【python】ヒストグラムの作成方法（スタージェスの公式）

どうも。こんにちは。
ケミカルエンジニアのこーしです。

本日は、「ヒストグラムの作成方法（スタージェスの公式）」についてわかりやすく解説します。

データを取り扱う際、ヒストグラムを作成してデータの分布を確認することは重要です。

しかし、「階級幅」もしくは、「ビン数」を適切に設定しないと、正しくデータの分布を理解することはできません。

そこで本記事では、Pythonを使ってヒストグラムを作成する際に、ビン数を適切に決める方法についても詳しく解説します。

これらの手法を使えば、データの特徴を正確に捉えることができます。

この記事を書いた人

こーし(@mimikousi)

ヒストグラムの作成方法

まず、ヒストグラムを作成するためのサンプルデータを入手しましょう。

サンプルデータの入手

コチラの記事で入手できる「debutanizer_data.csv」を利用します。

脱ブタン塔のプロセスデータであり、プロセスフローは上図の通りです。

説明変数がx1〜x7の７個で、目的変数がyの１個、サンプル数は2394個です。

ヒストグラムの作成

では早速、pythonでデータを読み込み、ヒストグラムを作成しましょう。

「debutanizer_data.csv」と同じフォルダに「histogram.py」を作成し、下記のコードを入力します。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm
from matplotlib.backends.backend_pdf import PdfPages

# ファイルの読み込み
df = pd.read_csv('debutanizer_data.csv')

#pdfで保存するためpdfインスタンスを作成
pdf = PdfPages('histogram_debutanizer.pdf')

# binの数
num_bins = 20

# 列ごとにヒストグラムを作成
for col in df.columns:
    # グラフの設定
    fig, ax = plt.subplots(figsize=(8, 5))

    # ヒストグラムの表示(density=Trueで密度表示)
    ax.hist(df[col], bins=num_bins, density=True, alpha=0.7, label='Histogram')

    # 正規分布のパラメータの推定
    mu, sigma = norm.fit(df[col])

    # 正規分布曲線のx値の範囲を決定
    x = np.linspace(df[col].min(), df[col].max(), 100)

    # 正規分布曲線の描画
    ax.plot(x, norm.pdf(x, mu, sigma), 'r-', label='Normal Distribution')

    ax.set_title(col)
    ax.set_xlabel(f'{col}_value')
    ax.set_ylabel('Frequency')
    ax.legend()

    # グラフを保存
    fig.savefig(f'{col}_histogram.png')
    pdf.savefig(fig)
    plt.close(fig)

#close処理
pdf.close()

上記のコードによりx1〜x7、yのヒストグラムが作成されます。

コードの解説

上記のコードを簡単に解説していきます。

１．ライブラリのインポート

まず、必要なライブラリをインポートします。

• pandas：データフレームの操作を行うためのライブラリ
• matplotlib.pyplot：グラフの描画を行うためのライブラリ
• numpy：数値計算を行うためのライブラリ
• scipy.stats.norm：正規分布の統計的な処理を行うためのライブラリ

２．CSVファイルの読み込み

続いて、pd.read_csv()関数を使用して、指定されたCSVファイルをデータフレームとしてdfに格納します。

データフレームは、表形式のデータを扱うためのオブジェクトです。

3．pdfインスタンスの作成

PDFファイルにグラフを保存するためにpdfインスタンスを作成します。

4．ビンの数の設定

num_binsという変数を使用して、ヒストグラムの縦棒（ビン）の数を指定します。

この値が大きいほど、ヒストグラムの詳細度が増えます。

5．列ごとにヒストグラムと正規分布曲線を作成

forループを使用して、データフレームの各列に対して以下の処理を繰り返します。

• • グラフの図と軸を作成
    plt.subplots()関数でグラフの図（fig）と軸（ax）を作成します。
    引数figsize=()でグラフのサイズを指定できます。

  • ヒストグラムを描画
    ax.hist()関数を使用して、ヒストグラムを描画します。
    density=Trueとすることで、ヒストグラムの面積が1になり、確率密度関数として解釈できます（正規分布曲線と比較するためです）。
    alphaは、ヒストグラムの透明度を設定するパラメータです。

  • 正規分布のパラメータ（平均と標準偏差）を推定
    norm.fit()は、正規分布に従うデータに対して、最尤推定法を用いて「平均」と「標準偏差」のパラメータを推定する関数です。
  •  
  • xの範囲を決定
    np.linspace()関数を使用して、データの最小値から最大値までの範囲を等間隔に分割します。

  • 正規分布曲線の描画
    ax.plot()関数を使用して、x値に対応する正規分布の確率密度関数を描画します。
    'r-'は赤色の実線を意味します。

  • グラフのタイトル、x軸ラベル、y軸ラベルを設定
    ax.set_title()でグラフのタイトルを指定します。
    ax.set_xlabel()でx軸の名称を指定します。
    ax.set_ylabel()でy軸の名称を指定します。

  • 凡例を表示
    ax.legend()により、ヒストグラムと正規分布曲線の対応関係を示します。

  • グラフの保存
    fig.savefig(f'{col}_histogram.png')でグラフを画像ファイルとして保存します。
    同様に、pdf.savefig(fig)でグラフをPDFファイルとして保存します。
    plt.close(fig)でグラフを閉じます。

