データビジュアライゼーション スキル

効果的なデータビジュアライゼーションを作成するためのチャート選択ガイダンス、Python ビジュアライゼーション コードパターン、設計原則、およびアクセシビリティに関する考慮事項。

チャート選択ガイド

データ関係別の選択

表示内容	最適なチャート	代替案
時間経過による傾向	折れ線グラフ	面グラフ（累積または構成を表示する場合）
カテゴリ全体での比較	縦棒グラフ	横棒グラフ（多くのカテゴリ）、ロリポップチャート
ランキング	横棒グラフ	ドットプロット、スロープチャート（2つの期間を比較）
部分対全体の構成	積み上げ棒グラフ	ツリーマップ（階層的）、ワッフルチャート
時間経過による構成	積み上げ面グラフ	100% 積み上げ棒グラフ（比率に焦点）
分布	ヒストグラム	ボックスプロット（グループ比較）、バイオリンプロット、ストリッププロット
相関関係（2変数）	散布図	バブルチャート（3番目の変数をサイズで追加）
相関関係（多変数）	ヒートマップ（相関行列）	ペアプロット
地理的パターン	コロプレスマップ	バブルマップ、ヘックスマップ
フロー/プロセス	サンキーダイアグラム	ファネルチャート（順序付けされた段階）
関係ネットワーク	ネットワークグラフ	コードダイアグラム
パフォーマンス対目標	ブレットチャート	ゲージ（単一 KPI のみ）
複数の KPI を同時に	スモールマルチプル	個別チャートを含むダッシュボード

特定のチャートを使用しない場合

• 円グラフ: カテゴリが 6 未満で、正確な比率が相対的な比較より重要でない場合以外は避ける。人間は角度の比較が苦手です。代わりに棒グラフを使用してください。
• 3D チャート: 決して使用しないでください。認識を歪めて情報を追加しません。
• 二重軸チャート: 慎重に使用してください。相関を示唆して誤解を招く可能性があります。使用する場合は両方の軸をはっきりラベル付けしてください。
• 積み上げ棒グラフ（多くのカテゴリ）: 中央のセグメントを比較するのが難しい。代わりにスモールマルチプルまたはグループ化棒グラフを使用してください。
• ドーナツチャート: 円グラフより少し良いですが、基本的な問題は同じです。最大でも単一 KPI ディスプレイに使用してください。

Python ビジュアライゼーション コードパターン

セットアップとスタイル

import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import seaborn as sns
import pandas as pd
import numpy as np

# Professional style setup
plt.style.use('seaborn-v0_8-whitegrid')
plt.rcParams.update({
    'figure.figsize': (10, 6),
    'figure.dpi': 150,
    'font.size': 11,
    'axes.titlesize': 14,
    'axes.titleweight': 'bold',
    'axes.labelsize': 11,
    'xtick.labelsize': 10,
    'ytick.labelsize': 10,
    'legend.fontsize': 10,
    'figure.titlesize': 16,
})

# Colorblind-friendly palettes
PALETTE_CATEGORICAL = ['#4C72B0', '#DD8452', '#55A868', '#C44E52', '#8172B3', '#937860']
PALETTE_SEQUENTIAL = 'YlOrRd'
PALETTE_DIVERGING = 'RdBu_r'

折れ線グラフ（時系列）

fig, ax = plt.subplots(figsize=(10, 6))

for label, group in df.groupby('category'):
    ax.plot(group['date'], group['value'], label=label, linewidth=2)

ax.set_title('Metric Trend by Category', fontweight='bold')
ax.set_xlabel('Date')
ax.set_ylabel('Value')
ax.legend(loc='upper left', frameon=True)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

# Format dates on x-axis
fig.autofmt_xdate()

plt.tight_layout()
plt.savefig('trend_chart.png', dpi=150, bbox_inches='tight')

棒グラフ（比較）

fig, ax = plt.subplots(figsize=(10, 6))

# Sort by value for easy reading
df_sorted = df.sort_values('metric', ascending=True)

bars = ax.barh(df_sorted['category'], df_sorted['metric'], color=PALETTE_CATEGORICAL[0])

