---
webr:
packages: [dplyr, tidyr, ggplot2, patchwork, scales]
resources: [R/setup.R, py/setup.py, data/penguins.csv, data/nhanes_adults.csv, fonts/NotoSansJP-Regular.ttf, fonts/NotoSansJP-Bold.ttf]
cell-options:
autorun: true
pyodide:
packages: [pandas, matplotlib, seaborn]
cell-options:
autorun: true
---
{{< include ./_extensions/r-wasm/live/_knitr.qmd >}}
# カテゴリ:順番・名前・ファセット {#sec-categories}
```{webr}
#| include: false
source("R/setup.R")
```
```{pyodide}
#| include: false
exec(open("py/setup.py").read())
```
カテゴリ(種・島・性別)で色や図を分けるとき、気になるのが **並び順** と **表示する名前** です。
## カテゴリに日本語の名前と順番をつける
R の **因子**(factor)と、pandas の **カテゴリ型**(Categorical)は、どちらも「取りうる値とその順番」を持つ型です。
**データの側で一度だけ決めておけば**、凡例・軸・ファセットのすべてで同じ順番・名前になります。
::: {.panel-tabset group="lang"}
## R(ggplot2)
```{webr}
peng <- penguins |>
filter(!is.na(sex)) |>
mutate(種 = factor(species, levels = c("Adelie", "Chinstrap", "Gentoo"),
labels = c("アデリー", "ヒゲ", "ジェンツー")),
性別 = factor(sex, levels = c("female", "male"), labels = c("メス", "オス")))
levels(peng$種)
table(peng$種, peng$性別)
```
## Python(seaborn / matplotlib)
```{pyodide}
sp_ja = {"Adelie": "アデリー", "Chinstrap": "ヒゲ", "Gentoo": "ジェンツー"}
peng = penguins.dropna(subset=["sex"]).copy()
peng["種"] = pd.Categorical(peng["species"].map(sp_ja), categories=["アデリー", "ヒゲ", "ジェンツー"])
peng["性別"] = pd.Categorical(peng["sex"].map({"female": "メス", "male": "オス"}), categories=["メス", "オス"])
print(peng["種"].cat.categories.tolist())
print(pd.crosstab(peng["種"], peng["性別"]))
```
:::
::: {.callout-note}
## 欠測の性別
性別が分からない 11 羽を除いています。除かずに「不明」という水準を作って描くこともできます。何を除いたかは、図の注釈に書きます。
:::
## 棒グラフ:数を数える・値をそのまま描く
ggplot2 では、**データを数えて棒にする** `geom_bar()` と、**値をそのまま棒の高さにする** `geom_col()` を区別します。
::: {.panel-tabset group="lang"}
## R(ggplot2)
```{webr}
# geom_bar():行を数える(統計変換 stat = "count")
ggplot(peng, aes(種, fill = 性別)) +
geom_bar(position = "dodge") +
labs(x = NULL, y = "羽数")
```
```{webr}
# 位置の調整:積み上げ(stack)と、割合(fill)
library(patchwork)
p1 <- ggplot(peng, aes(island, fill = 種)) + geom_bar(position = "stack") + labs(x = "島", y = "羽数", title = "stack")
p2 <- ggplot(peng, aes(island, fill = 種)) + geom_bar(position = "fill") +
scale_y_continuous(labels = scales::percent) + labs(x = "島", y = "割合", title = "fill")
p1 + p2 + plot_layout(guides = "collect")
```
## Python(seaborn / matplotlib)
```{pyodide}
fig, ax = plt.subplots()
sns.countplot(data=peng, x="種", hue="性別", ax=ax)
ax.set(xlabel="", ylabel="羽数")
plt.show()
```
```{pyodide}
# 積み上げ・割合は、集計してから pandas の plot で描くのが手軽
tab = pd.crosstab(peng["island"], peng["種"])
fig, axes = plt.subplots(1, 2, figsize=(10, 3.8))
tab.plot(kind="bar", stacked=True, ax=axes[0], rot=0, title="積み上げ")
tab.div(tab.sum(axis=1), axis=0).plot(kind="bar", stacked=True, ax=axes[1], rot=0, legend=False, title="割合")
axes[0].set(xlabel="島", ylabel="羽数"); axes[1].set(xlabel="島", ylabel="割合")
axes[1].yaxis.set_major_formatter(matplotlib.ticker.PercentFormatter(1.0))
plt.tight_layout()
plt.show()
```
:::
ビスコー島にはジェンツーとアデリー、ドリーム島にはヒゲとアデリーがいて、トージャーセン島にはアデリーしかいないことが分かります。この **島と種の偏り** は、第 6 章のシンプソンのパラドックスにつながります。
