Pythonに関する実践知やノウハウを発信しています。
ヒストグラムを使った人事データの可視化例です。量的変数の分布を可視化できるヒストグラムに加えて、分布の密度を曲線で可視化するKDEプロットを重ねることにより、分布の形状を捉えやすくなります。 人事データ可視化の例 人事データ可視化の狙い * 男女別のエンゲージメントの分布を比較し、課題を発見する。 人事データ可視化アプローチ 利用するグラフ * ヒストグラム： 量的変数を階級に区切って分布を確認する。 * KDE（カーネル密度推定）： 量的変数の分布を滑らかな曲線で近似して確認する。 アプローチ * エンゲージメントに対するヒストグラムとKDEを描き、分布の特徴を確認する。 * グラフを男女別に分けて重ねて観察することで、分布の違いを観察する。 人事グラフの作り方 * Pythonのseaborn.histplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_ma...
線形回帰付き散布図を使った人事データの可視化例です。散布図は量的変数同士の関係を観察するために利用されます。散布図に回帰直線をフィットさせることで、傾向を捉えやすくなります。 人事データ可視化の例 人事データ可視化の狙い * マネジメント教育施策の検討のため、勤続年数とコンピテンシーの関係を調査する。 人事データ可視化アプローチ 利用するグラフ * 散布図： 量的変数と量的変数の関係を可視化。 * 線形回帰(単回帰)： 変数同士の線形な関係を推測する。 アプローチ * 関心のあるコンピテンシー項目と勤続年数から散布図を作り、関係性を確認する。 * 採用種別により勤続年数の意味合いが異なると想定し、グループ分けしたうえで回帰直線をフィットさせる。 グラフの作り方 * Pythonのseaborn.lmplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplot...
散布図を使った人事データの可視化例です。量的変数同士の関係やクラスターの存在を確認する上で散布図は有効です。また、縦軸と横軸に加えて3つ目の変数で点のカラーを変更することで、クラスターの傾向を確認することもできます。 人事データ可視化の例 人事データ可視化の狙い * エンゲージメントと働き方の関係を調査する。 人事データ可視化アプローチ 利用するグラフ * 散布図： 量的変数と量的変数の関係を可視化。 アプローチ * 散布図に含まれる点の分布を見て、働き方の特徴を観察。 * エンゲージメントで点に色を付けることで、働き方の特徴との関連を探る。 グラフの作り方 * Pythonのseaborn.scatterplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplotlib import seaborn as sns sns.set_theme(style='...
100%積み上げ棒グラフを使った人事データの可視化サンプルです。量的変数のカテゴリ別の内訳や割合を確認するために利用されます。 人事データ可視化の例 人事データ可視化の狙い * 組織別の人事評価分布を比較し、バイアスなどを確認する。 人事データ可視化アプローチ 利用するグラフ * 100%積み上げ棒グラフ： 層別棒グラフを他のカテゴリカル変数で分割し、各セクションの値を棒全体の合計値の割合で表すことで、各層に含まれるカテゴリカル変数の違いを比較する。 アプローチ * 量的変数である部と成績のクロス集計を行って組織・評価別の人数を数え上げ、組織の合計人数で標準化する。（組織毎に成績別人数構成比を算出） * クロス集計の結果を積み上げ棒グラフをして可視化し、組織別の評価分布の違いを観察する。 グラフの書き方 * Pythonのpandas.plot.barを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker...
ストリッププロットを使った人事データの可視化例です。ストリッププロットは量的変数のばらつきを点群で可視化する手法で、量的変数とカテゴリ変数の関係を確認するために利用されます。カラーの透過性を調整することで、データの密度を観察することもできます。 人事データの可視化例 人事データ可視化の狙い * 年代別に時間外勤務のばらつきを確認する。 人事データ可視化アプローチ 利用するグラフ * ストリッププロット： カテゴリカル変数でグループ分けした量的変数の分布を観察する。 アプローチ * 時間外時間数を年代でグループ分けして分布を比較する。 * 年代を順序尺度変数に変換することで、表示順に統一性を持たせる。 * ストリッププロットの点の散布を観察し、ばらつきの違いを確認する。 * それぞれのグループ内で更にグループ分けする余地があるか確認する。（複数のクラスターの存在を確認） グラフの作り方 * Pythonのseaborn.stripplotによる可視化例。 import pandas as pd import matplotlib.pyplo...
