Semaine 9 : Visualisations avancées et narratives
🎯 Objectifs d'apprentissage
À la fin de cette semaine vous serez capable de :
- Construire des visualisations à facettes/multi-panneaux montrant une relation décomposée par une troisième variable catégorielle.
- Utiliser la couleur, l'ordre, et l'annotation délibérément pour rendre le point d'un graphique clair en un coup d'œil.
- Choisir une palette de couleurs adaptée aux daltoniens et intentionnelle plutôt que la première par défaut.
- Critiquer un graphique pour ce qu'il montre honnêtement et ce qu'il ne montre pas.
- Enregistrer un graphique terminé dans un fichier pour l'inclure dans un rapport.
Leçon
Le facettage : ajouter une troisième dimension avec des panneaux
Un nuage de points montre deux variables numériques ; les outils de facettage de seaborn ajoutent une troisième dimension — généralement catégorielle — en divisant en une grille de petits panneaux comparables plutôt que d'entasser tout dans un seul graphique :
import seaborn as sns
import matplotlib.pyplot as plt
sns.relplot(
data=df,
x="reading_score",
y="writing_score",
col="test_preparation_course", # one panel per category, side by side
hue="gender", # color within each panel
)
plt.show()
Cela répond à une question véritablement multivariée en une seule figure : la relation lecture/écriture semble-t-elle différente pour les étudiants ayant terminé la préparation au test par rapport à ceux qui ne l'ont pas fait, et cela diffère-t-il selon le genre — tout à la fois, comparable côte à côte car chaque panneau partage les mêmes échelles d'axe. Ajouter row= à côté de col= étend cela en une grille complète — une dimension à travers les colonnes, une autre à travers les lignes :
sns.relplot(
data=df, x="reading_score", y="writing_score",
col="test_preparation_course", row="lunch", hue="gender",
)
C'est maintenant une figure véritablement à 4 variables (lecture, écriture, préparation au test, lunch, genre — cinq, en fait) — impressionnant, mais qui mérite d'être pesé contre le piège « trop de dimensions sur un seul graphique » ci-dessous.
Ordonner les catégories délibérément
Par défaut, les axes catégoriels sont souvent ordonnés alphabétiquement ou par ordre de première apparition — rarement l'ordre le plus lisible. Ordonner explicitement par une valeur significative (comme la moyenne du groupe) rend le motif d'un diagramme à barres immédiatement lisible au lieu d'exiger que le lecteur le cherche :
order = df.groupby("parental_level_of_education")["math_score"].mean().sort_values().index
sns.barplot(data=df, x="parental_level_of_education", y="math_score", order=order)
plt.xticks(rotation=45, ha="right")
plt.title("Average math score by parental education level (ordered)")
plt.tight_layout()
plt.show()
sns.barplot (contrairement à un simple diagramme à barres matplotlib) calcule automatiquement la moyenne par catégorie et ajoute des barres d'erreur représentant l'incertitude — utile à savoir pour ne pas le confondre avec des comptages bruts.
Choisir une palette intentionnelle, adaptée aux daltoniens
La palette par défaut de seaborn est un point de départ raisonnable, mais des choix de couleur intentionnels communiquent davantage : utilisez une palette séquentielle (clair à foncé) pour une variable numérique ordonnée, une palette divergente (deux couleurs se rejoignant en un point médian neutre) pour des valeurs qui vont de façon significative au-dessus et en dessous d'un certain centre (comme le "coolwarm" de la carte de chaleur de corrélation à la semaine 8), et une palette qualitative pour des catégories non ordonnées. La palette "colorblind" de seaborn est un défaut sûr et intentionnel chaque fois que la couleur doit distinguer des catégories de façon fiable pour chaque lecteur :
sns.barplot(data=df, x="parental_level_of_education", y="math_score", order=order, palette="colorblind")
Environ 1 homme sur 12 a une forme de déficience de la vision des couleurs — utiliser par défaut une palette sûre pour les daltoniens ne coûte rien et n'exclut personne, c'est pourquoi c'est un défaut raisonnable plutôt qu'un choix pour cas particulier.
Annoter le point directement
Un graphique avec une affirmation spécifique (« les étudiants ayant terminé la préparation au test ont obtenu, en moyenne, N points de plus ») est plus convaincant quand ce nombre est visible sur le graphique lui-même, plutôt que laissé au lecteur à calculer à partir des positions des axes :
means = df.groupby("test_preparation_course")["math_score"].mean()
ax = means.plot(kind="bar")
for i, value in enumerate(means):
ax.text(i, value + 1, f"{value:.1f}", ha="center")
plt.ylabel("Average math score")
plt.title("Average math score by test preparation status")
plt.show()
Enregistrer un graphique pour votre rapport
Une fois qu'un graphique est terminé, plt.savefig l'écrit dans un fichier image — utile pour l'inclure dans un rapport écrit plutôt que de seulement le visualiser en ligne :
plt.savefig("math_score_by_prep.png", dpi=150, bbox_inches="tight")
dpi=150 contrôle la résolution de l'image (plus élevé = plus net, mais un fichier plus grand) ; bbox_inches="tight" supprime l'espace blanc excédentaire autour de la figure. Appelez plt.savefig(...) avant plt.show() dans la même cellule — certains environnements effacent la figure courante une fois qu'elle a été affichée.
