メインコンテンツへスキップ

3.4.5 可視化のベストプラクティス

グラフ選択の決定木

この節の位置づけ

可視化を学び始めたばかりの人は、つい次の点に意識が向きがちです。

  • 色がきれいかどうか
  • 見た目が派手かどうか

でも、本当に大事なのは、実は次のことです。

この図は、人にもっと早く理解してもらえるか。それとも、かえって誤解させてしまうか。

なので、この節で一番大事なのは「見た目をきれいにすること」ではなく、

  • 図の選び方
  • 邪魔な要素を減らすこと
  • 事実を正直に伝えること

です。

学習目標​

  • グラフの種類を選ぶ考え方を身につける
  • 配色の原則と、色覚多様性に配慮したデザインを理解する
  • 「データ・インク比」の考え方を理解する
  • よくある可視化の誤解を見分けて避ける

まずは全体像をつかもう​

可視化のベストプラクティスは、「伝えたいこと -> 図を選ぶ -> 邪魔を減らす -> 誤解を防ぐ」という流れで理解すると分かりやすいです。

この節で本当に解決したいのは、次のような疑問です。

  • どうして、図を描けばそれだけで見やすくなるわけではないのか
  • どうして、ダメな図の原因はコードではなく、伝え方にあることが多いのか

なぜベストプラクティスを学ぶのか？​

同じデータでも、良い可視化なら一瞬で理解できるし、悪い可視化だとどんどん分かりにくくなり、ひどいときは誤解まで生みます。

初心者向けの分かりやすい例え​

1枚の図は、こんなふうに考えるとイメージしやすいです。

  • 短いプレゼンテーション

良い図は、伝えたいことがはっきりしたプレゼンのようなものです。

  • 話し始めた瞬間に、要点が分かる

悪い図は、こんな感じです。

  • 話が長い
  • 装飾が多い
  • でも、結局何が大事か分からない

だから、ベストプラクティスで一番大事なのは「見栄え」ではなく、

  • 情報をもっと少ない労力で伝えられるか

です。

一、グラフの種類の選び方​

基本原則：まず自分に「何を見せたいのか？」と聞く​

詳しい選び方の対照表​

目的おすすめの図非推奨説明
時系列の変化を見せる折れ線グラフ円グラフ折れ線は連続変化と相性が良い
いくつかのカテゴリを比較する棒グラフ円グラフ（6カテゴリ超）棒の高さで一目で比べやすい
2変数の関係を見る散布図折れ線グラフ散布図は分布と傾向が直感的
データ分布を見るヒストグラム / 箱ひげ図折れ線グラフヒストグラムは頻度分布を表せる
割合を見せる円グラフ（少数カテゴリ）/ 積み上げ棒グラフ3D円グラフ3D円グラフは面積の見え方がずれる
分布の違いを比べる箱ひげ図 / バイオリンプロット平均だけの棒グラフ平均だけだと分布の情報が消える
相関行列を見せるヒートマップ表色で表す方が直感的

初心者が最初に覚えておくと良い「作図前の5つの質問」​

本当に描き始める前に、次の5つを確認しましょう。

  1. 推移、比較、分布、関係のどれを伝えたい？
  2. この図は自分のための探索用？ それとも相手への報告用？
  3. 読み手が最初に見つけるべきポイントは何？
  4. 余計な装飾で消せるものはある？
  5. この図は誰かを誤解させる可能性がある？

この5つは、多くのライブラリのパラメータよりずっと大事です。

二、配色の原則​

色の3つの使い方​

用法場面例
分類（定性的な色）異なるカテゴリを区別する男女を別の色にする
順序（連続色）数値の大小を表す温度を青から赤へ
発散（両端色）中心値があるデータ相関係数 -1 から 1

おすすめの配色​

import matplotlib.pyplot as plt
import seaborn as sns

# === 分類色（カテゴリの区別）===
# Matplotlib のデフォルト色パレット（Tab10）
# 色: 青、オレンジ、緑、赤、紫、茶、ピンク、グレー、黄緑、シアン
# 適用例: 最大 10 カテゴリまで

# Seaborn のパレット
sns.color_palette("Set2")       # やわらかい色合い
sns.color_palette("colorblind") # 色覚多様性に配慮！

# === 順序色（大きさを表す）===
# 薄い色から濃い色へ
# "Blues", "Greens", "Reds", "YlOrRd"（黄-オレンジ-赤）

# === 発散色（中心値がある）===
# "RdBu_r"（赤-白-青）——相関係数でよく使う
# "RdYlGn"（赤-黄-緑）——良い/悪いを表しやすい

色覚多様性に配慮したデザイン​

世界の男性のおよそ 8% は色覚に特性があります（最も多いのは赤緑の見分けが難しいタイプです）。

避けたい組み合わせ：

避けるもの理由代わりの案
赤 + 緑赤緑の見分けが難しい人には区別しにくい青 + オレンジ
色だけで区別する色だけでは違いが分からない人がいる色 + 形 / 線種