ストリッププロットによる人事データ可視化例です。ストリッププロットは量的変数のばらつきを点群で可視化する手法で、量的変数とカテゴリ変数の関係を確認するために利用されます。各層の平均値や代表値を重ねることも可能です。 人事データの可視化例 人事データ可視化の狙い * 所属別の時間外勤務の状況を比較する。 人事データ可視化アプローチ 利用するグラフ * ストリッププロット： カテゴリカル変数でグループ分けした量的変数の分布を観察する。 アプローチ * 時間外時間数を所属(部)でグループ分けして分布を比較する。 * ストリッププロットの点の散布を観察し、ばらつきの違いを確認する。 * ストリッププロットに中央値(黒実線)と平均値(赤破線)を追加し代表値の違いを確認する。（代表値の表現にはboxplotを利用） * 中央値と平均値のギャップから分布の偏りを確認する。 グラフの作り方 * Pythonのseaborn.stripplotとseaborn.boxplotによる可視化例。 import pandas as pd import matpl...
主成分分析によって次元削減された人事データに対する散布図の可視化例です。コンピテンシーなどの複数の量的変数から構成されるデータを要約する目的で、主成分分析がよく使われています。その結果を散布図を利用して可視化し、特徴をつかむことができます。 人事データ可視化の例 人事データ可視化の狙い * 多くの変数で構成されているコンピテンシーを主成分で要約し、人事属性との関連を探る。 人事データ可視化アプローチ 利用するグラフ * 散布図： 量的変数と量的変数の関係を可視化。 アプローチ * データからコンピテンシーに関する項目を抽出し、主成分分析を適用する。 * 第1主成分と第2主成分を使って、データの分布を可視化する。主成分の寄与率などを確認しながら他の主成分の状況も確認する。 * グレードなどのカテゴリカル変数で色分けし、コンピテンシーとの関連を探る。 グラフの作り方 * Pythonのseaborn.scatterplotによる可視化例。 import pandas as pd import matplotlib.pyplot as plt i...
散布図を使った人事データの可視化例です。散布図を使うことで量的変数同士の関係を確認したり、クラスターの存在を発見したりすることができます。 人事データの可視化例 人事データ可視化の狙い * 時間外勤務と年次有給休暇の消化状況の関係を把握する。 人事データ可視化アプローチ 利用するグラフ * 散布図： 量的変数と量的変数の関係を可視化。 アプローチ * 散布図に含まれる点の分布を見て、働き方の特徴を観察。 * 年代を順序尺度の変数に変換した上で散布図の点を色分けし、年代別の特徴を観察する。 * 全体の分布から外れた特異なクラスターがないか確認する。 グラフの作り方 * Pythonのseaborn.scatterplotを使った可視化例。 import pandas as pd import matplotlib.pyplot as plt import matplotlib.ticker as ticker import japanize_matplotlib import seaborn as sns sns.set() plt.rcP...
散布図とは？ 散布図は2つの量的変数の関係を分析するために使うグラフです。 散布図では、グラフの縦軸と横軸に量的変数をとり、一つ一つのデータを点で表します。点がどのように分布しているか、何か特徴的な傾向はないかなど確認していきます。 上にあげた散布図の例は、会社従業員の年齢と勤続年数の関係を表したグラフになります。年齢が高いほど勤続年数も高くなっていることがわかります。このように、2つの量的変数の大きさが連動しているような関係を相関関係と呼びます。 また、こちらの散布図を見ると、中央下部に全体から外れた点が存在していることもわかります。これも大切な情報で、「これらの外れたデータは何を意味するのだろう？」と考えてみると、様々な発見につながることがあります。 Pythonで散布図を描く この記事で掲載している散布図は、当サイトで提供している人事トイデータ(拡張版)を使用したものです。また、ツールとしてPythonのSeabornを用いて作図しました。具体的なPythonコードは以下のようになります。 まずは初期設定とデータの読み込みから。 # ライブラリの読み込みと初期設...