data-visualization

データ可視化スキル

効果的なデータ可視化を作成するための、グラフの選び方、Python による可視化コードのパターン、デザイン原則、アクセシビリティに関する考慮事項です。

グラフ選択ガイド

データの関係性に応じて選ぶ

表示する内容	最適なグラフ	代替案
時間の経過に伴う傾向	折れ線グラフ	面グラフ（累積値や構成を示す場合）
カテゴリ間の比較	縦棒グラフ	横棒グラフ（カテゴリが多い場合）、ロリポップチャート
ランキング	横棒グラフ	ドットプロット、傾斜グラフ（2 つの期間を比較する場合）
全体に占める割合	積み上げ棒グラフ	ツリーマップ（階層構造の場合）、ワッフルチャート
時間の経過に伴う構成	積み上げ面グラフ	100％積み上げ棒グラフ（割合に注目する場合）
分布	ヒストグラム	箱ひげ図（グループ間の比較）、バイオリンプロット、ストリッププロット
相関（2 つの変数）	散布図	バブルチャート（3 つ目の変数をサイズで表す）
相関（多数の変数）	ヒートマップ（相関行列）	ペアプロット
地理的パターン	コロプレスマップ	バブルマップ、ヘックスマップ
流れ／プロセス	サンキーダイアグラム	ファネルチャート（連続する段階）
関係ネットワーク	ネットワークグラフ	コードダイアグラム
目標に対する実績	ブレットチャート	ゲージチャート（単一の KPI のみ）
複数の KPI を同時に表示	スモールマルチプル	グラフを個別に配置したダッシュボード

特定のグラフを使わないほうがよい場合

• 円グラフ：カテゴリが 6 未満で、正確な割合より大まかな比較が重要な場合を除き、避けてください。人間は角度の比較が苦手です。代わりに棒グラフを使いましょう。
• 3D グラフ：使わないでください。認識を歪め、情報も増えません。
• 二軸グラフ：慎重に使ってください。相関があるように誤解させることがあります。使用する場合は、両方の軸に明確なラベルを付けてください。
• 積み上げ棒グラフ（カテゴリが多い場合）：中央のセグメントを比較しにくくなります。代わりにスモールマルチプルやグループ化棒グラフを使いましょう。
• ドーナツグラフ：円グラフよりわずかに優れていますが、根本的な問題は同じです。単一の KPI を表示する場合に限って使いましょう。

Python による可視化コードのパターン

セットアップとスタイル

import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import seaborn as sns
import pandas as pd
import numpy as np

# Professional style setup
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams.update({
    'figure.figsize': (10, 6),
    'figure.dpi': 150,
    'font.size': 11,
    'axes.titlesize': 14,
    'axes.titleweight': 'bold',
    'axes.labelsize': 11,
    'xtick.labelsize': 10,
    'ytick.labelsize': 10,
    'legend.fontsize': 10,
    'figure.titlesize': 16,
})

# Colorblind-friendly palettes
PALETTE_CATEGORICAL = ['#4C72B0', '#DD8452', '#55A868', '#C44E52', '#8172B3', '#937860']
PALETTE_SEQUENTIAL = 'YlOrRd'
PALETTE_DIVERGING = 'RdBu_r'

折れ線グラフ（時系列）

fig, ax = plt.subplots(figsize=(10, 6))

for label, group in df.groupby('category'):
    ax.plot(group['date'], group['value'], label=label, linewidth=2)

ax.set_title('Metric Trend by Category', fontweight='bold')
ax.set_xlabel('Date')
ax.set_ylabel('Value')
ax.legend(loc='upper left', frameon=True)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# Format dates on x-axis
fig.autofmt_xdate()

plt.tight_layout()
plt.savefig('trend_chart.png', dpi=150, bbox_inches='tight')

棒グラフ（比較）

fig, ax = plt.subplots(figsize=(10, 6))