おすすめのやり方：

# 色覚多様性に配慮したパレットを使う
sns.set_palette("colorblind")

# あるいは、マーカーの形 + 色を変える
markers = ["o", "s", "^", "D"]  # 円、四角、三角、ひし形
linestyles = ["-", "--", ":", "-."]  # 実線、破線、点線、鎖線

# 例：色 + 線種 の二重エンコード
fig, ax = plt.subplots()
for i, (style, marker) in enumerate(zip(linestyles, markers)):
    ax.plot(range(10), [x + i*2 for x in range(10)],
            linestyle=style, marker=marker, label=f"系列 {i+1}")
ax.legend()
plt.show()
二重エンコード

情報を色だけに頼らず、形、線種、ラベル、パターンも使って区別しましょう。そうすれば、白黒印刷でも読み取りやすくなります。

三、データ・インク比​

データ・インク比とは？​

この考え方は、可視化の第一人者 Edward Tufte によるものです。

データ・インク比 = データを表すために使っているインク / 図全体で使っているインク

簡単にいうと、不要な装飾をなくして、インクの1滴1滴までデータのために使うということです。

「チャートのゴミ」を減らす​

実際の比較​

良くない例（データ・インク比が低い）：

# ❌ 装飾しすぎ
fig, ax = plt.subplots(figsize=(8, 5))
values = [25, 40, 30, 55, 45]
categories = ["A", "B", "C", "D", "E"]

ax.bar(categories, values, color="skyblue", edgecolor="navy", linewidth=2, hatch="//")
ax.set_facecolor("#f0f0f0")          # 背景色
ax.grid(True, linewidth=2, alpha=1)  # 太いグリッド
ax.set_title("売上データ", fontsize=20, fontweight="bold",
             fontstyle="italic", color="red")
# 装飾が多すぎると、データが目立たない
plt.show()

良い例（データ・インク比が高い）：

# ✅ シンプルで分かりやすい
fig, ax = plt.subplots(figsize=(8, 5))

bars = ax.bar(categories, values, color="#4CAF50", width=0.6)

# 棒の上に数値を直接表示する（軸への依存を減らす）
for bar, val in zip(bars, values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
            str(val), ha="center", fontsize=12)

ax.set_title("売上データ", fontsize=14)
ax.spines["top"].set_visible(False)     # 上の枠線を消す
ax.spines["right"].set_visible(False)   # 右の枠線を消す
ax.set_ylabel("売上高")

plt.tight_layout()
plt.show()

シンプル化チェックリスト​

要素残す？理由
上/右の枠線消す情報量が少ない
密なグリッド消すか薄くするalpha=0.2 などで十分
3D効果消す比率がゆがむ
データラベル必要に応じて軸より分かりやすいことがある
凡例必要に応じて1系列だけなら不要
背景色白が基本もっとも邪魔になりにくい

初心者が最初に覚えるとよい、すっきり見せる基本形​

どうやって「プロっぽく」見せればいいか迷ったら、まずは次の設定を基本にすると良いです。

  1. 白背景
  2. 上と右の枠線を消す
  3. グリッド線を薄くする
  4. タイトルは要点だけにする
  5. 派手な色を使いすぎない

これだけでも、よくある「頑張って飾った図」よりずっと見やすくなります。

四、よくある可視化の誤解​

誤解 1：Y軸を途中で切る​

3つの製品の売上がそれぞれ 98、99、100 だとします。データとしてはほとんど同じです。ところが、Y軸を 0 から始めないと、

Y軸を途中で切った図（97 から開始）—— 差がとても大きく見える：

C の棒が A の 3倍 くらい高く見えます。でも実際は、たった 2% の違いしかありません。

Y軸を 0 から始めた図 —— 本当の比率：

0 から始めると、3本の棒はほとんど同じ高さになります。これが実際のデータに近い見え方です。

重要な結論

Y軸が 0 から始まらないと、小さな差が大きな差のように見えてしまいます。ニュースなどでもよく使われる誤解を生む手法なので、見分けられるようになりましょう。

コードでの比較：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

data = [98, 99, 100]
labels = ["製品 A", "製品 B", "製品 C"]