# Add value labels
for bar in bars:
    width = bar.get_width()
    ax.text(width + 0.5, bar.get_y() + bar.get_height()/2,
            f'{width:,.0f}', ha='left', va='center', fontsize=10)

ax.set_title('Metric by Category (Ranked)', fontweight='bold')
ax.set_xlabel('Metric Value')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('bar_chart.png', dpi=150, bbox_inches='tight')

ヒストグラム（分布）

fig, ax = plt.subplots(figsize=(10, 6))

ax.hist(df['value'], bins=30, color=PALETTE_CATEGORICAL[0], edgecolor='white', alpha=0.8)

# Add mean and median lines
mean_val = df['value'].mean()
median_val = df['value'].median()
ax.axvline(mean_val, color='red', linestyle='--', linewidth=1.5, label=f'Mean: {mean_val:,.1f}')
ax.axvline(median_val, color='green', linestyle='--', linewidth=1.5, label=f'Median: {median_val:,.1f}')

ax.set_title('Distribution of Values', fontweight='bold')
ax.set_xlabel('Value')
ax.set_ylabel('Frequency')
ax.legend()
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.savefig('histogram.png', dpi=150, bbox_inches='tight')

ヒートマップ

fig, ax = plt.subplots(figsize=(10, 8))

# Pivot data for heatmap format
pivot = df.pivot_table(index='row_dim', columns='col_dim', values='metric', aggfunc='sum')

sns.heatmap(pivot, annot=True, fmt=',.0f', cmap='YlOrRd',
            linewidths=0.5, ax=ax, cbar_kws={'label': 'Metric Value'})

ax.set_title('Metric by Row Dimension and Column Dimension', fontweight='bold')
ax.set_xlabel('Column Dimension')
ax.set_ylabel('Row Dimension')

plt.tight_layout()
plt.savefig('heatmap.png', dpi=150, bbox_inches='tight')

スモールマルチプル

categories = df['category'].unique()
n_cats = len(categories)
n_cols = min(3, n_cats)
n_rows = (n_cats + n_cols - 1) // n_cols

fig, axes = plt.subplots(n_rows, n_cols, figsize=(5*n_cols, 4*n_rows), sharex=True, sharey=True)
axes = axes.flatten() if n_cats > 1 else [axes]

for i, cat in enumerate(categories):
    ax = axes[i]
    subset = df[df['category'] == cat]
    ax.plot(subset['date'], subset['value'], color=PALETTE_CATEGORICAL[i % len(PALETTE_CATEGORICAL)])
    ax.set_title(cat, fontsize=12)
    ax.spines['top'].set_visible(False)
    ax.spines['right'].set_visible(False)

# Hide empty subplots
for j in range(i+1, len(axes)):
    axes[j].set_visible(False)

fig.suptitle('Trends by Category', fontsize=14, fontweight='bold', y=1.02)
plt.tight_layout()
plt.savefig('small_multiples.png', dpi=150, bbox_inches='tight')

数値フォーマット ヘルパー

def format_number(val, format_type='number'):
    """Format numbers for chart labels."""
    if format_type == 'currency':
        if abs(val) >= 1e9:
            return f'${val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'${val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'${val/1e3:.1f}K'
        else:
            return f'${val:,.0f}'
    elif format_type == 'percent':
        return f'{val:.1f}%'
    elif format_type == 'number':
        if abs(val) >= 1e9:
            return f'{val/1e9:.1f}B'
        elif abs(val) >= 1e6:
            return f'{val/1e6:.1f}M'
        elif abs(val) >= 1e3:
            return f'{val/1e3:.1f}K'
        else:
            return f'{val:,.0f}'
    return str(val)

# Usage with axis formatter
ax.yaxis.set_major_formatter(mticker.FuncFormatter(lambda x, p: format_number(x, 'currency')))