# Sort by value for easy reading
df_sorted = df.sort_values('metric', ascending=True)

bars = ax.barh(df_sorted['category'], df_sorted['metric'], color=PALETTE_CATEGORICAL[0])

# Add value labels
for bar in bars:
    width = bar.get_width()
    ax.text(width + 0.5, bar.get_y() + bar.get_height()/2,
            f'{width:,.0f}', ha='left', va='center', fontsize=10)

ax.set_title('Metric by Category (Ranked)', fontweight='bold')
ax.set_xlabel('Metric Value')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150, bbox_inches='tight')

ヒストグラム（分布）

fig, ax = plt.subplots(figsize=(10, 6))

ax.hist(df['value'], bins=30, color=PALETTE_CATEGORICAL[0], edgecolor='white', alpha=0.8)

# Add mean and median lines
mean_val = df['value'].mean()
median_val = df['value'].median()
ax.axvline(mean_val, color='red', linestyle='--', linewidth=1.5, label=f'Mean: {mean_val:,.1f}')
ax.axvline(median_val, color='green', linestyle='--', linewidth=1.5, label=f'Median: {median_val:,.1f}')

ax.set_title('Distribution of Values', fontweight='bold')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')
ax.legend()
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('histogram.png', dpi=150, bbox_inches='tight')

ヒートマップ

fig, ax = plt.subplots(figsize=(10, 8))

# Pivot data for heatmap format
pivot = df.pivot_table(index='row_dim', columns='col_dim', values='metric', aggfunc='sum')

sns.heatmap(pivot, annot=True, fmt=',.0f', cmap='YlOrRd',
            linewidths=0.5, ax=ax, cbar_kws={'label': 'Metric Value'})

ax.set_title('Metric by Row Dimension and Column Dimension', fontweight='bold')
ax.set_xlabel('Column Dimension')
ax.set_ylabel('Row Dimension')

plt.tight_layout()
plt.savefig('heatmap.png', dpi=150, bbox_inches='tight')

スモールマルチプル

categories = df['category'].unique()
n_cats = len(categories)
n_cols = min(3, n_cats)
n_rows = (n_cats + n_cols - 1) // n_cols

fig, axes = plt.subplots(n_rows, n_cols, figsize=(5*n_cols, 4*n_rows), sharex=True, sharey=True)
axes = axes.flatten() if n_cats > 1 else [axes]

for i, cat in enumerate(categories):
    ax = axes[i]
    subset = df[df['category'] == cat]
    ax.plot(subset['date'], subset['value'], color=PALETTE_CATEGORICAL[i % len(PALETTE_CATEGORICAL)])
    ax.set_title(cat, fontsize=12)
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

# Hide empty subplots
for j in range(i+1, len(axes)):
    axes[j].set_visible(False)

fig.suptitle('Trends by Category', fontsize=14, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('small_multiples.png', dpi=150, bbox_inches='tight')

数値フォーマット用ヘルパー

def format_number(val, format_type='number'):
    """Format numbers for chart labels."""
    if format_type == 'currency':
        if abs(val) >= 1e9:
            return f'${val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'${val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'${val/1e3:.1f}K'
        else:
            return f'${val:,.0f}'
    elif format_type == 'percent':
        return f'{val:.1f}%'
    elif format_type == 'number':
        if abs(val) >= 1e9:
            return f'{val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'{val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'{val/1e3:.1f}K'
        else:
            return f'{val:,.0f}'
    return str(val)

# Usage with axis formatter
ax.yaxis.set_major_formatter(mticker.FuncFormatter(lambda x, p: format_number(x, 'currency')))

Plotly によるインタラクティブなグラフ

import plotly.express as px
import plotly.graph_objects as go

# Simple interactive line chart
fig = px.line(df, x='date', y='value', color='category',
              title='Interactive Metric Trend',
              labels={'value': 'Metric Value', 'date': 'Date'})
fig.update_layout(hovermode='x unified')
fig.write_html('interactive_chart.html')
fig.show()