# ❌ 誤解を招く：Y軸を途中で切る
axes[0].bar(labels, data, color="#F44336")
axes[0].set_ylim(97, 101)  # Y軸を 97 から始める！
axes[0].set_title("❌ Y軸を途中で切った図（97 から開始）")
axes[0].set_ylabel("売上")

# ✅ 正しい：0 から始める
axes[1].bar(labels, data, color="#4CAF50")
axes[1].set_ylim(0, 110)
axes[1].set_title("✅ Y軸を 0 から始めた図")
axes[1].set_ylabel("売上")

plt.tight_layout()
plt.show()
いつなら 0 から始めなくてもよい？

折れ線グラフで変化の傾向を見たいときは、Y軸を途中から始めてもよい場合があります（読み手が線の動きを見るからです）。ただし、棒グラフは棒の面積が数量を表すので、必ず 0 から始めるべきです。

誤解 2：3D円グラフ​

3D円グラフは、手前にある部分が実際より大きく見えます。

# ❌ 3D円グラフ
# matplotlib には本当の 3D 円グラフはありませんが、考え方としては：
# 手前の扇形は遠近法で大きく見え、奥の扇形は小さく見える
# そのせいで、割合の判断を間違えやすくなります

# ✅ 正しい方法：2D円グラフか棒グラフを使う
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

labels = ["Python", "Java", "JS", "C++"]
sizes = [35, 25, 25, 15]

axes[0].pie(sizes, labels=labels, autopct="%1.0f%%")
axes[0].set_title("2D円グラフ（分かりやすい）")

axes[1].barh(labels, sizes, color=["#4CAF50", "#2196F3", "#FFC107", "#FF5722"])
axes[1].set_xlabel("割合 (%)")
axes[1].set_title("棒グラフ（より正確に比べやすい）")

plt.tight_layout()
plt.show()

誤解 3：二重Y軸の落とし穴​

# ❌ 二重Y軸は、実際にはない相関をそれっぽく見せることがある
fig, ax1 = plt.subplots(figsize=(8, 5))

months = range(1, 13)
temp = [5, 7, 12, 18, 23, 28, 30, 29, 24, 17, 10, 6]
ice_cream = [20, 25, 35, 50, 70, 90, 95, 88, 60, 40, 22, 18]

ax1.plot(months, temp, "r-", label="気温")
ax1.set_ylabel("気温 (°C)", color="r")

ax2 = ax1.twinx()
ax2.plot(months, ice_cream, "b-", label="アイスクリーム売上")
ax2.set_ylabel("アイスクリーム売上", color="b")

ax1.set_title("気温 vs アイスクリーム売上")
plt.show()

# たしかに相関はありますが、二重Y軸はスケールを自由に変えられるので、
# 2本の線がぴったり重なって見えたり、まったく関係なさそうに見えたりします。
# 相関を見せたいなら、散布図の方が正直です。

誤解 4：面積やサイズの不適切な使い方​

# ❌ 直径で数量を表す
# たとえば A = 100, B = 200 のとき
# 直径が2倍 → 面積は4倍 → B が A の4倍に見えてしまう

# ✅ 正しい方法：面積で数値を表す
import numpy as np

values = [100, 200, 300]
# 面積が数値に比例するなら、半径は sqrt(数値) に比例させる
sizes = [v * 2 for v in values]  # 面積に比例

よくある誤解のまとめ​

誤解の種類なぜ誤解を生むか正しいやり方
Y軸を途中で切る差を大きく見せすぎる棒グラフは 0 から始める
3D円グラフ面積の比率がゆがむ2D円グラフか棒グラフを使う
二重Y軸視覚的な相関を操作しやすい散布図を使うか、別々に描く
面積の誤用大きさの感覚がずれる面積を数値に比例させる
都合のいい部分だけ見せる不利なデータを隠せるデータ全体を見せる
色で誤解させる派手な色で小さいデータを強調しすぎる中立的な色を中心に使う

五、完全チェックリスト​

毎回グラフを作ったら、このチェックリストで確認しましょう。

☐ 図の種類は適切？（折れ線 vs 棒 vs 散布図…）
☐ タイトルは、何を伝える図なのかはっきり示している？
☐ 軸にラベルと単位はある？
☐ Y軸の開始値は適切？（棒グラフは 0 から）
☐ 凡例は必要で、分かりやすい？
☐ 色は色覚多様性に配慮できている？
☐ 不要な装飾を減らせている？（3D効果、派手な背景など）
☐ データラベルは理解の助けになっている？
☐ 文字の大きさは十分？（見やすい？）
☐ データの見せ方は正直？（誤解を生まない？）

