01ภาพรวมของกราฟนี้
Hexbin plot แก้ปัญหาที่ scatter plot แก้ไม่ได้ คือเมื่อจุดมีเป็นหมื่นเป็นแสน จุดจะทับกันจนบริเวณหนาแน่นดูเหมือนมีข้อมูลเท่ากับบริเวณบาง วิธีแก้คือเลิกวาดจุด แล้วแบ่งพื้นที่เป็นช่องหกเหลี่ยมและนับจำนวนในแต่ละช่องแทน
เปรียบเทียบให้เห็นภาพ
เหมือนแบ่งสนามเป็นตารางแล้วนับคนในแต่ละช่อง แทนที่จะพยายามวาดคนทุกคนจนทับกันเป็นก้อนดำ
ใช้ที่ไหนบ้าง — ข้อมูลธุรกรรมหลักแสนรายการ ข้อมูลเซ็นเซอร์ ข้อมูลผู้ใช้จำนวนมาก หรือทุกกรณีที่ scatter plot กลายเป็นก้อนทึบ
สร้างอย่างไร
- ขั้นที่ 1แบ่งพื้นที่เป็นช่องหกเหลี่ยมขนาดเท่ากัน
- ขั้นที่ 2นับจำนวนจุดในแต่ละช่อง
- ขั้นที่ 3ระบายสีตามจำนวน
- ขั้นที่ 4ใส่ legend ไล่เฉดที่มีตัวเลขกำกับ
ตัวอย่างคลาสสิก · Carr และคณะเสนอ hexagonal binning ในปี 1987
ทีมวิจัยชี้ว่าเมื่อข้อมูลใหญ่ขึ้น scatter plot จะอิ่มตัวและกลายเป็นก้อนดำที่ไม่ให้ข้อมูล พวกเขาเสนอการแบ่งช่องแบบหกเหลี่ยมเพราะให้การประมาณความหนาแน่นที่บิดน้อยกว่าสี่เหลี่ยม เนื่องจากเพื่อนบ้านทั้งหกด้านอยู่ห่างเท่ากัน
Carr et al. · Scatterplot matrix techniques for large N (JASA) ↗
02อธิบายภาษาคนเข้าใจง่าย ๆ
เมื่อข้อมูลมีเป็นหมื่นจุด scatter plot จะกลายเป็นก้อนทึบที่ตรงกลาง ปัญหาคือก้อนทึบนั้นอาจมาจากจุด 500 จุดหรือ 50,000 จุดก็ได้ ภาพดูเหมือนกัน
ทางแก้คือเปลี่ยนจากการวาดจุดมาเป็นการนับ แบ่งพื้นที่เป็นช่องเล็ก ๆ ขนาดเท่ากัน นับว่าแต่ละช่องมีจุดกี่จุด แล้วระบายสีตามจำนวนนั้น
ที่ใช้หกเหลี่ยมแทนสี่เหลี่ยมมีเหตุผล เพราะหกเหลี่ยมมีเพื่อนบ้านที่ระยะเท่ากันหกด้าน ต่างจากสี่เหลี่ยมที่มุมทแยงอยู่ไกลกว่าด้านข้าง ทำให้รูปแบบที่เห็นบิดน้อยกว่า
สิ่งที่ได้กลับมาคือความหนาแน่นที่อ่านได้ตรง ช่องที่มี 500 จุดกับช่องที่มี 50 จุดจะเข้มต่างกันจริง ๆ ซึ่งเป็นข้อมูลที่จุดทับกันซ่อนไว้ทั้งหมด
สิ่งที่เสียไปคือข้อมูลรายจุด เราไม่รู้อีกต่อไปว่าจุดไหนคือใคร และค่าผิดปกติที่โดดเดี่ยวจะกลายเป็นช่องจาง ๆ ที่มองแทบไม่เห็น จึงควรวาดจุดผิดปกติทับไว้ด้วย
03ข้อมูลที่ต้องใช้
คอลัมน์ที่ต้องเตรียม
| คอลัมน์ | ทำหน้าที่ | ชนิด | เข้ารหัสด้วย | จำนวนค่าที่เหมาะ | หมายเหตุ |
|---|---|---|---|---|---|
x | ตัวแปรแกนนอน | ตัวเลขต่อเนื่อง | x | ต่อเนื่อง | ข้อมูลดิบ ไม่ต้องสรุปมาก่อน |
