alterlab-seaborn

Seaborn による統計的可視化

概要

Seaborn は、出版品質の統計グラフィックスを作成するための Python 可視化ライブラリです。最小限のコードで、データセットを中心としたプロット、多変量解析、自動統計推定、複雑なマルチパネル図を作成する場合にこのスキルを使用します。

このスキルを使用する場面

pandas の DataFrame から直接、分布、関係、カテゴリ別の比較、相関ヒートマップ、ファセット化した小分割図など、手軽で見栄えのよい統計グラフィックスを作成するには seaborn を使用します。

対象外

シナリオ	代わりに使用
ホバー、ズーム、HTML ダッシュボードを備えたインタラクティブなチャート	alterlab-plotly
学術誌や論文向けの厳密なスタイル（カラム幅、ポイントサイズのフォント、CMYK、ベクター形式でのエクスポート）	alterlab-scientific-viz
FacetGrid/PairGrid を超える、個々のアーティストやレイアウトの低レベルな制御	alterlab-matplotlib（seaborn の Axes レベルのプロットでは ax= を受け取れます）
データファイル全体の探索的データ分析レポート（構造、品質、要約統計量）	alterlab-eda
比較に使用する統計検定の選択と実行	alterlab-statistical-analysis

設計思想

1. データセット中心 — 抽象的な座標ではなく、DataFrame と名前付き変数を直接扱います。
2. セマンティックマッピング — データ値を視覚的なプロパティ（色、サイズ、スタイル）に自動的に対応付けます。
3. 統計を考慮 — 集計、誤差推定、信頼区間が組み込まれています。
4. 美しいデフォルト設定 — 出版品質のテーマとパレットをすぐに利用できます。
5. Matplotlib との統合 — 必要に応じて matplotlib によるカスタマイズと完全に互換性があります。

クイックスタート

例は seaborn ≥ 0.13 を対象としています（0.13.2 で検証済み。2026 年 9 月時点でも最新リリースです）。このバージョンで注意すべき API のポイントが 2 つあります。palette= は hue= と併せて指定してください（hue なしでの palette の使用は非推奨で、v0.14 で削除予定です）。また、エラーバーのスタイル設定には、非推奨で v0.15 で削除予定の errcolor/errwidth/scale/join キーワードではなく、err_kws={...} を使用してください。

matplotlib 3.11 ではすべてのプロット関数が引き続き動作しますが、boxplot（および catplot(kind="box")）では vert に関する MatplotlibDeprecationWarning が、heatmap では set_bad に関する PendingDeprecationWarning が発生します。どちらも seaborn の内部処理によるもので、現時点では無害です。matplotlib 3.13 では vert が削除される予定のため、seaborn のリリースで対応されるまでは、sns.boxplot に依存する環境では matplotlib<3.13 に固定してください。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

df = sns.load_dataset('tips')
sns.scatterplot(data=df, x='total_bill', y='tip', hue='day')
plt.show()

基本的なワークフロー

1. データの形を整える — ロング形式（「tidy」形式）にします。各変数を列に、各観測値を行に配置します。この形式はすべての seaborn 関数で使用できます。ワイド形式のデータは df.melt(...) で整形します。references/data_palettes_theming.md を参照してください。
2. プロットのカテゴリを選ぶ — 変数の型に合わせて選択します（以下の選択ガイドを参照）。
3. 追加の次元を表現する — hue、size、style によるセマンティックマッピングを使用します。
4. Axes レベルか Figure レベルかを選ぶ — Axes レベル（scatterplot、boxplot、heatmap、…）は ax= を使ってカスタム matplotlib レイアウトに組み込めます。Figure レベル（relplot、displot、catplot、lmplot、…）は図全体を管理し、col/row でファセット化します。
5. テーマを設定して保存する — set_theme/set_context と savefig(dpi=300, bbox_inches='tight') を使用します（ベクター形式には PDF を使用）。

プロットカテゴリの選択

カテゴリを選び、各カテゴリのパラメーターとコードについては references/plotting_functions.md を参照してください。

目的	カテゴリ	主な関数
変数間の関係を確認する	関係	scatterplot、lineplot、relplot
分布／形状／密度を確認する	分布	histplot、kdeplot、ecdfplot、displot、jointplot、pairplot
カテゴリ間で比較する	カテゴリ	stripplot、swarmplot、boxplot、violinplot、barplot、pointplot、countplot、catplot
線形関係／残差を確認する	回帰	regplot、lmplot、residplot
行列／相関を確認する	行列	heatmap、clustermap
カスタムの複数パネルグリッドを作成する	グリッド	FacetGrid、PairGrid、JointGrid

モダンな宣言型の seaborn.objects インターフェース（ggplot2 のように構成可能）は、複雑なレイヤー構成のプロットやプログラムによるプロットに最適です。詳しくは references/objects_interface.md を参照してください。

色とテーマ設定（基本）

• 質的パレットはカテゴリ向け（"colorblind"、"deep"、"muted"）、逐次パレットは順序付きデータ向け（"rocket"、"viridis"）、発散パレットは中心を持つデータ向けです（"vlag"、"coolwarm"、center=0 を指定）。
• set_theme(style=..., context=..., palette=...) を使用します。スタイルには whitegrid／ticks／… があり、コンテキストは paper→talk→poster の順に要素のサイズが大きくなります。

パレットとテーマ設定の詳細については、references/data_palettes_theming.md を参照してください。

ベストプラクティス（基本）

• 名前付きの DataFrame 列からプロットを作成すると、軸ラベルが保持されます。ファセットには図レベルの関数を使用し、hue／size／style で追加の次元を表現します。
• 各関数が何を推定するかを把握してください。lineplot／barplot は平均値と信頼区間を自動計算するため、errorbar= と estimator= で上書きできます。
• 微調整には matplotlib（ax.set(...)、axhline、tight_layout）を組み合わせます。解像度 dpi=300 で保存し、出版物には PDF を使用します。

ベストプラクティス、よくあるパターン、トラブルシューティング（凡例の配置、ラベルの重なり、図のサイズ、パレットの識別性、KDE の帯域幅）については、references/best_practices_and_troubleshooting.md を参照してください。

リファレンス一覧

• references/plotting_functions.md — 各プロットカテゴリのパラメーターとコード（関係、分布、カテゴリ、回帰、行列、複数プロットのグリッド、図レベルと軸レベル）。
• references/data_palettes_theming.md — ロング形式／ワイド形式のデータ構造、カラーパレット（質的／逐次／発散／カスタム）、テーマ設定（set_theme、スタイル、コンテキスト）。
• references/best_practices_and_troubleshooting.md — ベストプラクティス、よくあるパターン（EDA、出版用の図、複数パネル、時系列）、トラブルシューティング。
• references/function_reference.md — 関数シグネチャー、パラメーター、使用例の総合リファレンス。
• references/objects_interface.md — モダンな seaborn.objects API の詳細ガイド。
• references/examples.md — シナリオ別の実例とコードパターン。