【Matplotlib入門 第2回】表現力を高める！散布図・ヒストグラム・複数グラフ（サブプロット）の描き方 📊

「2つのデータの関係性を視覚的に表現したいな…」
「手元にあるデータの分布（ばらつき具合）って、どうやってグラフにすればいいんだろう？」
「複数のグラフを並べて比較したいけど、どうすれば一枚の画像にまとめられる？」

こんにちは！ Pythonデータ可視化探検隊、隊長のPythonistaです！ 前回の第1回では、Matplotlibを使って基本的な折れ線グラフや棒グラフを描画し、タイトルやラベルで装飾する方法を学びましたね。これで、Pythonでデータをグラフにする第一歩を踏み出せました。

シリーズ第2回の今回は、あなたのデータ可視化ツールボックスをさらに充実させるため、より専門的で強力なグラフ作成テクニックを探求します！ 具体的には、

  • 2つの変数の関係性を見るのに最適な散布図 (Scatter Plot)
  • データの分布（どの値にデータが集中しているか）を把握するためのヒストグラム (Histogram)
  • 複数のグラフを一枚の図にまとめて、比較しやすくするためのサブプロット (Subplots) の作成方法

を、具体的なサンプルコードと共に分かりやすく解説していきます。これらのグラフをマスターすれば、より深いデータ分析と、説得力のある情報伝達が可能になりますよ！

1. 準備：モジュールのインポート

今回も、Matplotlibのpyplotモジュールと、データ作成に便利なNumPyをインポートしておきましょう。

【Matplotlibのインストールがまだの方へ】
ターミナルやコマンドプロンプトでpip install matplotlib numpyを実行してください。

import matplotlib.pyplot as plt
import numpy as np

# 日本語フォント設定（文字化け対策）
# お使いの環境に合わせてフォントパスを指定してください。なければコメントアウトしてください。
try:
    plt.rcParams['font.family'] = 'IPAexGothic' # 例: IPAexゴシック
except:
    print("日本語フォントが見つからないため、英語表記のままプロットします。")

（日本語ラベルを使用する際、環境によっては文字化けすることがあります。上記のように日本語フォントを指定するか、japanize-matplotlibというライブラリをインストールすると簡単に対策できます。）

詳しくはこちらで解説しています。【Matplotlib文字化け解決】Windows/Ubuntu対応！日本語を綺麗に表示する設定方法 📝

2. 2つの変数の関係性を見る：散布図 (plt.scatter())

散布図は、2つの異なる数値データ（変数）を、それぞれX軸とY軸に対応させて点をプロットしたグラフです。2つの変数の間に相関関係があるかどうか（例えば、一方が増えるともう一方も増える傾向があるかなど）を見るのに非常に役立ちます。

2.1. 基本的な散布図の作成

NumPyの乱数生成機能を使って、2つのランダムなデータセットを作成し、その関係性をプロットしてみましょう。

import matplotlib.pyplot as plt
import numpy as np

# 100個のランダムなデータを生成
x_data = np.random.rand(100) # 0から1までの一様乱数
y_data = np.random.rand(100)

plt.figure(figsize=(6, 6))
plt.scatter(x_data, y_data) # scatter関数で散布図を描画

plt.title('基本的な散布図')
plt.xlabel('X軸データ')
plt.ylabel('Y軸データ')
plt.grid(True)
plt.show()


この例では、xとyに相関がないため、点は全体にランダムに散らばっています。

2.2. 散布図のカスタマイズ：色・サイズ・透明度で情報を追加

散布図の点は、色やサイズ、透明度を変えることで、さらに多くの情報を表現できます。3つ目や4つ目の変数の値を、点の色やサイズに割り当てることができるのです。

import matplotlib.pyplot as plt
import numpy as np

# 100個のランダムなデータを生成
x = np.random.randn(100) # 標準正規分布に従う乱数
y = 2 * x + np.random.randn(100) # y = 2x にノイズを加えたデータ

colors = np.random.rand(100)  # 3つ目の変数として、各点の色をランダムに設定
sizes = 150 * np.random.rand(100) # 4つ目の変数として、各点のサイズをランダムに設定

plt.figure(figsize=(8, 6))
plt.scatter(x, y, 
            c=colors,         # 色の配列
            s=sizes,          # サイズの配列
            alpha=0.7,        # 透明度 (0.0から1.0)
            cmap='viridis')  # カラーマップの種類

plt.title('カスタマイズされた散布図 (バブルチャート)')
plt.xlabel('X変数')
plt.ylabel('Y変数')
plt.colorbar(label='色の値 (3番目の変数)') # カラーバーを表示
plt.grid(True)
plt.show()

