เทคนิคที่ 050 · PYTHON / JAVASCRIPT

แผนภาพกระจายแบบเฉลี่ยเป็นช่วงBinned Scatter Plot

ดึงแนวโน้มออกจากเมฆจุดที่หนาแน่น

4
ขั้นสูงควรรู้ก่อน · อ่าน scatter plot เป็น
ลองเล่น

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

  1. ขั้นที่ 1แบ่งแกนนอนเป็นช่วงเท่ากันหรือตามควอนไทล์
  2. ขั้นที่ 2หาค่าเฉลี่ยของ y ในแต่ละช่วง
  3. ขั้นที่ 3วาดจุดที่จุดกลางของช่วง
  4. ขั้นที่ 4แสดงจุดดิบจาง ๆ ไว้ข้างหลัง

ตัวอย่างคลาสสิก · Binscatter ในงานเศรษฐมิติสมัยใหม่

นักเศรษฐศาสตร์ใช้ binned scatter เป็นมาตรฐานในการนำเสนอความสัมพันธ์จากข้อมูลขนาดใหญ่ เพราะมันแสดงรูปร่างของความสัมพันธ์โดยไม่สมมติว่าเป็นเส้นตรงล่วงหน้า และยังอ่านง่ายกว่าเมฆจุดหลายหมื่นจุด

Cattaneo et al. · On Binscatter ↗

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

รูปทรงของข้อมูลตารางแบบยาว (หนึ่งแถวหนึ่งสังเกต)
จำนวนมิติที่เข้ารหัสได้2 มิติ
จำนวนแถวที่เหมาะ1,000–1,000,000 แถวขั้นต่ำ 200 แถว
เส้นฐานศูนย์เลือกได้อ่านจากรูปร่างของจุดเฉลี่ย

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
xตัวแปรแกนนอนตัวเลขต่อเนื่องxต่อเนื่องตัวแปรที่จะแบ่งเป็นช่วง
yตัวแปรแกนตั้งตัวเลขต่อเนื่องyต่อเนื่องตัวแปรที่จะหาค่าเฉลี่ยในแต่ละช่วง

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. ตัดแถวที่ไม่ครบ
  2. เลือกจำนวนช่วงและวิธีแบ่ง เท่ากันหรือตามควอนไทล์
  3. 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

  1. ดูรูปร่างที่จุดเฉลี่ยเรียงกัน
  2. หาจุดที่ทิศทางเปลี่ยน
  3. ตรวจว่าช่วงปลาย ๆ มีข้อมูลพอไหม

คำถามที่ตอบได้

  • ความสัมพันธ์เป็นเส้นตรงจริงไหม
  • มีจุดหักที่ค่าไหน
  • แนวโน้มแรงแค่ไหนเมื่อตัด noise ออก

สัญญาณว่ามีอะไรผิด

  • จุดที่ปลายแกวงแรงกว่าตรงกลาง ซึ่งมักแปลว่าช่วงนั้นมีข้อมูลน้อย
  • ไม่แสดงจุดดิบเลย ทำให้เส้นดูแน่นเกินจริง

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะนักวิเคราะห์ที่ทำงานกับข้อมูลขนาดใหญ่ที่ noise สูง
เวลาที่ผู้ชมต้องใช้ต้องอธิบาย
ขนาดเล็กสุดที่ยังอ่านได้380×280 px
รายงานเชิงวิเคราะห์
สำรวจข้อมูลด้วยตัวเอง
สิ่งพิมพ์
สไลด์ผู้บริหารต้องอธิบายว่าจุดคือค่าเฉลี่ยของช่วง ไม่ใช่ข้อมูลจริง
สื่อสารกับคนทั่วไปผู้อ่านจะตีความจุดเป็นข้อมูลจริง

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. แสดงจุดดิบจาง ๆ ไว้ข้างหลังเสมอ
  2. เขียนจำนวนช่วงและจำนวนข้อมูลเฉลี่ยต่อช่วง
  3. 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")

ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*" · ทดสอบกับเวอร์ชัน 3.10

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 800 แถว · seed 163● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
จำนวนช่วงที่แบ่งแกนนอน
30.040.050.060.070.080.020.040.060.080.0เฉลี่ย 68.7 · 16 จุดเฉลี่ย 69.2 · 53 จุดเฉลี่ย 68.1 · 74 จุดเฉลี่ย 65.4 · 77 จุดเฉลี่ย 55.8 · 76 จุดเฉลี่ย 54.7 · 92 จุดเฉลี่ย 55.6 · 112 จุดเฉลี่ย 58.2 · 110 จุดเฉลี่ย 58.5 · 81 จุดเฉลี่ย 57.8 · 72 จุดเฉลี่ย 60.0 · 27 จุดเฉลี่ย 57.9 · 9 จุด

การเฉลี่ยในแต่ละช่วงทำให้เส้นเรียบขึ้นเสมอ — อย่าตีความความเรียบนั้นว่าความสัมพันธ์แน่นขึ้น

จำนวน bin12
จุดต่อ bin (เฉลี่ย)67
สหสัมพันธ์ของจุดดิบ-0.357
ดูข้อมูลเป็นตาราง (12 แถว)
binned scatter 12 ช่วง จาก 800 จุด
จุดกลางช่วงจำนวนจุดค่าเฉลี่ย y
21.91668.7
26.35369.2
30.77468.1
35.17765.4
39.57655.8
43.99254.7
48.211255.6
52.611058.2
57.08158.5
61.47257.8
65.82760.0
70.2957.9

ลองแล้วจะเห็นอะไร

  • จำนวนช่วง: ลดจำนวนช่วงจะได้เส้นเรียบที่ดูน่าเชื่อถือแต่ซ่อนรายละเอียด เพิ่มจำนวนช่วงจะเห็นรายละเอียดแต่จุดเริ่มแกว่งตาม noise — เป็นการแลกเปลี่ยนแบบเดียวกับจำนวน bin ของฮิสโทแกรม

ข้อควรระวัง

  1. ไม่แสดงจุดดิบ ทำให้เส้นดูแน่นและน่าเชื่อถือเกินความจริง
  2. ใช้จำนวนช่วงน้อยเกินไปจนซ่อนจุดหักของความสัมพันธ์
  3. ไม่รายงานจำนวนข้อมูลในแต่ละช่วง ทำให้ช่วงที่มีข้อมูลน้อยดูน่าเชื่อถือเท่าช่วงที่มีมาก
  4. ตีความจุดเฉลี่ยว่าเป็นข้อมูลจริง

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • ข้อมูลน้อยกว่า 200 แถว→ใช้แทน: scatter-plot
  • ต้องการเห็นการกระจายในแต่ละช่วง→ใช้แทน: box-plot ตามช่วงของ x
  • ต้องการค่าสัมประสิทธิ์ของความสัมพันธ์→ใช้แทน: scatter-with-trend

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · แผนภาพกระจายพร้อมการกระจายขอบ