violinplot в Seaborn: форма распределения вместо ящика

У boxplot из прошлого урока есть слепое пятно: он показывает квартили, но прячет форму. Две группы с одинаковым ящиком могут быть устроены принципиально по-разному — одна горкой вокруг медианы, другая двумя стаями по краям. violinplot («скрипичная диаграмма») рисует форму целиком: зеркальная фигура, толщина которой в каждом месте пропорциональна плотности наблюдений.

Построим первую скрипку, сравним её с ящиком бок о бок, разрежем пополам для двух групп и разберёмся с единственной ловушкой метода — сглаживание KDE иногда рисует то, чего в данных нет.

Первая скрипка: оценки двух групп

Сквозной пример — баллы за итоговый тест в двух группах курса. Группа А училась ровно, группа Б рассыпалась на отставших и отличников:

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

scores = pd.DataFrame({
    "group": ["А"] * 6 + ["Б"] * 6,
    "score": [60, 65, 70, 72, 75, 78, 55, 58, 60, 88, 90, 92],
})

sns.set_theme()
ax = sns.violinplot(data=scores, x="group", y="score")
ax.set_title("Баллы за тест: группа А и группа Б")
ax.set_xlabel("Группа")
ax.set_ylabel("Баллы")
plt.show()

График отображается под редактором

Скрипка группы А — один ровный бугор: масса баллов собрана вокруг середины. Скрипка группы Б — два горба с провалом между ними: студентов «на середняка» просто нет. Внутри каждой скрипки прячется мини-boxplot — белая точка это медиана, толстая линия квартили. Ширина скрипки — это плотность: где скрипка толще, там лежит больше наблюдений, а узкие места и хвосты говорят о редких значениях.

import pandas as pd

scores = pd.DataFrame({
    "group": ["А"] * 6 + ["Б"] * 6,
    "score": [60, 65, 70, 72, 75, 78, 55, 58, 60, 88, 90, 92],
})

print(scores.groupby("group")["score"].mean().round(1).tolist())
print(scores["score"].min(), scores["score"].max())

[70.0, 73.8]
55 92

Средние групп почти равны — 70.0 против 73.8, и диапазон один: от 55 до 92. Сводные числа уверяют, что группы похожи; скрипка показывает, что устроены они противоположно. Это тот же урок, что с ящиком с усами, но острее: двугорбость не увидеть ни в среднем, ни в квартилях.

boxplot против violinplot: одна картина дважды

Лучшая привычка — рисовать оба графика рядом: ящик даёт точные пятичисловые сводки, скрипка — форму. Seaborn рисует на общие оси через subplots Matplotlib:

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

scores = pd.DataFrame({
    "group": ["А"] * 6 + ["Б"] * 6,
    "score": [60, 65, 70, 72, 75, 78, 55, 58, 60, 88, 90, 92],
})

sns.set_theme()
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4), sharey=True)
sns.boxplot(data=scores, x="group", y="score", ax=ax1)
sns.violinplot(data=scores, x="group", y="score", ax=ax2)
ax1.set_title("boxplot: квартили и выбросы")
ax2.set_title("violinplot: форма распределения")
plt.show()

График отображается под редактором

Ящик группы Б честно широк — но выглядит как «просто большой разброс»; только скрипка справа показывает, что разброс двугорбый. Обратная ситуация бывает при малых выборках: ящик из десяти чисел надёжен, а скрипка тех же десяти чисел может льстить глазу плавными изгибами. Правило: boxplot — для сводки и групп поменьше, violinplot — когда важна форма и наблюдений хотя бы двадцать на группу.

split=True: две группы в одной скрипке

Если в hue ровно две группы, скрипку можно разрезать: каждая половина получит свою группу. Это разделение — параметр split=True, и он экономит полширины графика, когда группы естественно парные:

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

lessons = pd.DataFrame({
    "course": ["Английский"] * 6 + ["Математика"] * 6,
    "time": ["утро", "вечер"] * 6,
    "score": [72, 65, 78, 61, 84, 70, 81, 58, 76, 62, 88, 66],
})

sns.set_theme()
ax = sns.violinplot(data=lessons, x="course", y="score",
                    hue="time", split=True)
ax.set_title("split=True: утро слева, вечер справа")
ax.set_xlabel("Курс")
ax.set_ylabel("Баллы")
plt.show()

График отображается под редактором

Каждая скрипка теперь зеркальная пара половин: утренние группы слева, вечерние справа. Читается мгновенно — если половины совпадают, время занятий ни на что не влияет; если расходятся, как здесь у математики, вечерние группы проседают. Без split Seaborn нарисовал бы две отдельные скрипки на курс — тоже рабочий вариант, просто вдвое шире.

cut=0: не выходить за пределы данных

KDE-сглаживание не знает о смысле данных: для величин, которые не бывают отрицательными — время, цена, балл от нуля — кривая на краях может уйти в минус. Параметр cut= запрещает ей отходить от крайних значений:

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

queue = pd.DataFrame({"minutes": [2, 3, 3, 4, 4, 4, 5, 5, 6, 20]})

sns.set_theme()
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4), sharey=True)
sns.violinplot(y=queue["minutes"], ax=ax1)
sns.violinplot(y=queue["minutes"], cut=0, ax=ax2)
ax1.set_title("cut по умолчанию: хвост ушёл в минус")
ax2.set_title("cut=0: скрипка кончается на данных")
plt.show()

График отображается под редактором

Слева скрипка обещает «возможны отрицательные минуты ожидания» — этого не бывает. Справа фигура обрезана по реальным данным и не выдаёт желаемое за действительное. Тот же контроль даёт inner=: значение "quart" рисует внутри линии квартилей, "box" — мини-ящик (по умолчанию), "point" — точки, None убирает внутренности вовсе.

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

scores = pd.DataFrame({
    "group": ["А"] * 6 + ["Б"] * 6,
    "score": [60, 65, 70, 72, 75, 78, 55, 58, 60, 88, 90, 92],
})

sns.set_theme()
ax = sns.violinplot(data=scores, x="group", y="score", inner="quart")
ax.set_title("Квартили видны, форма не спрятана")
ax.set_xlabel("Группа")
ax.set_ylabel("Баллы")
plt.show()

График отображается под редактором

Такой вариант — золотая середина: скрипка показывает форму, а линии внутри несут точные квартили. Для отчётов, где читатель привык к ящикам, inner="quart" часто мягче вводит в скрипичную диаграмму, чем мини-бокс по умолчанию.

Что дальше

Скрипка закрыла слабое место ящика: теперь видна форма, горбы и хвосты. Дальше переходим от одной переменной к матрицам связей: следующий урок — heatmap, тепловая карта, где цветом загорается каждая ячейка таблицы — от корреляций до активности по дням и часам.

Ширина скрипки — это плотность: где скрипка толще, там лежит больше наблюдений, а узкие места и хвосты говорят о редких значениях.