📊 STEP 32: スモールマルチプル（ファセット）

同じ形式のグラフを並べて、比較を容易にする手法をマスターしよう!

📋 このステップで学ぶこと

スモールマルチプルとは何か、なぜ便利なのか
同じ軸・スケールで比較することの重要性
Matplotlibでスモールマルチプルを作成する方法
SeabornのFacetGridを使った効率的な作成方法
Plotlyのfacet_col・facet_rowによるインタラクティブなファセット
店舗比較、A/Bテスト、カテゴリ分析などの実務活用例

📊 1. スモールマルチプルとは

スモールマルチプルの概要

スモールマルチプル（Small Multiples）とは、同じ形式の小さなグラフを複数並べて表示する手法です。ファセット（Facet）とも呼ばれます。

たとえば、5店舗の売上推移を比較したいとき、1つのグラフに5本の線を重ねると、線が交差して見づらくなります。スモールマルチプルなら、各店舗を個別のグラフにして並べることで、一目で比較できます。

💡 スモールマルチプルを身近な例で考えると

漫画の「コマ割り」を想像してください。1ページに複数のコマが並んでいて、それぞれが同じキャラクターの異なる場面を描いています。

スモールマルチプルも同じで、「同じ形式のグラフ」を「複数のカテゴリ」に分けて並べることで、全体の流れとそれぞれの特徴を同時に把握できます。

【スモールマルチプルのイメージ】店舗別の売上推移を比較: ┌──────────┐ ┌──────────┐ ┌──────────┐ │ 東京店 │ │ 大阪店 │ │ 名古屋店 │ │ 📈 │ │ 📈 │ │ 📈 │ │ [グラフ] │ │ [グラフ] │ │ [グラフ] │ │ │ │ │ │ │ └──────────┘ └──────────┘ └──────────┘ ポイント: ✓ すべて同じ軸・スケール ✓ すべて同じグラフ形式（折れ線グラフ） ✓ 並べることで比較が容易

    📊 スモールマルチプルの4つの利点
    
                利点
                説明
                具体例
            
                比較が容易
                同じスケールで一目瞭然
                どの店舗が最も売上が高いかすぐ分かる
            
                パターン発見
                共通点・相違点が見える
                全店舗で12月に売上が上がるパターンを発見
            
                情報密度
                多くの情報をコンパクトに
                6店舗×12ヶ月のデータを1画面で表示
            
                視覚的美しさ
                整然とした配置
                レポートやプレゼンで見栄えが良い

利点	説明	具体例
比較が容易	同じスケールで一目瞭然	どの店舗が最も売上が高いかすぐ分かる
パターン発見	共通点・相違点が見える	全店舗で12月に売上が上がるパターンを発見
情報密度	多くの情報をコンパクトに	6店舗×12ヶ月のデータを1画面で表示
視覚的美しさ	整然とした配置	レポートやプレゼンで見栄えが良い

💡 1つのグラフに詰め込む vs スモールマルチプル

方法	メリット	デメリット	適した場面
1つのグラフ	直接比較しやすい	線が交差して見づらい	2〜3カテゴリの比較
スモールマルチプル	個別に見やすい	直接の重なりは見えない	4カテゴリ以上の比較

📏 2. 同じ軸・スケールの重要性

なぜスケールを揃えるのか

スモールマルチプルで最も重要なルールは、すべてのグラフのX軸・Y軸を統一することです。これにより、グラフの「見た目の高さ」が「実際の値の大きさ」を正確に反映します。

スケールがバラバラだと、見た目が同じ高さでも実際の値が異なり、誤った比較をしてしまう危険があります。

【悪い例：スケールがバラバラ】 ┌──────────┐ ┌──────────┐ ┌──────────┐ │ 東京店 │ │ 大阪店 │ │ 名古屋店 │ │ Y軸: │ │ Y軸: │ │ Y軸: │ │ 0-1000 │ │ 0-500 │ │ 0-300 │ │ ████ │ │ ████ │ │ ████ │ └──────────┘ └──────────┘ └──────────┘ → 見た目の棒の高さが同じでも、実際の値が異なる！ → 東京店:800、大阪店:400、名古屋店:240 という意味 → 誤解を招く【良い例：スケールが統一】 ┌──────────┐ ┌──────────┐ ┌──────────┐ │ 東京店 │ │ 大阪店 │ │ 名古屋店 │ │ Y軸: │ │ Y軸: │ │ Y軸: │ │ 0-1000 │ │ 0-1000 │ │ 0-1000 │ │ ████████ │ │ ████ │ │ ██ │ └──────────┘ └──────────┘ └──────────┘ → グラフの高さが実際の値の差を正確に表現 → 一目で「東京店が最も売上が高い」と分かる