初めて報告用の図を作るときの、いちばん安全な順番​

より安全な流れは、だいたい次の順番です。

  1. まず適切な図を選ぶ
  2. 次にタイトルと軸を分かりやすくする
  3. 余計な装飾を減らす
  4. 最後に、誤解を生まないか確認する

最初から配色や影の見た目にこだわりすぎるより、この順番の方が失敗しにくいです。

六、「使える」から「見やすい」へ​

ミニマルでプロっぽいテンプレート​

import matplotlib.pyplot as plt
import numpy as np

def professional_style(ax):
    """プロっぽい見た目を一発で設定する"""
    ax.spines["top"].set_visible(False)
    ax.spines["right"].set_visible(False)
    ax.grid(True, axis="y", alpha=0.2, linestyle="--")
    ax.tick_params(labelsize=10)

# テンプレートを使う
fig, ax = plt.subplots(figsize=(8, 5))

categories = ["製品 A", "製品 B", "製品 C", "製品 D", "製品 E"]
values = [42, 38, 55, 29, 47]

bars = ax.bar(categories, values, color="#1976D2", width=0.6)

# データラベル
for bar, val in zip(bars, values):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
            f"{val}万", ha="center", fontsize=11)

ax.set_title("2024年の各製品売上", fontsize=14, pad=15)
ax.set_ylabel("売上高（万元）")
ax.set_ylim(0, max(values) * 1.15)

professional_style(ax)
plt.tight_layout()
plt.show()

Seaborn のミニマルテンプレート​

import seaborn as sns
import matplotlib.pyplot as plt

# グローバル設定
sns.set_theme(
    style="ticks",                         # ミニマルなティックスタイル
    palette="colorblind",                  # 色覚多様性に配慮
    rc={
        "figure.figsize": (8, 5),
        "axes.spines.top": False,          # 上の枠線を消す
        "axes.spines.right": False,        # 右の枠線を消す
        "font.size": 11,
    }
)

# これ以降の sns/plt の図は、このスタイルが使われる

まとめ​

大事な3つのポイント：

  1. 適切な図を選ぶ —— データに図を合わせるのであって、その逆ではない
  2. 少ないほうがよい —— データに関係ない要素は減らす
  3. 正直に見せる —— 大げさにしない、隠さない、誤解させない

この節で一番持ち帰ってほしいこと​

  • ベストプラクティスの本質は「もっときれい」ではなく、「もっと分かりやすく、もっと正直に」
  • 図の種類を正しく選ぶことは、装飾を足すことよりずっと重要
  • 可視化で一番怖いのは、派手さが足りないことではなく、読み手に間違った重点を見せてしまうこと

実践演習​

演習 1：見づらい図を改善する​

# 次の図には問題がたくさんあります。プロっぽい形に直してください：
import matplotlib.pyplot as plt

fig, ax = plt.subplots()
data = [45, 52, 38, 67, 41]
labels = ["北京", "上海", "广州", "深圳", "杭州"]

ax.bar(labels, data, color=["red", "green", "blue", "yellow", "purple"],
       edgecolor="black", linewidth=3, hatch="xxx")
ax.set_ylim(30, 70)  # Y軸を途中で切っている！
ax.set_facecolor("#cccccc")
ax.grid(True, linewidth=3)
ax.set_title("SALES DATA!!!", fontsize=24, color="red")
plt.show()

# 問題リスト：
# 1. Y軸が 0 から始まっていない（誤解を招く）
# 2. 配色が派手で統一感がない
# 3. 背景色が邪魔
# 4. グリッドが太すぎる
# 5. タイトルが分かりにくい
# 6. 枠線が余計
# 1つずつ直してみましょう！

演習 2：図の選び方​

次の場面に合うグラフの種類を選び、理由も説明してください。

1. ある会社の 2018-2024 年の年間売上の変化を見せる
2. 5つの都市の平均住宅価格を比較する
3. 広告費と売上の関係を分析する
4. 1000人の社員の年齢分布を見る
5. 会社の各部門の人数割合を見せる（4部門）
6. 3グループの実験データの分布の違いを比べる

演習 3：色覚多様性への対応​

# 次のグラフを、色覚多様性に配慮した版に直してください
# 条件：色覚多様性に安全なパレット + 異なる線種/マーカーの二重エンコード

fig, ax = plt.subplots()
x = range(10)
ax.plot(x, [i**1.5 for i in x], color="red", label="モデル A")
ax.plot(x, [i**1.3 for i in x], color="green", label="モデル B")
ax.plot(x, [i**1.1 for i in x], color="red", alpha=0.5, label="モデル C")  # A と似すぎ！
ax.legend()
plt.show()