Box, violin, dan grafik distribusi

Idenya

Rata-rata menyembunyikan banyak hal. Dua toko bisa sama-sama punya rata-rata Rp 400.000 per order: satu dengan setiap order di sekitar Rp 400.000, yang lain dengan banyak order kecil dan beberapa order yang sangat besar. Keduanya butuh strategi berbeda. Grafik distribusi menunjukkan seluruh sebaran, bukan hanya bagian tengahnya.

Kamu sudah bertemu histogram. Modul ini menambahkan alat untuk membandingkan distribusi antar kelompok: box plot, violin plot dan strip plot.

import pandas as pd
import plotly.express as px

sales = pd.read_csv("sales.csv")
completed = sales[sales["status"] == "completed"]
orders = (completed.groupby(["order_id", "channel", "segment"], as_index=False)["revenue"].sum()
          .rename(columns={"revenue": "order_value"}))
print(orders.head())
print(orders.groupby("channel")["order_value"].describe().round(0))

   order_id channel   segment  order_value
0         1     app  Business        89000
1         2     web  Consumer       285000
2         3     app  Consumer       960000
3         4     app  Consumer       195000
4         5     app  Consumer        75000
         count      mean       std      min       25%       50%       75%        max
channel
app       10.0  473400.0  385090.0  75000.0  116250.0  349500.0  834000.0  1024000.0
web       16.0  443875.0  264994.0  89000.0  281250.0  375000.0  666250.0   918000.0

describe() memberi angka-angkanya; grafik di bawah membuatnya terlihat.

Box plot

Apakah pesanan lewat aplikasi biasanya lebih besar daripada lewat website? Rata-rata memberimu satu angka per channel, tapi menyembunyikan seberapa tersebar pesanannya dan apakah ada beberapa pesanan raksasa yang menariknya naik. Box plot menampilkan seluruh distribusi setiap kelompok, berdampingan:

fig = px.box(orders, x="channel", y="order_value", title="Order value by channel")
fig.show()

Cara membaca sebuah box:

Box plot memadatkan sebuah distribusi menjadi lima angka, sehingga beberapa kelompok mudah dibandingkan berdampingan. Arahkan kursor ke sebuah box untuk melihat angka persisnya.

Tampilkan juga titik-titiknya

Dengan kelompok kecil (di sini, 10 order app), sebuah box bisa menyembunyikan betapa sedikitnya titik data. points="all" menggambar setiap observasi di samping box:

fig = px.box(orders, x="channel", y="order_value", points="all",
             hover_data=["order_id"], title="Order value by channel")
fig.show()
print(fig.data[0].boxpoints)

all

Strip plot: hanya titik-titiknya

Untuk data kecil, strip plot (setiap titik, digeser sedikit ke samping supaya tidak bertumpuk) sering lebih jelas daripada box:

fig = px.strip(orders, x="channel", y="order_value", color="segment",
               title="Every completed order")
fig.show()

Violin plot: bentuknya

Violin adalah histogram yang dihaluskan dan dicerminkan di kedua sisi, sehingga kamu bisa melihat di mana nilai-nilai mengumpul (bagian yang lebar) dan apakah ada dua punuk. box=True menggambar box kecil di dalamnya:

fig = px.violin(orders, x="segment", y="order_value", box=True, points="all",
                title="Order value by segment")
fig.show()
print(fig.data[0].type, fig.data[0].box.visible)

violin True

Violin butuh data dalam jumlah yang cukup supaya bermakna; pada segelintir titik, penghalusannya mengarang bentuk yang sebenarnya tidak ada. Pakai untuk ratusan observasi, dan box serta strip untuk yang lebih sedikit.

Histogram dengan grafik marginal

Histogram bisa membawa grafik distribusi kecil di sepanjang tepinya:

fig = px.histogram(orders, x="order_value", nbins=8, marginal="box",
                   title="Distribution of completed order values")
fig.show()
print([t.type for t in fig.data])

['histogram', 'box']

Histogram menunjukkan bentuknya, box marginal menandai median dan outlier. marginal juga menerima "violin" dan "rug" (satu garis kecil per nilai). Scatter plot mendukung marginal_x dan marginal_y dengan cara yang sama.

Histogram bertumpuk untuk dua kelompok

Kalau kamu lebih suka melihat bentuk utuh setiap kelompok daripada kotak ringkasan, kamu bisa menggambar kedua histogram di sumbu yang sama. Membuat bar-barnya agak transparan memungkinkanmu melihat di mana keduanya tumpang tindih:

fig = px.histogram(orders, x="order_value", color="channel", nbins=8,
                   barmode="overlay", opacity=0.6)
fig.show()

barmode="overlay" dengan sedikit transparansi membuat kedua distribusi sama-sama terlihat. Dengan ukuran kelompok yang sangat berbeda, tambahkan histnorm="percent" supaya bar setiap kelompok berjumlah 100%, membandingkan bentuk alih-alih jumlah.

Yang mana?

Mengapa ini penting untuk kode yang bersih

Hanya melaporkan rata-rata adalah versi analitik dari menelan error: informasinya ada, tapi tersembunyi. Box atau strip plot di samping sebuah KPI menunjukkan sebaran, outlier dan ukuran sampelnya, sehingga keputusan tidak dibuat berdasarkan mean yang menyesatkan. Bangun tabel per observasi dulu (orders, satu baris per order), lalu pilih grafiknya, supaya kamu menggambar pada tingkat detail yang tepat.

Rangkuman

• Distribusi menunjukkan sebaran, bukan hanya rata-rata.
• Box: median, box IQR, whisker, titik outlier; points="all" menambahkan setiap observasi.
• Strip: setiap titik, digeser sedikit; paling cocok untuk kelompok kecil.
• Violin: bentuk yang dihaluskan; paling cocok untuk banyak titik; box=True menambahkan box di dalamnya.
• px.histogram(..., marginal="box") menambahkan ringkasan di sepanjang tepi; barmode="overlay" dan histnorm="percent" membandingkan kelompok.
• Selalu ketahui n per kelompok.