多変量を伝える4種：散布図・散布図行列・相関ヒートマップ・パラレル座標

「変数が4個以上」「相関を網羅的に見たい」── データサイエンス現場の入口で必ず使うグラフ群。

1. 散布図

用途：2変数の関係性。年齢 × 収入、広告費 × 売上、気温 × 来店数。 強み：相関・外れ値・クラスターが一目。 弱み：点が重なると密度が分からない（ヘックスビンで対処）。

2. 散布図行列（pair plot）

用途：4〜10 個の変数の全ペア相関を一望。アヤメの分類でデータサイエンス入門の定番。 強み：変数間の関係が網羅的。クラスタリングや特徴量選択の入口。 弱み：変数数が増えると爆発（10変数で 100 セル）。

3. 相関ヒートマップ

用途：相関係数の行列を色で。赤＝正の相関、青＝負の相関。多変量の前処理で必須。 強み：50変数規模でも一望可。 弱み：相関係数だけでは「関係の形」までは分からない（散布図と併用）。

4. パラレル座標プロット

用途：複数の縦軸を並べて、各データを「折れ線」として描く。スポーツ選手のスペック、製品のスペック比較、業界別 KPI（Key Performance Indicator） 比較。 強み：個別データの傾向が見える、クラスタリングの可視化。 弱み：データ数が多すぎると毛玉。色分けと透明度設定が肝。

import seaborn as snsimport matplotlib.pyplot as plt
iris = sns.load_dataset("iris")
# 散布図行列sns.pairplot(iris, hue="species", height=2.2)plt.show()
# 相関ヒートマップplt.figure(figsize=(7, 5))sns.heatmap(iris.drop(columns=["species"]).corr(), annot=True, cmap="RdBu_r", center=0, vmin=-1, vmax=1)plt.title("Iris features correlation")plt.show()

次回予告

EP.08 は進捗・KPI系：KPIカード・スコアカード・ゲージ・バーンアップ。経営ダッシュボードの主役たち。