Des graphiques honnêtes : ce qu'il faut surveiller
Quelques façons courantes dont les graphiques induisent en erreur, même sans aucun chiffre fabriqué :
- Axe des y tronqué : démarrer l'axe des y d'un diagramme à barres au-dessus de 0 exagère visuellement de petites différences. Les diagrammes à barres devraient presque toujours commencer à 0 ; les graphiques en ligne/nuages de points comparant un changement sont une exception plus défendable.
- Intervalle d'axe sélectionné avec parti pris : zoomer sur un intervalle x étroit peut faire ressembler du bruit à une tendance significative.
- Échelles de couleur non étiquetées ou trompeuses : l'échelle de couleur d'une carte de chaleur devrait être étiquetée et, selon la semaine 8, fixée à un intervalle cohérent pour une comparabilité véritable.
- Surtraçage (overplotting) : trop de points qui se chevauchent (corrigé avec
alpha, selon la semaine 8, ou l'agrégation) peuvent visuellement cacher la densité réelle d'une relation.
Un graphique narratif gagne la confiance en rendant son honnêteté facile à vérifier, pas seulement en ayant l'air soigné.
⚠️ Erreurs courantes
- Empiler trop de dimensions sur un seul graphique.
row=/col=/hue=ensemble peuvent techniquement montrer 4-5 variables à la fois, mais un graphique qui nécessite un paragraphe d'explication pour être décodé a généralement dépassé le point d'être véritablement plus informatif que deux graphiques plus simples. - Choisir une palette pour l'esthétique plutôt que pour le sens. Une palette arc-en-ciel sur une variable ordonnée (comme des scores d'examen divisés en 5 intervalles) rend l'ordre plus difficile à percevoir qu'une bonne palette séquentielle ne le ferait.
- Oublier que
plt.savefig()doit venir avantplt.show(). Les appeler dans le mauvais ordre peut enregistrer une image vide dans certains environnements. - Confondre les barres d'erreur de
sns.barplotavec autre chose. Elles représentent l'incertitude dans la moyenne estimée (par défaut, un intervalle de confiance bootstrap) — pas l'étalement brut des données, ce qu'une boîte à moustaches (semaine 7/8) montre à la place.
🧩 Défis
Créez un nuage de points à facettes de math_score contre reading_score, avec un panneau par catégorie de lunch.
Construisez un diagramme à barres de writing_score moyen par race_ethnicity, avec les barres explicitement ordonnées de la moyenne la plus basse à la plus élevée.
Prenez l'un de vos diagrammes à barres de cette semaine et définissez délibérément plt.ylim(bottom=some_value_above_0). Comparez les deux versions côte à côte — comment la version tronquée induit-elle visuellement en erreur sur la taille de la différence ?
Prenez un diagramme à barres de moyennes de groupe et annotez chaque barre avec sa valeur numérique directement au-dessus, comme montré dans la leçon.
Prenez un graphique de cette semaine qui utilise la couleur pour distinguer des catégories, et refaites-le avec palette="colorblind". La distinction entre les catégories se lit-elle encore clairement ?
Enregistrez l'un des graphiques terminés de cette semaine dans un fichier PNG en utilisant plt.savefig, avec dpi=150 et bbox_inches="tight".
🤔 Questions socratiques
- Facetter par
test_preparation_courseet colorer pargenderplace quatre combinaisons d'information sur une seule figure. À quel point ajouter plus de dimensions à un seul graphique commence-t-il à le rendre plus difficile à lire plutôt que plus informatif ? Comment décideriez-vous quand diviser en figures séparées à la place ? sns.barplotmontre des moyennes avec barres d'erreur, tandis qu'un simple diagramme à barres de comptages bruts montre quelque chose de totalement différent. Qu'irait-il de travers si un lecteur supposait qu'unsns.barplotmontrait des comptages ?- Vous connaissez maintenant plusieurs façons dont un graphique peut induire en erreur sans aucun chiffre fabriqué (axes tronqués, intervalles sélectionnés avec parti pris, échelles non étiquetées). Étant donné cela, quel est votre standard pour décider si un graphique que vous avez fait pour votre propre rapport de la semaine 10 est « honnête », au-delà de simplement « les chiffres sont corrects » ?
- Les palettes séquentielles, divergentes, et qualitatives correspondent chacune à un type différent de variable. Qu'irait-il de travers visuellement si vous utilisiez une palette divergente (deux couleurs se rejoignant en un point médian neutre) sur une simple variable catégorielle non ordonnée comme
race_ethnicity? - Une palette adaptée aux daltoniens ne coûte rien à utiliser par défaut. Pouvez-vous penser à d'autres choix « accessibles par défaut, sans coût » des semaines précédentes (étiquettes d'axes, titres de graphiques, éviter que la couleur soit le seul moyen de distinguer des groupes) qui suivent le même principe ?