01ภาพรวมของกราฟนี้
Binned scatter แบ่งแกนนอนเป็นช่วงเท่า ๆ กันแล้ววาดค่าเฉลี่ยของ y ในแต่ละช่วง ผลคือแนวโน้มที่ถูก noise กลบปรากฏชัด และต่างจากการใส่เส้นถดถอยตรงที่มันไม่ได้สมมติรูปร่างใด ๆ ล่วงหน้า จึงเห็นความโค้งที่เส้นตรงจะบังไว้
เปรียบเทียบให้เห็นภาพ
เหมือนการหาค่าเฉลี่ยความสูงของนักเรียนแต่ละชั้นปี แทนที่จะมองนักเรียนทุกคนพร้อมกันจนสับสน
ใช้ที่ไหนบ้าง — ข้อมูลเศรษฐมิติที่มีหลายหมื่นแถว ข้อมูลผู้ใช้ที่ noise สูง หรือเมื่ออยากดูรูปร่างของความสัมพันธ์โดยไม่สมมติว่าเป็นเส้นตรง
สร้างอย่างไร
- ขั้นที่ 1แบ่งแกนนอนเป็นช่วงเท่ากันหรือตามควอนไทล์
- ขั้นที่ 2หาค่าเฉลี่ยของ y ในแต่ละช่วง
- ขั้นที่ 3วาดจุดที่จุดกลางของช่วง
- ขั้นที่ 4แสดงจุดดิบจาง ๆ ไว้ข้างหลัง
ตัวอย่างคลาสสิก · Binscatter ในงานเศรษฐมิติสมัยใหม่
นักเศรษฐศาสตร์ใช้ binned scatter เป็นมาตรฐานในการนำเสนอความสัมพันธ์จากข้อมูลขนาดใหญ่ เพราะมันแสดงรูปร่างของความสัมพันธ์โดยไม่สมมติว่าเป็นเส้นตรงล่วงหน้า และยังอ่านง่ายกว่าเมฆจุดหลายหมื่นจุด
02อธิบายภาษาคนเข้าใจง่าย ๆ
ข้อมูลจริงมัก noise สูง เมื่อมีหลายหมื่นจุด แผนภาพกระจายจะกลายเป็นเมฆที่แม้มีแนวโน้มอยู่จริงก็มองไม่เห็น
ทางแก้แบบหนึ่งคือใส่เส้นถดถอย แต่เส้นถดถอยสมมติรูปร่างไว้ล่วงหน้า ถ้าเราใส่เส้นตรงกับข้อมูลที่โค้ง เราจะไม่มีวันรู้ว่ามันโค้ง
Binned scatter ใช้วิธีที่กลาง ๆ กว่า คือแบ่งแกนนอนเป็นช่วงแล้วหาค่าเฉลี่ยของแต่ละช่วง จุดที่ได้จะเรียงกันตามรูปร่างจริงของข้อมูล โดยไม่ต้องสมมติอะไร
ถ้าจุดที่ได้เรียงเป็นเส้นตรง ก็สนับสนุนว่าความสัมพันธ์เป็นเส้นตรงจริง แต่ถ้ามันโค้งหรือหักที่ค่าหนึ่ง เราก็เห็นได้ทันทีโดยที่ไม่มีอะไรมาบัง
ข้อควรระวังคือการเฉลี่ยทำให้เส้นดูเรียบขึ้นเสมอ ซึ่งชวนให้คิดว่าความสัมพันธ์แน่นกว่าความจริง ต้องแสดงจุดดิบไว้ข้างหลังหรือใส่ช่วงความไม่แน่นอนของแต่ละช่วง
03ข้อมูลที่ต้องใช้
คอลัมน์ที่ต้องเตรียม
| คอลัมน์ | ทำหน้าที่ | ชนิด | เข้ารหัสด้วย | จำนวนค่าที่เหมาะ | หมายเหตุ |
|---|---|---|---|---|---|
x | ตัวแปรแกนนอน | ตัวเลขต่อเนื่อง | x | ต่อเนื่อง | ตัวแปรที่จะแบ่งเป็นช่วง |
y | ตัวแปรแกนตั้ง | ตัวเลขต่อเนื่อง | y | ต่อเนื่อง | ตัวแปรที่จะหาค่าเฉลี่ยในแต่ละช่วง |
ต้องเตรียมข้อมูลอย่างไรก่อนวาด
- ตัดแถวที่ไม่ครบ
- เลือกจำนวนช่วงและวิธีแบ่ง เท่ากันหรือตามควอนไทล์
- นับจำนวนข้อมูลในแต่ละช่วงไว้รายงาน
ค่าที่หายไป — ตัดแถวที่ไม่ครบ และช่วงที่มีข้อมูลน้อยกว่าเกณฑ์ควรแสดงต่างออกไปหรือไม่แสดงเลย
สเกลของแกน — linear เป็นหลัก ถ้าแบ่งตามควอนไทล์แทนช่วงเท่ากัน ต้องระบุเพราะระยะบนแกนจะไม่สม่ำเสมอ
กราฟจะเริ่มพังเมื่อไร
ต่ำกว่า 200 แถว แต่ละช่วงจะมีข้อมูลไม่กี่จุดและค่าเฉลี่ยจะแกว่ง — ใช้ scatter-plot
หน้าตาไฟล์ที่ต้องเตรียม
x,y
23.61,65.65
58.57,67.07
…04อ่านแล้วเห็นอะไร
สิ่งที่เห็นได้จากภาพ
- รูปร่างของความสัมพันธ์โดยไม่ต้องสมมติล่วงหน้า
- จุดที่ความสัมพันธ์เปลี่ยนทิศหรือหัก
- ช่วงที่มีข้อมูลน้อยจากขนาดหรือความไม่แน่นอนของจุด
สิ่งที่กราฟนี้ตอบไม่ได้
- ไม่บอกการกระจายภายในแต่ละช่วง เว้นแต่จะเพิ่มขา
- การเฉลี่ยทำให้เส้นดูเรียบกว่าความจริงเสมอ
อ่านตามลำดับนี้
- ดูรูปร่างที่จุดเฉลี่ยเรียงกัน
- หาจุดที่ทิศทางเปลี่ยน
- ตรวจว่าช่วงปลาย ๆ มีข้อมูลพอไหม
คำถามที่ตอบได้
- ความสัมพันธ์เป็นเส้นตรงจริงไหม
- มีจุดหักที่ค่าไหน
- แนวโน้มแรงแค่ไหนเมื่อตัด noise ออก