Matplotlibでスケールを統一する方法

Matplotlibでスモールマルチプルを作成する基本的な方法を学びましょう。plt.subplots()のsharey=TrueオプションでY軸を統一できます。

# ライブラリを読み込む
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

📝 インポートの意味

コード	意味	なぜ必要か
import matplotlib.pyplot as plt	Matplotlibをpltとして読み込み	グラフ描画の基本ライブラリ
import numpy as np	NumPyをnpとして読み込み	乱数生成や数値計算に使用
import pandas as pd	Pandasをpdとして読み込み	データフレームの操作に使用

# サンプルデータを作成
dates = pd.date_range(‘2024-01-01’, ‘2024-12-31′, freq=’M’)  # 月次データ
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’]

# 各店舗の売上データを生成
data = []
for 店 in 店舗:
    売上 = np.random.randint(200, 800, size=len(dates))
    for i, d in enumerate(dates):
        data.append({‘日付’: d, ‘店舗’: 店, ‘売上’: 売上[i]})

df = pd.DataFrame(data)
print(df.head())

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】スモールマルチプル（2×2グリッド）
# =========================================

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# データ作成
dates = pd.date_range(‘2024-01-01’, ‘2024-12-31′, freq=’M’)
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’]

data = []
for 店 in 店舗:
    売上 = np.random.randint(200, 800, size=len(dates))
    for i, d in enumerate(dates):
        data.append({‘日付’: d, ‘店舗’: 店, ‘売上’: 売上[i]})

df = pd.DataFrame(data)

# 2×2のグリッドを作成
fig, axes = plt.subplots(2, 2, figsize=(14, 10), sharey=True)
axes = axes.flatten()  # 2次元配列を1次元に変換

# 各店舗のグラフを描画
for i, 店 in enumerate(店舗):
    店舗データ = df[df[‘店舗’] == 店]
    axes[i].plot(店舗データ[‘日付’], 店舗データ[‘売上’], linewidth=2, color=’steelblue’)
    axes[i].set_title(店, fontsize=14, fontweight=’bold’)
    axes[i].set_xlabel(‘月’, fontsize=10)
    axes[i].grid(True, alpha=0.3)
    
    # Y軸ラベルは左列のみ
    if i % 2 == 0:
        axes[i].set_ylabel(‘売上（万円）’, fontsize=10)

plt.suptitle(‘店舗別売上推移（2024年）’, fontsize=18, fontweight=’bold’)
plt.tight_layout()
plt.show()

    📝 コードの意味
    
                コード
                意味
                なぜ必要か
            
                plt.subplots(2, 2, …)
                2行×2列のグリッドを作成
                4つのグラフを並べるため
            
                sharey=True
                すべてのグラフでY軸を共有
                正確な比較のためスケールを統一
            
                axes.flatten()
                2次元配列を1次元に変換
                forループで簡単にアクセスするため
            
                plt.suptitle()
                全体のタイトルを設定
                グラフ全体の説明を追加

コード	意味	なぜ必要か
plt.subplots(2, 2, …)	2行×2列のグリッドを作成	4つのグラフを並べるため
sharey=True	すべてのグラフでY軸を共有	正確な比較のためスケールを統一
axes.flatten()	2次元配列を1次元に変換	forループで簡単にアクセスするため
plt.suptitle()	全体のタイトルを設定	グラフ全体の説明を追加

🎨 3. SeabornのFacetGrid

FacetGridとは

SeabornのFacetGridは、スモールマルチプルをより簡単に、より美しく作成できるツールです。Matplotlibのsubplotsよりも少ないコードで、洗練されたグラフが作れます。