このように、散布図は2次元のグラフでありながら、最大4つの変数の関係性を同時に表現できる、非常に情報量の多いグラフです。

3. データの分布を把握する：ヒストグラム (plt.hist())

ヒストグラムは、1つの数値データの分布（どの値の範囲にデータがどれだけ集中しているか）を視覚化するためのグラフです。データをいくつかの区間（ビン, bin）に分け、各区間に含まれるデータの個数（度数, frequency）を棒グラフで表します。

3.1. 基本的なヒストグラムの作成

正規分布に従うランダムなデータを生成し、その分布をヒストグラムで確認してみましょう。

import matplotlib.pyplot as plt
import numpy as np

# 平均0, 標準偏差1の正規分布に従う乱数を1000個生成
data = np.random.randn(1000)

plt.figure(figsize=(8,5))
plt.hist(data) # hist関数でヒストグラムを描画

plt.title('基本的なヒストグラム')
plt.xlabel('値 (Value)')
plt.ylabel('度数 (Frequency)')
plt.show()

平均である0のあたりにデータが集中している様子がよく分かりますね。

3.2. ヒストグラムのカスタマイズ：ビンの数や見た目の変更

ヒストグラムは、区間（ビン）の数を変えるだけで見た目や解釈が大きく変わることがあります。bins引数でビンの数を調整できます。

import matplotlib.pyplot as plt
import numpy as np

data = np.random.randn(1000)

plt.figure(figsize=(8,5))
# ビンの数を50に増やし、色や枠線を設定
plt.hist(data, 
         bins=50,                 # ビンの数を50に指定
         color='lightgreen',
         edgecolor='black',
         density=True)         # density=Trueで度数ではなく確率密度で表示

plt.title('カスタマイズされたヒストグラム (bins=50)')
plt.xlabel('値 (Value)')
plt.ylabel('確率密度 (Density)')
plt.show()

ビンの数を増やすと、より詳細な分布の形が見えてきます。ただし、増やしすぎるとギザギザになりすぎて、かえって全体の傾向が分かりにくくなることもあるので、適切なビンの数を見つけることが重要です。

4. 複数のグラフを一枚にまとめる：サブプロット

複数のグラフを並べて比較したい場合、個別のウィンドウで表示するのではなく、一枚の図（Figure）の中に複数のプロットエリア（Axes）を配置するのが一般的です。これを実現するのがサブプロットです。

4.1. plt.subplots()：最新かつ推奨される方法

plt.subplots(nrows, ncols)関数は、指定した行数(nrows)と列数(ncols)のグリッドを持つ図(Figureオブジェクト)と、各プロットエリア(Axesオブジェクト)の配列を一度に作成してくれる、非常に便利な方法です。

重要ポイント： この方法を使うと、グラフの描画コマンドが少し変わります。plt.plot()やplt.title()のようにpltから直接呼び出すのではなく、各プロットエリアを表すaxオブジェクトのメソッド（例: ax.plot(), ax.set_title()）を呼び出す形になります。これは、Matplotlibのよりオブジェクト指向的な使い方で、複雑なグラフを柔軟に作成するのに適しています。

import matplotlib.pyplot as plt
import numpy as np

# 2行2列のサブプロットを作成
# figは図全体、axesは2x2のndarrayで各プロットエリア(ax)を格納
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

# --- 1番目のプロット (左上: axes[0, 0]) ---
x1 = np.linspace(0, 10, 100)
y1 = np.sin(x1)
axes[0, 0].plot(x1, y1)
axes[0, 0].set_title('折れ線グラフ (sin)') # plt.title() ではなく ax.set_title()
axes[0, 0].grid(True)

# --- 2番目のプロット (右上: axes[0, 1]) ---
x2 = ['A', 'B', 'C']
y2 = [5, 12, 8]
axes[0, 1].bar(x2, y2, color='#ff7f0e')
axes[0, 1].set_title('棒グラフ')
axes[0, 1].set_xlabel('カテゴリ') # ax.set_xlabel()
axes[0, 1].set_ylabel('値')         # ax.set_ylabel()