## 値の大きさで並べ替える
カテゴリに自然な順番がないときは、**値の大きさの順** に並べると読みやすくなります。NHANES の人種・民族の区分を、BMI の中央値の順に並べます。
::: {.panel-tabset group="lang"}
## R(ggplot2)
```{webr}
nh <- nhanes |> filter(!is.na(BMI))
ggplot(nh, aes(x = reorder(Race1, BMI, FUN = median), y = BMI)) + # 中央値の順に並べる
geom_boxplot(outlier.size = 0.5) +
coord_flip() +
labs(x = NULL, y = "BMI")
```
## Python(seaborn / matplotlib)
```{pyodide}
nh = nhanes.dropna(subset=["BMI"])
order = nh.groupby("Race1")["BMI"].median().sort_values().index.tolist()
fig, ax = plt.subplots()
sns.boxplot(data=nh, y="Race1", x="BMI", order=order[::-1], fliersize=1, ax=ax) # 上から大きい順
ax.set(ylabel="", xlabel="BMI")
plt.show()
```
:::
## ファセット:小さな図を並べる
同じ形の図を、カテゴリごとに並べるのが **ファセット**(small multiples)です。色で区別するより、比較しやすいことがあります。
::: {.panel-tabset group="lang"}
## R(ggplot2)
```{webr}
# facet_wrap:1 つの変数で並べる(折り返す)
ggplot(peng, aes(flipper_length_mm, body_mass_g, colour = 性別)) +
geom_point(alpha = 0.7) +
facet_wrap(~ 種) +
labs(x = "ひれの長さ (mm)", y = "体重 (g)")
```
```{webr}
# facet_grid:行と列に 2 つの変数
ggplot(peng, aes(body_mass_g)) +
geom_histogram(binwidth = 200, fill = "grey60", colour = "white") +
facet_grid(性別 ~ 種) +
labs(x = "体重 (g)", y = "羽数")
```
## Python(seaborn / matplotlib)
```{pyodide}
g = sns.relplot(data=peng, x="flipper_length_mm", y="body_mass_g", hue="性別",
col="種", height=3.3, aspect=0.95, alpha=0.7)
g.set_axis_labels("ひれの長さ (mm)", "体重 (g)")
g.set_titles(col_template="{col_name}") # パネルの見出し(既定は「種 = アデリー」)
plt.show()
```
```{pyodide}
g = sns.displot(data=peng, x="body_mass_g", row="性別", col="種", binwidth=200,
height=2.4, aspect=1.3, color="grey")
g.set_axis_labels("体重 (g)", "羽数")
g.set_titles(row_template="{row_name}", col_template="{col_name}")
plt.show()
```
:::
### 軸をそろえるか、パネルごとにするか
ファセットは、既定で **すべてのパネルの軸の範囲をそろえます**。パネルどうしで値を比べられるようにするためです。
パネルごとに範囲を変えたいとき(値の大きさが大きく違うとき)は、ggplot2 なら `scales = "free_y"`、seaborn なら `facet_kws={"sharey": False}` を使います。
::: {.panel-tabset group="lang"}
## R(ggplot2)
```{webr}
nh_long <- nhanes |>
select(Gender, BMI, BPSysAve, TotChol) |>
tidyr::pivot_longer(-Gender, names_to = "項目", values_to = "値")
ggplot(nh_long, aes(値, fill = Gender)) +
geom_density(alpha = 0.4, na.rm = TRUE) +
facet_wrap(~ 項目, scales = "free") + # 項目ごとに単位が違うので、軸を自由に
labs(x = NULL, y = "密度", fill = "性別")
```
## Python(seaborn / matplotlib)
```{pyodide}
nh_long = nhanes.melt(id_vars="Gender", value_vars=["BMI", "BPSysAve", "TotChol"], var_name="項目", value_name="値")
g = sns.displot(data=nh_long, x="値", hue="Gender", col="項目", kind="kde", fill=True,
common_norm=False, height=3, aspect=1.1, facet_kws={"sharex": False, "sharey": False})
g.set_titles(col_template="{col_name}")
plt.show()
```
:::
::: {.callout-warning}
## 軸を自由にすると、パネル間の比較はできない
軸の範囲がパネルごとに違うと、見た目の高さ・位置を比べても意味がありません。単位が同じ量を比べるファセットでは、軸をそろえたままにします。
:::
::: {.callout-important}
## この章のまとめ
- カテゴリの **名前と順番は、データの側で一度だけ** 決める(R の factor、pandas の Categorical)
- `geom_bar()` は数える、`geom_col()` は値をそのまま。積み上げ・割合は `position =`
- 自然な順番がないカテゴリは、**値の大きさの順** に並べる
- ファセットは `facet_wrap` / `facet_grid`、seaborn は図レベルの関数の `col=`, `row=`。**軸をそろえるか** を意識する
:::