FacetGridは「データフレームのカテゴリ列」を指定するだけで、自動的にグラフを分割してくれます。

📝 FacetGridの基本的な流れ

ステップ	コード	説明
1. グリッド作成	g = sns.FacetGrid(df, col=’カテゴリ’)	どの列で分割するか指定
2. グラフ描画	g.map(sns.lineplot, ‘x’, ‘y’)	どんなグラフをどの列で描くか指定
3. 装飾	g.set_axis_labels(‘X軸’, ‘Y軸’)	軸ラベルやタイトルを追加

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】SeabornのFacetGrid
# =========================================

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

# サンプルデータ作成
dates = pd.date_range(‘2024-01-01′, periods=12, freq=’M’)
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’, ‘札幌店’, ‘仙台店’]

data = []
for 店 in 店舗:
    売上 = np.random.randint(200, 800, size=len(dates)) + np.random.randn(len(dates)) * 50
    for i, d in enumerate(dates):
        data.append({‘月’: d.month, ‘店舗’: 店, ‘売上’: 売上[i]})

df = pd.DataFrame(data)

# FacetGrid作成
g = sns.FacetGrid(
    df, 
    col=’店舗’,        # 「店舗」列で分割
    col_wrap=3,       # 3列で折り返し
    height=3,         # 各グラフの高さ
    sharey=True       # Y軸を統一
)

# グラフを描画
g.map(sns.lineplot, ‘月’, ‘売上’, color=’steelblue’, linewidth=2)

# タイトル追加
g.fig.suptitle(‘店舗別月次売上推移’, fontsize=16, fontweight=’bold’, y=1.02)

# 軸ラベル
g.set_axis_labels(‘月’, ‘売上（万円）’)

plt.tight_layout()
plt.show()

    📝 FacetGridの主要パラメータ
    
                パラメータ
                意味
                設定例
            
                col
                列方向に分割する列名
                col=’店舗’
            
                row
                行方向に分割する列名
                row=’地域’
            
                col_wrap
                何列で折り返すか
                col_wrap=3（3列で折り返し）
            
                height
                各グラフの高さ（インチ）
                height=3
            
                aspect
                幅÷高さの比率
                aspect=1.2（横長）
            
                sharey
                Y軸を統一するか
                sharey=True

パラメータ	意味	設定例
col	列方向に分割する列名	col=’店舗’
row	行方向に分割する列名	row=’地域’
col_wrap	何列で折り返すか	col_wrap=3（3列で折り返し）
height	各グラフの高さ（インチ）	height=3
aspect	幅÷高さの比率	aspect=1.2（横長）
sharey	Y軸を統一するか	sharey=True

2次元ファセット（行×列）

rowとcolを両方指定すると、2次元のグリッドでファセットを作成できます。これにより、2つのカテゴリの組み合わせを同時に比較できます。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】2次元ファセット（地域×カテゴリ）
# =========================================

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

# 商品カテゴリ別・地域別のデータ
カテゴリ = [‘電化製品’, ‘衣料品’, ‘食品’]
地域 = [‘東日本’, ‘西日本’]

data = []
for cat in カテゴリ:
    for 地 in 地域:
        for month in range(1, 13):
            売上 = np.random.randint(100, 500) + (month * 10)
            data.append({‘月’: month, ‘カテゴリ’: cat, ‘地域’: 地, ‘売上’: 売上})

df = pd.DataFrame(data)

# 2次元ファセット（行=地域、列=カテゴリ）
g = sns.FacetGrid(
    df,
    row=’地域’,      # 行方向に地域で分割
    col=’カテゴリ’,  # 列方向にカテゴリで分割
    height=3,
    aspect=1.2,
    sharey=True
)

# 棒グラフを描画
g.map(sns.barplot, ‘月’, ‘売上’, color=’coral’, errorbar=None)

# タイトル
g.fig.suptitle(‘カテゴリ×地域別 月次売上’, fontsize=16, fontweight=’bold’, y=1.02)

# 軸ラベル
g.set_axis_labels(‘月’, ‘売上（万円）’)

plt.tight_layout()
plt.show()