# Interactive scatter with hover data
fig = px.scatter(df, x='metric_a', y='metric_b', color='category',
                 size='size_metric', hover_data=['name', 'detail_field'],
                 title='Correlation Analysis')
fig.show()

デザイン原則

色

• 目的を持って色を使う：色はデータを表すために使い、装飾には使わないでください
• 伝えたい要点を強調する：重要な知見には明るいアクセントカラーを使い、それ以外はすべてグレーにします
• 連続データ：順序のある値には、単一色相のグラデーション（明色から暗色）を使います
• 発散データ：意味のある中心値を持つデータには、中間点を中立色とした 2 色相のグラデーションを使います
• カテゴリデータ：区別しやすい色相を使います。6～8 色を超えると混乱しやすくなります
• 赤と緑だけの配色を避ける：男性の 8％は赤緑色覚異常です。基本となる色の組み合わせには、青とオレンジを使いましょう

タイポグラフィ

• タイトルで知見を示す：「月別売上高」より「売上高が前年同期比で 23％増加」のほうが効果的です
• サブタイトルで背景を補足する：日付範囲、適用したフィルター、データソースを示します
• 軸ラベルを読みやすくする：可能な限り、ラベルを 90 度回転させないでください。代わりに短くするか、折り返します
• データラベルで正確さを補う：すべての棒ではなく、重要な点に付けます
• 注釈で強調する：テキスト注釈で特定の点を示します

レイアウト

• 不要な要素を減らす：情報を伝えないグリッド線、枠線、背景は取り除きます
• 意味のある順序で並べる：自然な順序（月、段階など）がある場合を除き、カテゴリはアルファベット順ではなく値順に並べます
• 適切なアスペクト比にする：時系列グラフは縦より横を長くし（3:1～2:1）、比較グラフはより正方形に近い形でもかまいません
• 余白を確保する：グラフを詰め込みすぎないでください。それぞれの可視化に十分なスペースを設けます

正確性

• 棒グラフは必ずゼロから始めます：95から100までの棒グラフでは、5％の差が誇張されます。
• 折れ線グラフではゼロ以外を基準にできます：変動の範囲に意味がある場合に使用します。
• パネル間でスケールを統一します：複数のグラフを比較する場合は、同じ軸範囲を使用します。
• 不確実性を示します：データが不確かな場合は、エラーバー、信頼区間、または範囲を表示します。
• 軸にラベルを付けます：数値の意味を読者に推測させないでください。

アクセシビリティに関する考慮事項

色覚多様性

• データ系列の区別を色だけに頼らないでください。
• パターン塗りつぶし、異なる線種（実線、破線、点線）、または直接ラベルを追加します。
• 色覚シミュレーター（例：Coblis、Sim Daltonism）で確認します。
• 色覚に配慮したパレットを使用します：sns.color_palette("colorblind")

スクリーンリーダー

• グラフの重要な知見を説明する代替テキストを含めます。
• ビジュアライゼーションと併せて、代替となるデータテーブルを提供します。
• 意味の明確なタイトルとラベルを使用します。

一般的なアクセシビリティ

• データ要素と背景のコントラストを十分に確保します。
• ラベルの文字サイズは最低10pt、タイトルは最低12ptにします。
• 空間上の位置だけで情報を伝えないでください（ラベルを追加します）。
• 印刷も考慮します：白黒でもグラフは機能しますか？

アクセシビリティのチェックリスト

ビジュアライゼーションを共有する前に：

• 色がなくてもグラフが機能する（パターン、ラベル、または線種で系列を区別できる）
• 標準のズームレベルで文字が読みやすい
• タイトルがデータだけでなく、そこから得られる知見を説明している
• 軸に単位が付いている
• 凡例が明確で、データを隠さない位置にある
• データソースと対象期間が記載されている