[Python]Pandasを使って散布図を描画する方法：実践ガイド

はじめに

データの可視化は、データ分析の重要なステップの一つです。散布図は、2つの変数間の関係を視覚的に理解するのに役立つ優れたツールです。この記事では、PythonのPandasライブラリとmatplotlibを使用して、散布図を描画する方法について詳しく説明します。さらに、データの前処理からカスタマイズ、回帰直線の追加、複数の散布図を一つのプロットに表示する方法までを実践的に解説します。

Pandasとmatplotlibを使って散布図を描画する基本手順

散布図を描画する基本的な手順は次の通りです。

1. 必要なライブラリをインポートする。
2. データを読み込み、PandasのDataFrameに格納する。
3. DataFrameから散布図を描画する。
4. プロットをカスタマイズする（オプション）。
5. プロットを表示する。

import pandas as pd
import matplotlib.pyplot as plt
# データを読み込む
data = pd.read_csv('データセット.csv')

# 散布図を描画
plt.scatter(data['変数1'], data['変数2'])
# グラフをカスタマイズ（例：タイトル、軸ラベル）
plt.title('変数1と変数2の関係')
plt.xlabel('変数1')
plt.ylabel('変数2')
# グラフを表示
plt.show()

データセットの準備と前処理方法

データセットの準備と前処理は、散布図を描画する前に重要なステップです。以下は一般的な前処理ステップです。

1. データの読み込み
2. 欠損値の処理
3. 外れ値の検出と処理
4. データのスケーリング

# データの読み込み
data = pd.read_csv('データセット.csv')
# 欠損値の処理（例：欠損値を平均値で埋める）
data.fillna(data.mean(), inplace=True)
# 外れ値の検出と処理（例：3σ法に基づく外れ値の削除）
mean = data['変数1'].mean()
std = data['変数1'].std()
data = data[(data['変数1'] >= mean - 3 * std) & (data['変数1'] <= mean + 3 * std)]
# データのスケーリング（例：Zスコア正規化）
data['変数1'] = (data['変数1'] - data['変数1'].mean()) / data['変数1'].std()

散布図のカスタマイズ：マーカーの種類と色の変更

散布図のカスタマイズは、データの視覚的表現を向上させる重要なステップです。以下はカスタマイズの例です。

• マーカーの種類を変更する。
• マーカーの色を変更する。

data = pd.read_csv('データセット.csv')
# 散布図を描画（マーカーの種類と色を変更）
plt.scatter(data['変数1'], data['変数2'], marker='o', color='blue')
# グラフをカスタマイズ（例：タイトル、軸ラベル）
plt.title('変数1と変数2の関係')
plt.xlabel('変数1')
plt.ylabel('変数2')
# グラフを表示
plt.show()

このサンプルコードでは、markerパラメータを使用してマーカーの種類を「o」（円）に変更し、colorパラメータを使用してマーカーの色を青に変更しています。これにより、散布図の外観をカスタマイズできます。

import numpy as np
import scipy.stats as stats
# データの読み込み
data = pd.read_csv('データセット.csv')
# 散布図を描画
plt.scatter(data['変数1'], data['変数2'])
# 回帰直線を計算
slope, intercept, r_value, p_value, std_err = stats.linregress(data['変数1'], data['変数2'])
x = np.array(data['変数1'])
y = slope * x + intercept
# 回帰直線を描画
plt.plot(x, y, color='red', label=f'回帰直線 (R^2={r_value**2:.2f})')
# グラフをカスタマイズ（例：タイトル、軸ラベル、凡例の表示）
plt.title('変数1と変数2の関係')
plt.xlabel('変数1')
plt.ylabel('変数2')
plt.legend()
# グラフを表示
plt.show()

# データの読み込み
data = pd.read_csv('データセット.csv')
# 散布図を描画（複数の変数間の関係を比較）
plt.scatter(data['変数1'], data['変数2'], label='変数1 vs. 変数2', marker='o', color='blue')
plt.scatter(data['変数1'], data['変数3'], label='変数1 vs. 変数3', marker='x', color='green')
plt.scatter(data['変数1'], data['変数4'], label='変数1 vs. 変数4', marker='s', color='red')
# グラフをカスタマイズ（例：タイトル、軸ラベル、凡例の表示）
plt.title('複数の変数間の関係')
plt.xlabel('変数1')
plt.ylabel('値')
plt.legend()
# グラフを表示
plt.show()