Plotly によるインタラクティブチャート

import plotly.express as px
import plotly.graph_objects as go

# Simple interactive line chart
fig = px.line(df, x='date', y='value', color='category',
              title='Interactive Metric Trend',
              labels={'value': 'Metric Value', 'date': 'Date'})
fig.update_layout(hovermode='x unified')
fig.write_html('interactive_chart.html')
fig.show()

# Interactive scatter with hover data
fig = px.scatter(df, x='metric_a', y='metric_b', color='category',
                 size='size_metric', hover_data=['name', 'detail_field'],
                 title='Correlation Analysis')
fig.show()

設計原則

色

• 目的を持って色を使用する: 色はデータをエンコードするべきで、装飾的であるべきではありません
• ストーリーをハイライトする: 主な洞察には明るいアクセント色を使用し、他はすべてグレー化します
• 順序付きデータ: 単一色のグラデーション（薄い色から濃い色）を使用します
• 発散データ: 有意なセンターポイントを持つデータに対して、中立的な中点を持つ 2 色のグラデーションを使用します
• カテゴリカルデータ: 異なる色相を使用し、混乱するようになる前に最大 6～8 色です
• 赤/緑のみを避ける: 男性の 8% が赤緑色盲です。主要なペアとして青/オレンジを使用してください

タイポグラフィ

• タイトルは洞察を述べます: 「Revenue by Month」より「Revenue grew 23% YoY」のほうが良い
• サブタイトルは文脈を追加します: 日付範囲、適用されたフィルター、データソース
• 軸ラベルは読みやすい: 避けられない場合を除き、90 度回転させないでください。代わりに短縮またはラップしてください
• データラベルは正確さを追加します: すべての棒ではなく、主要なポイントに使用します
• 注釈がハイライトします: テキスト注釈で特定のポイントを呼び出します

レイアウト

• チャートジャンクを削減する: 情報を伝えない格子線、境界線、背景を削除します
• 意味的にソート: カテゴリを値でソート（アルファベット順ではなく）、自然な順序がない場合（月、段階）
• 適切なアスペクト比: 時系列は高さより横長（3:1 から 2:1）です。比較はより正方形になります
• ホワイトスペースは良い: チャートを一緒に詰め込まない。各ビジュアライゼーションに息をする余地を与えてください

正確さ

• 棒グラフはゼロから始まる: 常に。95 から 100 の棒は 5% の差を誇張します
• 折れ線グラフはゼロ以外のベースラインを持つことができます: 変動の範囲が意味を持つ場合
• パネル全体で一貫した尺度: 複数のチャートを比較する場合、同じ軸の範囲を使用します
• 不確実性を表示する: データが不確実な場合は、エラーバー、信頼区間、または範囲を表示します
• 軸にラベル付けする: 読者が数値の意味を推測させないでください

アクセシビリティに関する考慮事項

色盲

• 色だけに頼ってデータシリーズを区別しない
• パターン塗りつぶし、異なる線スタイル（実線、破線、点線）、または直接ラベルを追加します
• 色覚異常シミュレーターでテストしてください（例：Coblis、Sim Daltonism）
• 色盲に優しいパレットを使用してください: sns.color_palette("colorblind")

スクリーンリーダー

• チャートの主な調査結果を説明する代替テキストを含める
• ビジュアライゼーションと並行してデータテーブルの代替を提供します
• セマンティックタイトルとラベルを使用してください

一般的なアクセシビリティ

• データ要素と背景の間に十分なコントラスト
• ラベルの最小テキストサイズ 10pt、タイトル 12pt
• 空間的位置のみを通じた情報の伝達を避ける（ラベルを追加）
• 印刷を検討する: チャートは白黒で機能していますか?

アクセシビリティ チェックリスト

ビジュアライゼーションを共有する前に:

• チャートは色なしで機能する（パターン、ラベル、または線スタイルはシリーズを区別します）
• テキストは標準ズームレベルで読みやすい
• タイトルはデータを説明するだけでなく、洞察を説明する
• 軸にはユニットでラベルが付けられている
• 凡例は明確で、データを隠さない位置に配置されている
• データソースと日付範囲が記載されている