เทคนิคที่ 045 · PYTHON / JAVASCRIPT

กราฟช่องหกเหลี่ยมHexbin Plot

แก้ปัญหาจุดทับกันด้วยการนับแทนการวาด

3
ผสานหลายแนวคิดควรรู้ก่อน · อ่าน scatter plot เป็น
ลองเล่น

01ภาพรวมของกราฟนี้

Hexbin plot แก้ปัญหาที่ scatter plot แก้ไม่ได้ คือเมื่อจุดมีเป็นหมื่นเป็นแสน จุดจะทับกันจนบริเวณหนาแน่นดูเหมือนมีข้อมูลเท่ากับบริเวณบาง วิธีแก้คือเลิกวาดจุด แล้วแบ่งพื้นที่เป็นช่องหกเหลี่ยมและนับจำนวนในแต่ละช่องแทน

เปรียบเทียบให้เห็นภาพ

เหมือนแบ่งสนามเป็นตารางแล้วนับคนในแต่ละช่อง แทนที่จะพยายามวาดคนทุกคนจนทับกันเป็นก้อนดำ

ใช้ที่ไหนบ้าง — ข้อมูลธุรกรรมหลักแสนรายการ ข้อมูลเซ็นเซอร์ ข้อมูลผู้ใช้จำนวนมาก หรือทุกกรณีที่ scatter plot กลายเป็นก้อนทึบ

สร้างอย่างไร

  1. ขั้นที่ 1แบ่งพื้นที่เป็นช่องหกเหลี่ยมขนาดเท่ากัน
  2. ขั้นที่ 2นับจำนวนจุดในแต่ละช่อง
  3. ขั้นที่ 3ระบายสีตามจำนวน
  4. 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

รูปทรงของข้อมูลข้อมูลดิบรายแถว (ยังไม่สรุป)
จำนวนมิติที่เข้ารหัสได้3 มิติ
จำนวนแถวที่เหมาะ1,000–500,000 แถวขั้นต่ำ 300 แถว
เส้นฐานศูนย์ไม่เกี่ยวข้องจำนวนเข้ารหัสด้วยความเข้มของสี ไม่ใช่ด้วยความยาว

คอลัมน์ที่ต้องเตรียม

คอลัมน์ทำหน้าที่ชนิดเข้ารหัสด้วยจำนวนค่าที่เหมาะหมายเหตุ
xตัวแปรแกนนอนตัวเลขต่อเนื่องxต่อเนื่องข้อมูลดิบ ไม่ต้องสรุปมาก่อน
yตัวแปรแกนตั้งตัวเลขต่อเนื่องyต่อเนื่องข้อมูลดิบ

ต้องเตรียมข้อมูลอย่างไรก่อนวาด

  1. ตัดแถวที่ขาดค่าใดค่าหนึ่ง
  2. เลือกขนาดของช่องและระบุไว้
  3. 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

  1. อ่าน legend ก่อนเพื่อรู้ว่าความเข้มแทนจำนวนเท่าไร
  2. หาบริเวณที่เข้มที่สุด
  3. ดูรูปร่างรวมของบริเวณที่มีข้อมูล

คำถามที่ตอบได้

  • ข้อมูลส่วนใหญ่กระจุกอยู่ตรงไหน
  • มีกี่กลุ่มก้อน
  • บริเวณที่เข้มที่สุดมีข้อมูลกี่จุด

สัญญาณว่ามีอะไรผิด

  • ไม่มี legend ทำให้ความเข้มบอกได้แค่มากกว่าน้อยกว่า
  • ขนาดช่องใหญ่เกินไปจนรายละเอียดหาย
  • ใช้สเกลสีเชิงเส้นกับข้อมูลที่ความหนาแน่นต่างกันหลายร้อยเท่า

05เหมาะกับการนำเสนอแบบไหน

ผู้ชมที่เหมาะนักวิเคราะห์ที่ทำงานกับข้อมูลขนาดใหญ่
เวลาที่ผู้ชมต้องใช้ต้องอธิบาย
ขนาดเล็กสุดที่ยังอ่านได้400×320 px
รายงานเชิงวิเคราะห์
สำรวจข้อมูลด้วยตัวเอง
สิ่งพิมพ์
สไลด์ผู้บริหารต้องอธิบายว่าช่องแทนอะไร
สื่อสารกับคนทั่วไปผู้อ่านทั่วไปคาดหวังว่าจะเห็นจุด ไม่ใช่ช่อง