# --- 3番目のプロット (左下: axes[1, 0]) ---
x3 = np.random.randn(100)
y3 = np.random.randn(100)
axes[1, 0].scatter(x3, y3, alpha=0.5)
axes[1, 0].set_title('散布図')

# --- 4番目のプロット (右下: axes[1, 1]) ---
data4 = np.random.normal(10, 2, 1000) # 平均10, 標準偏差2の正規分布
axes[1, 1].hist(data4, bins=30, color='#2ca02c')
axes[1, 1].set_title('ヒストグラム')

# 全体のタイトル
fig.suptitle('様々な種類のグラフをサブプロットで表示', fontsize=16)

# 各プロット間の間隔を自動調整
plt.tight_layout(rect=[0, 0, 1, 0.96]) # suptitleと重ならないように調整

plt.show()

plt.subplots()を使うことで、複雑なレイアウトのグラフも体系的に作成することができます。

まとめ：グラフの種類とレイアウトを使いこなし、表現力を高めよう！

今回は、Matplotlib入門シリーズの第2回として、データ可視化の表現力を高めるための重要なテクニックを学びました。

  • 散布図 (plt.scatter()): 2つの変数の関係性や相関を見るのに最適。色やサイズでさらに情報を追加できる。
  • ヒストグラム (plt.hist()): 1つのデータの分布、つまりどの値にデータが集中しているかを把握するのに最適。
  • サブプロット (plt.subplots()): 複数のグラフを一枚の図にまとめて表示し、比較やダッシュボード作成を可能にする。
  • サブプロットを使う際の、よりオブジェクト指向的な描画方法 (ax.plot(), ax.set_title()など)。

これらのグラフは、データ探索の初期段階でデータの全体像を掴んだり、分析結果を他者に分かりやすく伝えたりする上で、基本かつ非常に強力なツールとなります。

Matplotlibの世界はまだまだ奥深く、3Dプロット、等高線プロット、ヒートマップなど、さらに多くの種類のグラフや、細かなスタイルのカスタマイズが可能です。次回以降、そうしたより高度なテクニックにも触れていければと思います。お楽しみに！

その他の投稿はこちら

コメント

コメントを投稿

このブログの人気の投稿

タイトルまとめ

環境構築 これで迷わない！WindowsでPython環境構築する一番やさしい方法 #0 【Python初心者向け】venvでスッキリ環境構築！プロジェクトごとの独立性を保つ秘訣 #1 超入門〜入門 【Python超入門】プログラミングで計算してみよう！四則演算と便利な算術演算子を徹底解説 #2 【Python超入門】プログラミングの第一歩！「変数」とは？使い方と命名ルールを優しく解説 #3 【Python入門】プログラムの流れを自由自在に！if文を使った条件分岐を徹底マスター #4 【Python入門】繰り返し処理をマスター！for文・while文の基本と使い分けを徹底解説 #5 【Python入門】コードを整理整頓！関数の作り方と使い方をマスターしよう (def, 引数, 戻り値) #6 【Python入門】オブジェクト指向の扉を開こう！クラスの基本と作り方・使い方 (class, __init__, メソッド) #7 【Python入門】クラッシュしないプログラムへ！エラーハンドリング(try-except-else-finally-raise)完全ガイド #8 中級へ向けて > OOP(オブジェクト指向プログラミング) 【Python中級への道】OOPの真髄！クラスの「継承」でコードを再利用・拡張しよう (親クラス・子クラス・super) #8 【Python中級編】OOPの魔法！ポリモーフィズム（多態性）で柔軟なコードを書こう #9 【Python中級編】OOPの守護神！カプセル化で安全なクラスを作ろう (データ隠蔽・プロパティ) #10 標準ライブラリ紹介 【Python標準ライブラリ入門 第1回】日付と時刻を自由自在に！datetimeモジュール徹底活用術 【Python標準ライブラリ入門 第2回】偶然をプログラムに！randomモジュールで乱数を使いこなそう 【Python標準ライブラリ入門 第3回】データ交換の標準！jsonモジュールでJSONを自由自在に扱おう 【Python標準ライブラリ入門 第4回】ファイル・ディレクトリ操作の達人になろう！osモジュール徹底ガイド 【Python標準ライブラリ入門 第5回】表データ処理の相棒！csvモジュールでCSVファイルを自在に操ろう 📊 【Python標準ライブラリ入門 第6回】ファイル操作を極...
続きを読む