y | ตัวแปรแกนตั้ง | ตัวเลขต่อเนื่อง | y | ต่อเนื่อง | ข้อมูลดิบ |
ต้องเตรียมข้อมูลอย่างไรก่อนวาด
- ตัดแถวที่ขาดค่าใดค่าหนึ่ง
- เลือกขนาดของช่องและระบุไว้
- พิจารณาว่าจะใช้สเกลสีแบบเชิงเส้นหรือแบบ log
ค่าที่หายไป — ตัดแถวที่ไม่ครบและรายงานจำนวน เพราะจำนวนในแต่ละช่องคือสิ่งที่อ่าน
สเกลของแกน — ถ้าความหนาแน่นต่างกันหลายเท่า ให้ใช้สเกลสีแบบ log ไม่อย่างนั้นช่องส่วนใหญ่จะจางเหมือนกันหมด และต้องเขียนบอก
กราฟจะเริ่มพังเมื่อไร
ต่ำกว่า 300 จุด ช่องส่วนใหญ่จะมีจุดเดียวหรือว่าง — ใช้ scatter-plot ที่แสดงจุดจริง
หน้าตาไฟล์ที่ต้องเตรียม
x,y
23.61,65.65
58.57,67.07
…04อ่านแล้วเห็นอะไร
สิ่งที่เห็นได้จากภาพ
- บริเวณที่ข้อมูลหนาแน่นที่สุด
- รูปร่างของกลุ่มข้อมูลว่ามีกี่กระจุก
- ความสัมพันธ์ระหว่างสองตัวแปรจากทิศของบริเวณเข้ม
สิ่งที่กราฟนี้ตอบไม่ได้
- ไม่บอกข้อมูลรายจุดว่าจุดไหนคือใคร
- ค่าผิดปกติที่โดดเดี่ยวกลายเป็นช่องจางจนแทบมองไม่เห็น
อ่านตามลำดับนี้
- อ่าน legend ก่อนเพื่อรู้ว่าความเข้มแทนจำนวนเท่าไร
- หาบริเวณที่เข้มที่สุด
- ดูรูปร่างรวมของบริเวณที่มีข้อมูล
คำถามที่ตอบได้
- ข้อมูลส่วนใหญ่กระจุกอยู่ตรงไหน
- มีกี่กลุ่มก้อน
- บริเวณที่เข้มที่สุดมีข้อมูลกี่จุด
สัญญาณว่ามีอะไรผิด
- ไม่มี legend ทำให้ความเข้มบอกได้แค่มากกว่าน้อยกว่า
- ขนาดช่องใหญ่เกินไปจนรายละเอียดหาย
- ใช้สเกลสีเชิงเส้นกับข้อมูลที่ความหนาแน่นต่างกันหลายร้อยเท่า
05เหมาะกับการนำเสนอแบบไหน
ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย
- ใส่ legend ไล่เฉดที่มีตัวเลขจำนวนกำกับ
- เขียนขนาดของช่องและจำนวนข้อมูลทั้งหมด
- วาดจุดผิดปกติทับไว้ด้วยถ้าสำคัญ
รูปแบบชื่อกราฟที่ควรใช้
ข้อมูล <จำนวน> จุดกระจุกที่ <ช่วง> โดยช่องที่หนาแน่นที่สุดมี <จำนวน> จุด
06เอาไปใช้ต่อ
โค้ดทุกชิ้นอ่านไฟล์ hexbin-plot-sample.csv ชุดเดียวกับที่ Playground ใช้ และตัวเลขในโค้ดเปลี่ยนตามค่าที่คุณปรับด้านล่าง
# ติดตั้ง: pip install "matplotlib==3.10.*" "pandas==2.*"
# ดาวน์โหลด hexbin-plot-sample.csv จากหน้านี้ แล้ววางไว้ข้างสคริปต์
import matplotlib
matplotlib.use("Agg") # รันแบบไม่มีหน้าจอ ถ้ารันในเครื่องตัวเองลบบรรทัดนี้ได้
import matplotlib.pyplot as plt
import pandas as pd