ทำอย่างไรให้คนอ่านได้ข้อสรุปโดยไม่ต้องบรรยาย

  1. ใส่ legend ไล่เฉดที่มีตัวเลขจำนวนกำกับ
  2. เขียนขนาดของช่องและจำนวนข้อมูลทั้งหมด
  3. 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")

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

07ลองเล่นเพื่อเข้าใจ

ข้อมูลตัวอย่าง · 1200 แถว · seed 163● คำนวณใหม่ในเบราว์เซอร์ทันทีที่ปรับค่า
รัศมีของช่องหกเหลี่ยม
30.040.050.060.070.080.090.020.040.060.080.09 จุด21 จุด19 จุด5 จุด27 จุด8 จุด17 จุด35 จุด20 จุด26 จุด12 จุด29 จุด9 จุด15 จุด16 จุด16 จุด14 จุด5 จุด14 จุด6 จุด21 จุด15 จุด5 จุด9 จุด4 จุด2 จุด20 จุด3 จุด24 จุด22 จุด10 จุด5 จุด30 จุด5 จุด29 จุด27 จุด12 จุด12 จุด31 จุด3 จุด19 จุด15 จุด3 จุด1 จุด14 จุด6 จุด13 จุด30 จุด13 จุด8 จุด7 จุด35 จุด14 จุด28 จุด1 จุด21 จุด17 จุด21 จุด7 จุด6 จุด3 จุด11 จุด10 จุด19 จุด11 จุด8 จุด7 จุด19 จุด1 จุด10 จุด10 จุด18 จุด6 จุด1 จุด11 จุด7 จุด3 จุด3 จุด4 จุด8 จุด8 จุด2 จุด5 จุด12 จุด9 จุด11 จุด1 จุด2 จุด6 จุด9 จุด4 จุด3 จุด5 จุด3 จุด1 จุด5 จุด1 จุด2 จุด1 จุด1 จุด3 จุด1 จุด5 จุด4 จุด2 จุด3 จุด1 จุด1 จุด3 จุด3 จุด3 จุด4 จุด3 จุด1 จุด1 จุด1 จุด2 จุด1 จุด1 จุด1 จุด1 จุด1 จุด1 จุด1 จุดน้อยมาก (35)
จำนวนช่อง124
จุดมากสุดในช่องเดียว35
จุดทั้งหมด1200
ดูข้อมูลเป็นตาราง (15 แถว)
hexbin 124 ช่อง จาก 1200 จุด
ช่องจำนวนจุด
อันดับ 135
อันดับ 235
อันดับ 331
อันดับ 430
อันดับ 530
อันดับ 629
อันดับ 729
อันดับ 828
อันดับ 927
อันดับ 1027
อันดับ 1126
อันดับ 1224
อันดับ 1322
อันดับ 1421
อันดับ 1521

ลองแล้วจะเห็นอะไร

  • ขนาดของช่อง: ลดขนาดช่องจนเล็กสุดจะเห็นว่าช่องส่วนใหญ่มีจุดเดียวและภาพกลับไปเป็น scatter plot ส่วนช่องใหญ่สุดจะกลบรายละเอียดหมด

ข้อควรระวัง

  1. ใช้กับข้อมูลน้อย ซึ่งช่องส่วนใหญ่มีจุดเดียวและไม่ได้อะไรเพิ่มจาก scatter plot
  2. ไม่ใส่ legend ทำให้ความเข้มบอกได้แค่มากกว่าน้อยกว่า
  3. ใช้สเกลสีเชิงเส้นกับข้อมูลที่ความหนาแน่นต่างกันหลายร้อยเท่า ทำให้เกือบทุกช่องจางเหมือนกัน
  4. ลืมว่าค่าผิดปกติที่โดดเดี่ยวจะกลายเป็นช่องจางที่มองแทบไม่เห็น

เมื่อไหร่ไม่ควรใช้กราฟนี้

  • มีข้อมูลน้อยกว่า 300 จุด→ใช้แทน: scatter-plot
  • ต้องระบุว่าจุดไหนคือใคร→ใช้แทน: scatter-plot ที่ลดความทึบ
  • สนใจรูปร่างของการกระจายเป็นชั้น ๆ→ใช้แทน: contour-plot

กราฟที่เกี่ยวข้อง

เทคนิคถัดไป · กราฟเส้นชั้นความหนาแน่น