【2次元ファセットの構造】電化製品衣料品食品 ┌──────────┐ ┌──────────┐ ┌──────────┐ 東日本 │ [グラフ]│ │ [グラフ]│ │ [グラフ]│ └──────────┘ └──────────┘ └──────────┘ ┌──────────┐ ┌──────────┐ ┌──────────┐ 西日本 │ [グラフ]│ │ [グラフ]│ │ [グラフ]│ └──────────┘ └──────────┘ └──────────┘ → 行方向（row）で「地域」を分割 → 列方向（col）で「カテゴリ」を分割 → 6つのグラフで地域×カテゴリの組み合わせを全て表示

⚡ 4. Plotlyのファセット機能

Plotly Expressのfacet_colとfacet_row

Plotly Expressには、facet_colとfacet_rowというパラメータがあり、1行のコードでファセットを作成できます。さらに、Plotlyならではのインタラクティブ機能（ホバー、ズームなど）も使えます。

📝 Plotlyのファセットパラメータ

パラメータ	意味	SeabornのFacetGridとの対応
facet_col	列方向に分割	col=’カテゴリ’
facet_row	行方向に分割	row=’地域’
facet_col_wrap	何列で折り返すか	col_wrap=3

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】Plotlyのファセットグラフ
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# データ作成
dates = pd.date_range(‘2024-01-01′, periods=12, freq=’M’)
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’]

data = []
for 店 in 店舗:
    売上 = np.random.randint(300, 700, size=len(dates))
    for i, d in enumerate(dates):
        data.append({‘日付’: d, ‘店舗’: 店, ‘売上’: 売上[i]})

df = pd.DataFrame(data)

# ファセットグラフ作成（1行で完成！）
fig = px.line(
    df,
    x=’日付’,
    y=’売上’,
    facet_col=’店舗’,      # 「店舗」列で分割
    facet_col_wrap=2,     # 2列で折り返し
    title=’店舗別売上推移’,
    labels={‘売上’: ‘売上（万円）’}
)

# Y軸を統一
fig.update_yaxes(matches=’y’)

# レイアウト調整
fig.update_layout(
    height=600,
    showlegend=False
)

fig.show()

⚠️ 重要：Y軸の統一を忘れずに

Plotlyでは、デフォルトでY軸が統一されません。必ずfig.update_yaxes(matches=’y’)を追加して、すべてのグラフのY軸を揃えてください。

2次元ファセット（Plotly版）

Plotlyでもfacet_rowとfacet_colを同時に指定することで、2次元のファセットを作成できます。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】Plotlyの2次元ファセット
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# 商品×地域のデータ
商品 = [‘商品A’, ‘商品B’, ‘商品C’]
地域 = [‘東日本’, ‘西日本’]

data = []
for 品 in 商品:
    for 地 in 地域:
        for month in range(1, 13):
            売上 = np.random.randint(100, 500)
            data.append({‘月’: month, ‘商品’: 品, ‘地域’: 地, ‘売上’: 売上})

df = pd.DataFrame(data)

# 2次元ファセット
fig = px.bar(
    df,
    x=’月’,
    y=’売上’,
    facet_row=’地域’,     # 行方向に地域で分割
    facet_col=’商品’,     # 列方向に商品で分割
    title=’商品×地域別 月次売上’,
    labels={‘売上’: ‘売上（万円）’, ‘月’: ‘月’},
    color_discrete_sequence=[‘coral’]
)

# Y軸統一
fig.update_yaxes(matches=’y’)
fig.update_layout(height=600)

fig.show()

ヒストグラムでファセット（分布の比較）

折れ線グラフや棒グラフだけでなく、ヒストグラムでもファセットを作成できます。これにより、各カテゴリのデータ分布を比較できます。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】ヒストグラムでファセット
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# 各店舗の日次売上データ（分布の比較用）
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’, ‘札幌店’, ‘仙台店’]
data = []

for 店 in 店舗:
    日次売上 = np.random.normal(loc=400, scale=100, size=30)  # 30日分
    for 売上 in 日次売上:
        data.append({‘店舗’: 店, ‘日次売上’: 売上})

df = pd.DataFrame(data)

