はじめに
データ分析や機械学習の現場で欠かせないのが「データ可視化」です。Pythonにはさまざまな可視化ライブラリがありますが、特に Matplotlib と Seaborn は定番中の定番です。
本記事では、これらのライブラリを実務でどう使い分けるのか、そして実際に使えるサンプルコードとともに解説します。
1. Matplotlib と Seaborn の特徴と使い分け
Matplotlib
- Pythonの標準的な可視化ライブラリ
- 低レベルな描画制御が可能で、細かい調整が必要な場合に強い
- 公式ドキュメントや利用例が豊富
Seaborn
- Matplotlibをベースに開発された高レベルライブラリ
- 統計的データ可視化に強く、見た目がデフォルトで美しい
- DataFrameと相性が良く、Pandasとの組み合わせで効率的
👉 実務では「まずSeabornでサッと描画 → 必要ならMatplotlibでカスタマイズ」という流れが効率的です。
2. 基本の可視化：Matplotlib 入門
折れ線グラフ
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 3, 7, 1, 0]
plt.plot(x, y, marker="o", linestyle="-", color="b", label="Sample Data")
plt.title("Matplotlib 折れ線グラフ")
plt.xlabel("X軸")
plt.ylabel("Y軸")
plt.legend()
plt.show()
plot()で折れ線グラフを描画marker,linestyle,colorで装飾可能legend()で凡例追加
3. Seaborn で統計的可視化
散布図（回帰直線付き）
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
# サンプルデータ
df = pd.DataFrame({
"x": [1,2,3,4,5,6,7,8,9,10],
"y": [1,1.5,3,4.2,4.8,6.1,7.3,7.9,9.1,9.8]
})
sns.lmplot(x="x", y="y", data=df, height=5, aspect=1.2)
plt.title("Seaborn 散布図＋回帰直線")
plt.show()
lmplotで回帰分析付きの散布図を一行で描画- 統計的な傾向をすぐ確認できる
4. 実務でよく使う可視化パターン
① ヒストグラム（データ分布確認）
sns.histplot(df["y"], bins=5, kde=True)
plt.title("データ分布（ヒストグラム＋カーネル密度推定）")
plt.show()
② 箱ひげ図（外れ値確認）
sns.boxplot(x=df["y"])
plt.title("外れ値確認用の箱ひげ図")
plt.show()
③ ヒートマップ（相関関係）
import numpy as np
# 疑似データ
corr = np.corrcoef([df["x"], df["y"]])
sns.heatmap([[1, corr[0,1]], [corr[1,0], 1]], annot=True, cmap="coolwarm")
plt.title("相関係数のヒートマップ")
plt.show()
5. Matplotlib × Seaborn の合わせ技
Seabornで描画したグラフは、Matplotlibの機能を使ってさらに細かく調整可能です。
fig, ax = plt.subplots(figsize=(6,4))
sns.scatterplot(x="x", y="y", data=df, ax=ax)
ax.set_title("Matplotlibでタイトル調整")
ax.set_xlabel("X値")
ax.set_ylabel("Y値")
plt.show()
👉 このように両者を組み合わせれば、
- Seabornで統計的に美しく描画
- Matplotlibで細部をカスタマイズ
という実務に最適な使い方ができます。
まとめ
- Matplotlib → 基本描画・細かい制御に強い
- Seaborn → データフレームと統計可視化に強く、見た目も美しい
- 実務では「Seabornでまず描く → 必要ならMatplotlibで調整」がベスト
データ分析を効率化するには「見やすい可視化」が必須です。本記事のサンプルをベースに、ぜひ自分のデータで試してみてください。