C1, C2, C3 = "#2a78d6", "#eb6834", "#1baf7a" # palette ของคลัง เปลี่ยนเป็นสีองค์กรได้
INK, SURFACE = "#0b0b0b", "#fcfcfb"
df = pd.read_csv("hexbin-plot-sample.csv")
df["x"] = pd.to_numeric(df["x"], errors="coerce")
df["y"] = pd.to_numeric(df["y"], errors="coerce")
RADIUS = 18 # ← ค่าจาก Playground
fig, ax = plt.subplots(figsize=(7.6, 4.2), facecolor=SURFACE)
ax.set_facecolor(SURFACE)
d = df.dropna(subset=["x", "y"])
hb = ax.hexbin(d["x"], d["y"], gridsize=RADIUS, cmap="Blues", mincnt=1, edgecolors=SURFACE, linewidths=0.4)
fig.colorbar(hb, ax=ax, label="จำนวนจุดในช่อง") # legend จำเป็นเสมอเมื่อใช้ความเข้มของสี
ax.set_xlabel("ตัวแปรแกนนอน"); ax.set_ylabel("ตัวแปรแกนตั้ง")
ax.set_title(f"{len(d):,} จุด · gridsize = {RADIUS}", loc="left", fontsize=10)
ax.spines[["top", "right"]].set_visible(False) # ลดเส้นที่ไม่ได้ให้ข้อมูล
fig.tight_layout()
fig.savefig("hexbin-plot.png", dpi=160)
print("เขียน hexbin-plot.png แล้ว ·", len(df), "แถว")07ลองเล่นเพื่อเข้าใจ
ดูข้อมูลเป็นตาราง (15 แถว)
| ช่อง | จำนวนจุด |
|---|---|
| อันดับ 1 | 35 |
| อันดับ 2 | 35 |
| อันดับ 3 | 31 |
| อันดับ 4 | 30 |
| อันดับ 5 | 30 |
| อันดับ 6 | 29 |
| อันดับ 7 | 29 |
| อันดับ 8 | 28 |
| อันดับ 9 | 27 |
| อันดับ 10 | 27 |
| อันดับ 11 | 26 |
| อันดับ 12 | 24 |
| อันดับ 13 | 22 |
| อันดับ 14 | 21 |
| อันดับ 15 | 21 |
ลองแล้วจะเห็นอะไร
- ขนาดของช่อง: ลดขนาดช่องจนเล็กสุดจะเห็นว่าช่องส่วนใหญ่มีจุดเดียวและภาพกลับไปเป็น scatter plot ส่วนช่องใหญ่สุดจะกลบรายละเอียดหมด
ข้อควรระวัง
- ใช้กับข้อมูลน้อย ซึ่งช่องส่วนใหญ่มีจุดเดียวและไม่ได้อะไรเพิ่มจาก scatter plot
- ไม่ใส่ legend ทำให้ความเข้มบอกได้แค่มากกว่าน้อยกว่า
- ใช้สเกลสีเชิงเส้นกับข้อมูลที่ความหนาแน่นต่างกันหลายร้อยเท่า ทำให้เกือบทุกช่องจางเหมือนกัน
- ลืมว่าค่าผิดปกติที่โดดเดี่ยวจะกลายเป็นช่องจางที่มองแทบไม่เห็น
เมื่อไหร่ไม่ควรใช้กราฟนี้
- มีข้อมูลน้อยกว่า 300 จุด→ใช้แทน: scatter-plot
- ต้องระบุว่าจุดไหนคือใคร→ใช้แทน: scatter-plot ที่ลดความทึบ
- สนใจรูปร่างของการกระจายเป็นชั้น ๆ→ใช้แทน: contour-plot