  • close処理
    pdf.close()でPDFファイルを閉じます。

ビン数が不適切な場合

ヒストグラムの縦棒（ビン）の数が不適切だと、データの分布を正しく読むことができません。

そこで、x6を例に、ビン数を5、20、50に変更してみます。

ビン数=5

ビン数=20

ビン数=50

x6のデータ分布は、本来２つの山があります。

しかし、ビン数を５にすると、それが読み取れなくなることがわかります。

よって、データの分布を正しく理解するためには、ビン数を適切に設定する必要があります。

ビン数の決定方法

ヒストグラムの縦棒（ビン）の数の決定方法には、いくつかの方法があり、本記事では「スタージェスの公式」と「簡易手法」の２通りを紹介します。

スタージェスの公式

スタージェスの公式は、データが正規分布に近い場合やデータ数が多い場合に有用です。

スタージェスの公式は下式のように表されます。

$$k = 1 + \rm{log}2(N)$$

ここで、kは推定されたビンの数であり、Nはデータのサンプル数です。

簡易手法（サンプル数の0.5乗）

簡易手法は、サンプル数の0.5乗をビンの数に指定する方法です。

ビンの数をk = √Nとして計算します。

ここで、kは推定されたビンの数であり、Nはデータのサンプル数です。

スタージェスの公式 v.s 簡易手法

サンプル数とビンの数の関係

サンプル数（N）に応じて、ビンの数（ｋ）がどのように対応するのか、スタージェスの公式と簡易手法で比較してみました。

スタージェスの公式は、サンプル数30くらいまではビン数が大きく変動しますが、サンプル数が30を超えてくると、なだらかに増加します。

ヒストグラムの比較

サンプル数が2394個なので、ビンの数は下記の通りです。

• スタージェスの公式：12個
• 簡易手法（0.5乗）: 48個

まず、x3のヒストグラムで比較してみましょう。

スタージェスの公式の方がまとまりがある感じで、簡易手法だと縦棒（ビン）の数が多すぎるように見えます。

スタージェスの公式

簡易手法

続いて、x6でも比較してみましょう。

x6は分布が二つの山にわかれており、簡易手法の方がより正確にデータの特徴を捉えているように見えます。

スタージェスの公式は、データ分布が正規分布に近い場合に有用であるため、分布が二つに分かれている場合には注意が必要ですね。

スタージェスの公式

簡易手法

コード例

スタージェスの公式

まず、スタージェスの公式を使ってビンの数を計算しましょう。

列ごとにヒストグラムを作成するforループ以降を下記の通り書き直します。

#pdfで保存するためpdfインスタンスを作成
pdf = PdfPages('histogram_sturges_debutanizer.pdf')

# 列ごとにヒストグラムを作成
for col in df.columns:
    # グラフの設定
    fig, ax = plt.subplots(figsize=(8, 5))
    
    # ヒストグラムのbinの数を計算（スタージェスの公式）
    num_bins = int(np.log2(df[col].shape[0]) + 1)

    # ヒストグラムの表示(density=Trueで密度表示)
    ax.hist(df[col], bins=num_bins, density=True, alpha=0.7, label='Histogram')

    # ビン数を表示
    ax.text(0.5, 0.95, f'Number of bins = {num_bins}', transform=ax.transAxes, ha='center')

    # 正規分布のパラメータの推定
    mu, sigma = norm.fit(df[col])

    # 正規分布曲線のx値の範囲を決定
    x = np.linspace(df[col].min(), df[col].max(), 100)

    # 正規分布曲線の描画
    ax.plot(x, norm.pdf(x, mu, sigma), 'r-', label='Normal Distribution')

    ax.set_title('sturges')
    ax.set_xlabel(f'{col}_value')
    ax.set_ylabel('Frequency')
    ax.legend()

    # グラフを保存
    fig.savefig(f'{col}_histogram_sturges.png')
    pdf.savefig(fig)
    plt.close(fig)

#close処理
pdf.close()

簡易手法

同様に、forループ以降を下記の通り書き直します。

#pdfで保存するためpdfインスタンスを作成
pdf = PdfPages('histogram_root_debutanizer.pdf')

# 列ごとにヒストグラムを作成
for col in df.columns:
    # グラフの設定
    fig, ax = plt.subplots(figsize=(8, 5))
    
    # ヒストグラムのbinの数を計算（簡易手法：サンプル数の0.5乗）
    num_bins = int(df[col].shape[0] ** 0.5)

    # ヒストグラムの表示(density=Trueで密度表示)
    ax.hist(df[col], bins=num_bins, density=True, alpha=0.7, label='Histogram')

    # ビン数を表示
    ax.text(0.5, 0.95, f'Number of bins = {num_bins}', transform=ax.transAxes, ha='center')

    # 正規分布のパラメータの推定
    mu, sigma = norm.fit(df[col])

    # 正規分布曲線のx値の範囲を決定
    x = np.linspace(df[col].min(), df[col].max(), 100)

    # 正規分布曲線の描画
    ax.plot(x, norm.pdf(x, mu, sigma), 'r-', label='Normal Distribution')

    ax.set_title('root')
    ax.set_xlabel(f'{col}_value')
    ax.set_ylabel('Frequency')
    ax.legend()

    # グラフを保存
    fig.savefig(f'{col}_histogram_root.png')
    pdf.savefig(fig)
    plt.close(fig)

#close処理
pdf.close()

スタージェスの公式や簡易手法は、必ずしも最適なビン数を提供するわけではありません。

他の方法も存在し、データの性質や目的に応じて最適なビン数を選択する必要があります。

まとめ

参考文献

１．エンジニアのための実践データ解析

pythonは使いませんが、統計学の基礎を含め、現場で使えるデータ解析手法を学ぶことができます。

本記事で扱った「スタージェスの公式」についても解説されています。

統計学初心者が、現場でデータ解析するための教科書です。

２．Pythonで学ぶ実験計画法入門

pythonでヒストグラムを作成する方法や、ビン数の決め方として簡易手法（サンプル数の0.5乗）について言及されています。

python初心者でも読みこなせると思います。