これで迷わない！WindowsでPython環境構築する一番やさしい方法 #0

イメージ
はじめに：Python学習、最初の一歩を応援します！ 「Pythonを勉強してみたいけど、何から始めたらいいの？」 「プログラミングって難しそう…環境構築でつまずきたくないな…」 こんにちは！ この記事は、そんなプログラミング初心者さん、特にWindowsユーザーのあなたが、スムーズにPython学習をスタートできるよう、 Pythonの環境構築手順 をどこよりも分かりやすく解説することを目指しています。 私自身もそうでしたが、プログラミング学習の最初のハードルが、この「環境構築」だったりします。でも大丈夫！この記事の手順通りに進めれば、きっとあなたのパソコンでPythonが動くようになります。 一緒にPythonの世界への第一歩を踏み出しましょう！ そもそもPythonって何？ (軽くでOK) Pythonは、読みやすく、書きやすい、そしてとっても人気のあるプログラミング言語です。Webサイト制作、データ分析、AI開発など、本当に色々なことができます。初心者にも比較的学びやすい言語と言われているんですよ。 さっそくPythonをインストールしよう！ (Windows編) それでは、WindowsのパソコンにPythonをインストールしていきましょう。 1. Python公式サイトへアクセス！ まずは、Pythonの「公式」ダウンロードページにアクセスします。 検索エンジンで「Python ダウンロード」と検索するか、こちらのアドレスに直接アクセスしてください。 https://www.python.org/downloads/ 2. 最新版のPythonをダウンロード ダウンロードページを開くと、「Download Python X.X.X」（X.X.Xはバージョン番号）という大きなボタンがあるはずです。基本的には、この最新版をダウンロードすればOKです。 ポイント： もし学習する教材などでPythonのバージョンが指定されている場合は、少し下にスクロールすると過去のバージョンもダウンロードできます。でも、特に理由がなければ最新版を選びましょう。 3. ダウンロードしたインストーラーを実行！ ダウンロードが完了したら、ダウンロードフォルダにある .exe ファイル（例： python-3.12.3-amd64.exe のような名前です）をダブルクリックし...
続きを読む

【Python標準ライブラリ完結！】11の冒険をありがとう！君のPython力が飛躍する「次の一歩」とは？ 🚀

こんにちは！ Python標準ライブラリ探検隊、隊長のPythonistaです！ 長い間お付き合いいただき、本当にありがとうございました。ついにこの「Python標準ライブラリ入門シリーズ」も、今回の第12回で最終回を迎えることになりました。 第1回の datetime モジュール から始まり、 前回の合わせ技プロジェクト まで、私たちはPythonが標準で提供している強力で便利な「道具箱」の中身を、一緒に探検してきました。このシリーズを通して、Pythonの標準ライブラリがいかに多機能で、日々のプログラミング作業を助けてくれるかを少しでも感じていただけていたら嬉しいです。 この記事では、これまでの冒険の軌跡を振り返りつつ、皆さんがこのシリーズで得た知識を土台として、さらにPythonプログラミングの世界を広げていくための「次なる冒険」へのヒントをお届けしたいと思います。最後まで、どうぞお付き合いください！ 1. これまでの冒険を振り返る：標準ライブラリ探検ダイジェスト 🗺️ まずは、私たちが一緒に探検してきたPython標準ライブラリの仲間たちを、その主な役割と共に振り返ってみましょう。各モジュールの名前は、過去の記事へのリンクになっています（リンク先は適宜設定してくださいね）。 datetime : 日付と時刻の達人に！プログラムに時間という概念をもたらしました。 random : プログラムに偶然性の魔法を！ゲームからデータ生成まで幅広く活躍。 json : データ交換のスタンダード！異なるシステム間で情報をやり取りする共通言語。 os : OSと対話し、ファイルシステムを操る！プログラムがコンピュータ環境と連携する基盤。 csv : 表形式データを手軽に扱う！Excelなどとのデータ連携もスムーズに。 glob & shutil : ファイル検索と高度なファイル操作の強力コンビ！面倒なファイル管理を自動化。 logging : print デバッグからの卒業！本格的なログ管理でプログラムの信頼性アップ。 re : テキスト処理のスーパーパワー、正規表現！複雑な文字列操作も思いのまま。 collections : データ構造...
続きを読む