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

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。

flowchart LR
    A["何を伝えたい？"] --> B["適切な図を選ぶ"]
    B --> C["色とレイアウトを整える"]
    C --> D["不要な装飾をなくす"]
    D --> E["誤解がないか確認する"]

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。

flowchart LR
    A["元データ"] --> B{"可視化"}
    B -->|良い方法| C["分かりやすい・正確・きれい<br/>読み手がすぐ理解できる"]
    B -->|悪い方法| D["混乱・誤解・見づらい<br/>読み手が混乱する"]

    style C fill:#e8f5e9,stroke:#2e7d32,color:#333
    style D fill:#ffebee,stroke:#c62828,color:#333

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

flowchart TD
    Q["何を見せたい？"]

    Q --> T["推移の変化"]
    Q --> C["カテゴリの比較"]
    Q --> R["関係・相関"]
    Q --> D["データの分布"]
    Q --> P["割合・構成"]

    T --> T1["折れ線グラフ<br/>時系列に向いている"]
    T --> T2["面グラフ<br/>累積を強調したいとき"]

    C --> C1["棒グラフ<br/>最もよく使う"]
    C --> C2["横棒グラフ<br/>ラベルが長いとき"]
    C --> C3["レーダーチャート<br/>多次元の評価"]

    R --> R1["散布図<br/>2変数の関係"]
    R --> R2["ヒートマップ<br/>行列の関係"]
    R --> R3["バブルチャート<br/>3変数の関係"]

    D --> D1["ヒストグラム<br/>頻度を見る"]
    D --> D2["箱ひげ図<br/>分布 + 外れ値"]
    D --> D3["バイオリンプロット<br/>分布の形を見る"]

    P --> P1["円グラフ<br/>カテゴリが少ない割合"]
    P --> P2["積み上げ棒グラフ<br/>複数カテゴリの割合"]
    P --> P3["ツリーマップ<br/>階層的な割合"]

    style Q fill:#e3f2fd,stroke:#1565c0,color:#333
    style T fill:#fff3e0,stroke:#e65100,color:#333
    style C fill:#e8f5e9,stroke:#2e7d32,color:#333
    style R fill:#f3e5f5,stroke:#7b1fa2,color:#333
    style D fill:#fff8e1,stroke:#f57f17,color:#333
    style P fill:#fce4ec,stroke:#c62828,color:#333

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。

推移、比較、分布、関係のどれを伝えたい？
この図は自分のための探索用？それとも相手への報告用？
読み手が最初に見つけるべきポイントは何？
余計な装飾で消せるものはある？
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

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()

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

flowchart TD
    A["グラフ上の要素"] --> B["データ・インク<br/>（意味があるもの）"]
    A --> C["非データ・インク<br/>（なくしてよいもの）"]

    B --> B1["データ点 / 線 / 棒"]
    B --> B2["意味のあるラベル"]
    B --> B3["必要な軸"]

    C --> C1["3D効果"]
    C --> C2["余計なグリッド線"]
    C --> C3["派手な背景"]
    C --> C4["不要な枠線"]
    C --> C5["飾りの模様"]

    style B fill:#e8f5e9,stroke:#2e7d32,color:#333
    style C fill:#ffebee,stroke:#c62828,color:#333

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。

白背景
上と右の枠線を消す
グリッド線を薄くする
タイトルは要点だけにする
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：

xychart-beta
    title "Y軸を途中で切った図（97 から開始）"
    x-axis ["製品 A", "製品 B", "製品 C"]
    y-axis "売上" 97 --> 101
    bar [98, 99, 100]

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：

xychart-beta
    title "Y軸を 0 から始めた図（本当の比率）"
    x-axis ["製品 A", "製品 B", "製品 C"]
    y-axis "売上" 0 --> 110
    bar [98, 99, 100]

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。

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()

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。

図の種類が問いに合っている：折れ線、棒、散布図、または別の適切な形式。
タイトルが変数名だけでなく、伝えたい内容を示している。
軸にはラベル、単位、適切な開始値がある。
凡例、色、データラベルが読みやすさを助けている。
文字サイズは他の人にも読める。
見せ方が正直で、データ隠し、尺度のゆがみ、誤解を招く装飾がない。

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。

まず適切な図を選ぶ
次にタイトルと軸を分かりやすくする
余計な装飾を減らす
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

残す証拠

このページを終えたら、この evidence card を残します。

質問: このグラフが答える比較、分布、傾向、または関係
グラフ選択: 折れ線、棒、散布図、ヒストグラム、箱ひげ図、ヒートマップ、またはインタラクティブダッシュボード
成果物: 保存した chart 画像/html と、そのデータスライス
失敗確認: 誤解を招くスケール、情報過多のグラフ、誤った集計、またはラベル不足
期待される成果: 1文で示唆を説明するチャートのアーティファクト

まとめ

  root(("可視化の<br/>ベストプラクティス"))
    適切な図を選ぶ
      推移→折れ線グラフ
      比較→棒グラフ
      関係→散布図
      分布→ヒストグラム/箱ひげ図
      割合→円グラフ/積み上げ棒グラフ
    色を整える
      分類色で区別
      順序色で大小を表現
      発散色でずれを表現
      色覚多様性に配慮
      二重エンコード
    装飾を減らす
      データ・インク比を高める
      3D効果を消す
      余計な枠線を消す
      グリッドを薄くする
    誤解を防ぐ
      Y軸は0から
      面積は数値に比例
      データを完全に見せる
      二重Y軸は慎重に

大事な3つのポイント：

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
少ないほうがよい —— データに関係ない要素は減らす
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()

参考実装と解説

誤解を招くグラフを直すときは、棒の長さを比較する y 軸を 0 から始め、不要な 3D や重い背景を取り除き、質問または発見を示すタイトルを書きます。
グラフ選択はデータの形に従います。時系列は折れ線、カテゴリ比較は棒、2 つの数値変数は散布図、1 つの数値分布はヒストグラム、グループ別分布は箱ひげ図やバイオリン図です。
アクセシブルなグラフは十分なコントラストを持ち、赤と緑だけに頼らず、読者が推測しそうな場所にラベルや注釈を入れます。