,17,26,31,
                   22,38,26,35,28,42,54,2,27,14],
    "Fare":       [7.25,71.28,7.92,53.10,8.05,8.46,51.86,21.07,11.13,30.07,
                   16.70,26.55,8.05,31.27,16.00,86.50,7.92,24.15,7.92,512.33,
                   7.00,7.25,9.00,7.79,7.92,71.28,12.00,15.50,26.55,8.46,
                   7.25,30.07,71.28,8.05,13.00,29.70,7.25,86.50,7.92,9.50,
                   14.00,7.25,8.05,26.55,7.92,71.28,13.00,15.50,7.92,8.05],
    "Embarked":   (["S","C","S","S","Q"]*10),
}
df = pd.DataFrame(data)

# ── タスク1: 年齢のヒストグラム ──
fig, ax = plt.subplots(figsize=(8, 5))
ax.hist(df["Age"], bins=10, color="steelblue", edgecolor="white")
ax.set_title("Age Distribution", fontsize=14)
ax.set_xlabel("Age")
ax.set_ylabel("Count")
plt.tight_layout()
plt.show()

# ── タスク2: Pclassごとの生存率 棒グラフ ──
fig, ax = plt.subplots(figsize=(7, 5))
sns.barplot(data=df, x="Pclass", y="Survived", ax=ax,
            palette=["#60a5fa","#4ade80","#fbbf24"])
ax.set_title("Survival Rate by Pclass", fontsize=14)
ax.set_xlabel("Pclass")
ax.set_ylabel("Survival Rate")
plt.tight_layout()
plt.show()

# ── タスク3: 年齢と運賃の散布図 ──
fig, ax = plt.subplots(figsize=(8, 5))
sns.scatterplot(data=df, x="Age", y="Fare", hue="Survived",
                palette={0:"#f87171", 1:"#4ade80"}, ax=ax, s=80)
ax.set_title("Age vs Fare (colored by Survived)", fontsize=14)
ax.set_xlabel("Age")
ax.set_ylabel("Fare")
plt.tight_layout()
plt.show()

# ── タスク4: 性別×生存の箱ひげ図 ──
fig, ax = plt.subplots(figsize=(8, 5))
sns.boxplot(data=df, x="Sex", y="Age", hue="Survived",
            palette={0:"#f87171", 1:"#4ade80"}, ax=ax)
ax.set_title("Age Distribution by Sex and Survived", fontsize=14)
ax.set_xlabel("Sex")
ax.set_ylabel("Age")
plt.tight_layout()
plt.show()

4つのタスクで使うグラフ対応表

🪜 Step-by-Step 解説

1 fig, ax = plt.subplots() — 「台紙とグラフ」を用意する

plt.subplots() は Figure（全体のキャンバス）と Axes（グラフを描く領域）を同時に作成します。figsize=(8, 5) は「幅8インチ、高さ5インチ」の意味です。複数グラフを並べるには fig, axes = plt.subplots(2, 2, figsize=(12, 8)) と書きます。

2 ax.hist() でヒストグラムを描く

📋 コピーax.hist(df["Age"], bins=10, color="steelblue", edgecolor="white")

bins=10 はデータを10個の区間に分ける指定です。edgecolor="white" を設定すると棒の境界線が白くなり、隣の棒との境界が見やすくなります。

3 sns.barplot は y列の平均を自動計算する

📋 コピーsns.barplot(data=df, x="Pclass", y="Survived", ax=ax)

seaborn の barplot は x のカテゴリごとに y の平均値を計算して棒グラフにします。Survived は 0/1 のフラグなので、平均値 = 生存率（0〜1）となります。95%信頼区間のエラーバーも自動で表示されます。

4 hue パラメータで色分けする

📋 コピーsns.scatterplot(data=df, x="Age", y="Fare", hue="Survived",
                palette={0:"#f87171", 1:"#4ade80"}, ax=ax)

hue="Survived" でグラフ内の点が Survived の値（0 or 1）によって色分けされます。palette で各値の色を辞書形式で指定できます。凡例も自動で追加されます。

5 plt.tight_layout() でラベルの重なりを防ぐ

📋 コピーplt.tight_layout()
plt.show()

tight_layout() は複数グラフや軸ラベルが重なるのを自動で調整します。show() の直前に書く習慣をつけましょう。Jupyter Notebook では show() がなくてもグラフが表示されますが、書いておくと明示的でわかりやすいです。

📦 箱ひげ図の解剖

箱の大きさ（IQR）が大きいほどデータのバラツキが大きく、小さいほど値が集中しています。外れ値（○）は特に注意が必要なデータ点です。

🔢 数学・統計の補足（文系向け）

ヒストグラムの「bins」とは何か

「bins（ビン）」は「箱」の意味です。データを一定の範囲で区切った箱に振り分けて、各箱に何件入るかを棒の高さで表します。Age 0〜60を bins=10 にすると、各棒は6歳刻みで「何人がその年齢帯にいるか」を示します。bins が多すぎると細かすぎて見にくく、少なすぎると分布の形が見えません。

散布図で「相関」を直感的に理解する

2変数をx軸とy軸にプロットして：

• 点が右上がりに並ぶ → 正の相関（一方が増えると他方も増える）
• 点が右下がりに並ぶ → 負の相関（一方が増えると他方は減る）
• 点がバラバラ → 相関なし

グラフで見ることで、相関係数を計算する前に直感を持てます。Titanic では高い運賃（Fare）の乗客が生存しやすいことが散布図から見えます。

四分位数（箱ひげ図の基礎）

データを小さい順に並べて：

• Q1（25%点）: 下から25%の位置の値
• Q2（50%点）: 中央値（真ん中の値）
• Q3（75%点）: 下から75%の位置の値
• IQR = Q3 - Q1: 「データの真ん中50%の広がり」。外れ値の判定に使う

🏆 Kaggleでの実践的な使い方

EDA（探索的データ分析）はKaggleコンペの必須工程です。上位解法の多くが豊富なグラフを含んでいます。

📋 コピーimport pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

train = pd.read_csv("train.csv")

# ① 数値列の分布を一括確認
num_cols = ["Age", "Fare", "SibSp", "Parch"]
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
for i, col in enumerate(num_cols):
    ax = axes[i//2][i%2]
    sns.histplot(train[col].dropna(), bins=30, kde=True, ax=ax)
    ax.set_title(f"{col} Distribution")
plt.tight_layout()
plt.show()

# ② カテゴリ別の生存率
fig, axes = plt.subplots(1, 3, figsize=(15, 5))
for i, col in enumerate(["Pclass", "Sex", "Embarked"]):
    sns.barplot(data=train, x=col, y="Survived", ax=axes[i])
    axes[i].set_title(f"Survival Rate by {col}")
plt.tight_layout()
plt.show()

# ③ 相関ヒートマップ
corr = train[["Survived","Pclass","Age","SibSp","Parch","Fare"]].corr()
fig, ax = plt.subplots(figsize=(8, 6))
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", ax=ax)
ax.set_title("Correlation Heatmap")
plt.show()

Kaggle EDA の標準フロー（可視化の順番）

⚠️ よくある誤解・ミス

🚀 次のステップ

• 発展: seaborn.pairplot(df, hue="Survived") で全変数ペアの散布図を一括生成。Kaggle EDA の標準ファースト・グラフ
• 次回予告: 相関係数と散布図（df.corr() で数値化し sns.heatmap で可視化）

📋 自己評価（解いた後に記入）