# ヒストグラムでファセット
fig = px.histogram(
    df,
    x=’日次売上’,
    facet_col=’店舗’,
    facet_col_wrap=3,     # 3列で折り返し
    nbins=15,
    title=’店舗別 日次売上分布’,
    labels={‘日次売上’: ‘売上（万円）’, ‘count’: ‘日数’},
    color_discrete_sequence=[‘steelblue’]
)

fig.update_yaxes(matches=’y’)
fig.update_layout(
    height=600,
    showlegend=False
)

fig.show()

💼 5. 実務での活用例

例1: 店舗別KPI比較ダッシュボード

複数店舗の売上推移を同時に比較することで、どの店舗が好調か、どの店舗に問題があるかを一目で把握できます。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】店舗別KPI比較ダッシュボード
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# 各店舗の月次KPI
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’, ‘福岡店’]
月 = list(range(1, 13))

data = []
for 店 in 店舗:
    for m in 月:
        売上 = np.random.randint(300, 700)
        data.append({‘月’: m, ‘店舗’: 店, ‘売上’: 売上})

df = pd.DataFrame(data)

# 売上のファセット
fig = px.line(
    df,
    x=’月’,
    y=’売上’,
    facet_col=’店舗’,
    facet_col_wrap=2,
    title=’📊 店舗別 月次売上推移’,
    labels={‘売上’: ‘売上（万円）’},
    markers=True  # マーカーを表示
)

fig.update_yaxes(matches=’y’)
fig.update_traces(line=dict(width=3, color=’#3498DB’))
fig.update_layout(
    height=500,
    showlegend=False,
    font=dict(size=12)
)

fig.show()

例2: 商品カテゴリ×時間帯の売上分析

飲食店などでは、「どの商品カテゴリが、どの時間帯に売れるか」を分析することで、効率的な仕入れやスタッフ配置が可能になります。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】商品カテゴリ×時間帯の売上分析
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# カテゴリ×時間帯のデータ
カテゴリ = [‘朝食’, ‘昼食’, ‘夕食’, ‘デザート’]
時間帯 = list(range(6, 23))  # 6時~22時

data = []
for cat in カテゴリ:
    for 時 in 時間帯:
        # 時間帯によって売上が変動するリアルなデータ
        if cat == ‘朝食’ and 6 <= 時 <= 9:
            売上 = np.random.randint(80, 150)
        elif cat == '昼食' and 11 <= 時 <= 14:
            売上 = np.random.randint(150, 300)
        elif cat == '夕食' and 18 <= 時 <= 21:
            売上 = np.random.randint(200, 400)
        elif cat == 'デザート' and 14 <= 時 <= 20:
            売上 = np.random.randint(50, 120)
        else:
            売上 = np.random.randint(10, 50)
        
        data.append({'時間帯': 時, 'カテゴリ': cat, '売上': 売上})

df = pd.DataFrame(data)

# エリアチャートでファセット
fig = px.area(
    df,
    x='時間帯',
    y='売上',
    facet_col='カテゴリ',
    facet_col_wrap=2,
    title='🍔 商品カテゴリ別 時間帯別売上',
    labels={'売上': '売上（万円）', '時間帯': '時刻'},
    color_discrete_sequence=['coral']
)

fig.update_yaxes(matches='y')
fig.update_layout(
    height=500,
    showlegend=False
)

fig.show()

【このグラフから読み取れること】・朝食: 6〜9時にピーク（通勤・通学時間帯）・昼食: 11〜14時にピーク（お昼休み）・夕食: 18〜21時にピーク（退勤後）・デザート: 14〜20時に分散（午後のおやつ〜夕食後） → 時間帯ごとの仕入れ量や人員配置の最適化に活用！

例3: A/Bテスト結果の比較

WebサイトのA/Bテストでは、複数の指標（CVR、クリック率、離脱率など）を同時に比較する必要があります。スモールマルチプルなら、各指標の違いを一目で把握できます。