สัญญาณว่ามีอะไรผิด
- จุดที่ปลายแกวงแรงกว่าตรงกลาง ซึ่งมักแปลว่าช่วงนั้นมีข้อมูลน้อย
- ไม่แสดงจุดดิบเลย ทำให้เส้นดูแน่นเกินจริง
05เหมาะกับการนำเสนอแบบไหน
ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย
- แสดงจุดดิบจาง ๆ ไว้ข้างหลังเสมอ
- เขียนจำนวนช่วงและจำนวนข้อมูลเฉลี่ยต่อช่วง
- ใส่ขาความไม่แน่นอนของค่าเฉลี่ยแต่ละช่วงถ้าทำได้
รูปแบบชื่อกราฟที่ควรใช้
เมื่อตัด noise ออก <x> กับ <y> สัมพันธ์กันแบบ <รูปร่าง> โดยหักที่ <ค่า>
06เอาไปใช้ต่อ
โค้ดทุกชิ้นอ่านไฟล์ binned-scatter-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง
# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด binned-scatter-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg") # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a" # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"
df = pd.read_csv("binned-scatter-sample.csv")
df["x"] = pd.to_numeric(df["x"], errors="coerce")
df["y"] = pd.to_numeric(df["y"], errors="coerce")
BINS = 12 # ← ค่าจาก Playground
fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)
d = df.dropna(subset=["x", "y"])
ax.scatter(d["x"], d["y"], s=6, alpha=0.2, color="#b5b2aa") # จุดดิบไว้ข้างหลังเสมอ
edges = np.linspace(d["x"].min(), d["x"].max(), BINS + 1)
d["bin"] = pd.cut(d["x"], edges, include_lowest=True)
agg = d.groupby("bin", observed=True).agg(mid=("x", "mean"), avg=("y", "mean"), n=("y", "size")).dropna()
ax.plot(agg["mid"], agg["avg"], color=C1, linewidth=2.4, zorder=3)
ax.scatter(agg["mid"], agg["avg"], s=64, color=C1, edgecolor=SURFACE, linewidth=1.6, zorder=4)
ax.set_title(f"{BINS} ช่วง · เฉลี่ย {len(d) // BINS} จุดต่อช่วง", loc="left", fontsize=10)
ax.spines[["top", "right"]].set_visible(False) # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("binned-scatter.png", dpi=160)
print("เขียน binned-scatter.png แล้ว ·", len(df), "แถว")07ลองเล่นเพื่อเข้าใจ
การเฉลี่ยในแต่ละช่วงทำให้เส้นเรียบขึ้นเสมอ — อย่าตีความความเรียบนั้นว่าความสัมพันธ์แน่นขึ้น
ดูข้อมูลเป็นตาราง (12 แถว)
| จุดกลางช่วง | จำนวนจุด | ค่าเฉลี่ย y |
|---|---|---|
| 21.9 | 16 | 68.7 |
| 26.3 | 53 | 69.2 |
| 30.7 | 74 | 68.1 |
| 35.1 | 77 | 65.4 |
| 39.5 | 76 | 55.8 |
| 43.9 | 92 | 54.7 |
| 48.2 | 112 | 55.6 |
| 52.6 | 110 | 58.2 |
| 57.0 | 81 | 58.5 |
| 61.4 | 72 | 57.8 |
| 65.8 | 27 | 60.0 |
| 70.2 | 9 | 57.9 |
ลองแล้วจะเห็นอะไร
- จำนวนช่วง: ลดจำนวนช่วงจะได้เส้นเรียบที่ดูน่าเชื่อถือแต่ซ่อนรายละเอียด เพิ่มจำนวนช่วงจะเห็นรายละเอียดแต่จุดเริ่มแกว่งตาม noise — เป็นการแลกเปลี่ยนแบบเดียวกับจำนวน bin ของฮิสโทแกรม
ข้อควรระวัง
- ไม่แสดงจุดดิบ ทำให้เส้นดูแน่นและน่าเชื่อถือเกินความจริง
- ใช้จำนวนช่วงน้อยเกินไปจนซ่อนจุดหักของความสัมพันธ์
- ไม่รายงานจำนวนข้อมูลในแต่ละช่วง ทำให้ช่วงที่มีข้อมูลน้อยดูน่าเชื่อถือเท่าช่วงที่มีมาก
- ตีความจุดเฉลี่ยว่าเป็นข้อมูลจริง
เมื่อไหร่ไม่ควรใช้กราฟนี้
- ข้อมูลน้อยกว่า 200 แถว→ใช้แทน: scatter-plot
- ต้องการเห็นการกระจายในแต่ละช่วง→ใช้แทน: box-plot ตามช่วงของ x
- ต้องการค่าสัมประสิทธิ์ของความสัมพันธ์→ใช้แทน: scatter-with-trend