パンダによる箱ひげ図の視覚化[包括的なガイド]

統計データ分析プロジェクトを扱う際には、適用できる便利なツールがたくさんあります。 基本的な考え方は、質問を特定し、その質問に答えるために必要な機能を使用することです。 たとえば、データ分布を確認する必要がある場合、理想的な答えはデータ分布関数をプロットすることです。

値を確認して他の列の値と比較する必要がある場合は、棒グラフまたはヒストグラムをプロットするのが最善の方法です。 しかし、統計クエリを満たす必要がある場合はどうなるでしょうか。 この傾向は分布関数で観察できますが、データの特定のパーセンタイルをチェックする必要がある場合、簡単な方法はありません。 競合他社よりも優位に立つために、認められた大学からのデータサイエンストレーニングをチェックしてください。

箱ひげ図は、上記の問題の解決策として提供されます。 箱ひげ図は、属性がプロットされる列ごとに、属性のパーセンタイル値を記述するために使用されます。 箱ひげ図は、ルールベースのモデルエンジニアリングだけでなく、一般的な探索的データ分析においても非常に洞察力があります。

箱ひげ図は四分位数を扱います。

最初にパンダの箱ひげ図をプロットしてから、その部分を理解しましょう。

パンダの箱ひげ図をプロットする

パンダの箱ひげ図を実装するには、パンダとmatplotlibの2つの要件しかありません。 matplotlibの使用は、プロットを視覚化し、Jupyterノートブック内のプロットを表示することです。

両方のライブラリをインポートする方法は次のとおりです。 インラインマジック関数を使用して、プロットがノートブック内で直接表示されるようにします。

コード：

パンダをpdとしてインポートします

matplotlib.pyplotをpltとしてインポートします

％matplotlibインライン

次に、データをインポートしてDataFrameに読み込みます。 これがその方法です。

コード：

data = pd.read_csv（ "FIFA 2018 Statistics.csv"）

DataFrameは、Pandasの基本的なデータ構造です。 これが私たちのデータの最初の5つのサンプルです。

データがインポートされた後、DataFrameオブジェクトに対してpandas箱ひげ図関数を直接使用できます。 使用方法は次のとおりです。

コード：

data.boxplot（by =” Round”、column = ['Goal Scored']）

pandasの箱ひげ図関数は2つの引数を取ります。 'by'パラメータは、X軸を選択するために使用されます。 また、「列」はY軸にプロットするデータです。

ここでは、ラウンドで得点されたゴールをプロットしています。

プロットは次のとおりです。

チェックアウト： Pythonインタビューの質問

箱ひげ図を読む

それでは、プロットを読んでみましょう。 まず、軸の値を理解します。 Y軸は試合で得点されたゴール数を示し、X軸はゲームがプレイされたラウンドを示します。 最終ラウンドを例にとってみましょう。

注意深く観察すると、ボックスは2から4の間のどこかに作成され、中央の線は3になっています。 ボックスは、25パーセンタイル値、50パーセンタイル値、および75パーセンタイル値の3つの値を使用してプロットされます。 プロットの下の線は、試合で得点されたゴールの25パーセンタイルを示し、中央は50パーセンタイルを示し、上の線は75パーセンタイルを示します。 したがって、箱ひげ図は、データの四分位範囲（IQR）で機能します。

読む： Pythonパンダチュートリアル：初心者がPythonパンダについて知っておくべきことすべて

さて、ボックスの上下にもう1つ描かれています。 これらの線はひげとして知られています。 したがって、箱ひげ図は箱ひげ図とも呼ばれます。

ひげをプロットするユニークな方法はありません。 ひげを示す最も一般的な方法は、データ列の最小値と最大値でひげをマークすることです。 seabornのような一部のライブラリは、ひげをマークするためにIQRの乗法値を使用します。 パンダの箱ひげ図は、ひげをマークするために最大値と最小値を使用します。

お気づきの方もいらっしゃると思いますが、4から6の間にいくつかのポイントがあります。 これらは外れ値として知られています。 箱ひげ図は、ルールベースのシステムでエラー計算として適度に役立ちます。または、誤分類をすばやく特定できます。 たとえば、グラフでは、3位ラウンドと最終ラウンドを区別するだけでよい場合、データを正確に分類するルールベースのシステムを簡単に作成できます。 0から2の場合は、第3ラウンドをマークし、2から4の場合は、最終ラウンドをマークします。

箱ひげ図は、データ列の全体的な分布を理解するのに役立ちます。 プロットは、四分位値を使用して分布を示しています。 分布が適切にマークされているため、データをすばやく分析するのが簡単になります。 ひげは、列の残りの値を示します。

結論

下限は25％未満のデータを示し、上限は75％を超えるデータを示します。 外れ値が少ない場合は、パンダの箱ひげ図を使用すると、外れ値をすばやく特定できます。 全体として、それらを正しく読み取ることができれば、箱ひげ図はデータ分析に非常に役立ちます。

データサイエンスについて知りたい場合は、IIIT-B＆upGradのデータサイエンスのエグゼクティブPGプログラムをチェックしてください。これは、働く専門家向けに作成され、10以上のケーススタディとプロジェクト、実践的なハンズオンワークショップ、業界の専門家とのメンターシップを提供します。1業界のメンターとの1対1、400時間以上の学習、トップ企業との仕事の支援。