コードが長いので、スマートフォンでは横スクロールして確認してください。

# =========================================
# 【実践】A/Bテスト結果の比較
# =========================================

import plotly.express as px
import pandas as pd
import numpy as np

# A/Bテストのデータ（複数の指標）
パターン = [‘パターンA’, ‘パターンB’]
指標 = [‘CVR’, ‘クリック率’, ‘離脱率’, ‘滞在時間’]

data = []
for パ in パターン:
    for 指 in 指標:
        # 30日分のデータ
        for day in range(1, 31):
            if 指 == ‘CVR’:
                値 = np.random.normal(3.0 if パ == ‘パターンB’ else 2.5, 0.5)
            elif 指 == ‘クリック率’:
                値 = np.random.normal(12.0 if パ == ‘パターンB’ else 10.0, 2.0)
            elif 指 == ‘離脱率’:
                値 = np.random.normal(25.0 if パ == ‘パターンA’ else 20.0, 3.0)
            else:  # 滞在時間
                値 = np.random.normal(180 if パ == ‘パターンB’ else 150, 20)
            
            data.append({‘日’: day, ‘パターン’: パ, ‘指標’: 指, ‘値’: 値})

df = pd.DataFrame(data)

# パターン別・指標別のファセット
fig = px.box(
    df,
    x=’パターン’,
    y=’値’,
    facet_col=’指標’,
    facet_col_wrap=2,
    title=’📈 A/Bテスト結果比較（30日間）’,
    labels={‘値’: ‘値’, ‘パターン’: ”},
    color=’パターン’,
    color_discrete_sequence=[‘#3498DB’, ‘#E74C3C’]
)

fig.update_layout(
    height=600,
    showlegend=True
)

fig.show()

【A/Bテスト結果の読み方】・CVR: パターンBの方が高い → 改善効果あり・クリック率: パターンBの方が高い → 改善効果あり・離脱率: パターンBの方が低い → 改善効果あり・滞在時間: パターンBの方が長い → 改善効果あり → すべての指標でパターンBが優れている → パターンBを本番採用する判断材料に！

📝 STEP 32 のまとめ

    ✅ このステップで学んだこと
    
                トピック
                重要ポイント
            
                スモールマルチプル
                同じ形式のグラフを並べて比較を容易に
            
                軸の統一
                sharey=True、matches=’y’で正確な比較
            
                Matplotlib
                plt.subplots()でグリッドを作成
            
                Seaborn FacetGrid
                col、row、col_wrapで簡単にファセット作成
            
                Plotly facet
                facet_col、facet_rowでインタラクティブに
            
                実務活用
                店舗比較、A/Bテスト、カテゴリ分析

トピック	重要ポイント
スモールマルチプル	同じ形式のグラフを並べて比較を容易に
軸の統一	sharey=True、matches=’y’で正確な比較
Matplotlib	plt.subplots()でグリッドを作成
Seaborn FacetGrid	col、row、col_wrapで簡単にファセット作成
Plotly facet	facet_col、facet_rowでインタラクティブに
実務活用	店舗比較、A/Bテスト、カテゴリ分析

💡 最重要ポイント

スモールマルチプルは、複数のカテゴリや条件を同じスケールで比較するのに最適な手法です。

1つのグラフに詰め込むよりも、個別に分けて並べることで、パターンや相違点が明確になります。

SeabornのFacetGridやPlotlyのfacet_col/rowを使えば、少ないコードで美しいスモールマルチプルが作成できます！

📝 実践演習

演習 1 基礎

3つの店舗（東京店、大阪店、名古屋店）の売上推移をPlotlyのファセットで表示してください。

【解答コード】

import plotly.express as px
import pandas as pd
import numpy as np

# データ作成
dates = pd.date_range(‘2024-01-01′, periods=12, freq=’M’)
店舗 = [‘東京店’, ‘大阪店’, ‘名古屋店’]
data = []

for 店 in 店舗:
    売上 = np.random.randint(300, 600, size=12)
    for i, d in enumerate(dates):
        data.append({‘日付’: d, ‘店舗’: 店, ‘売上’: 売上[i]})

df = pd.DataFrame(data)

# ファセットグラフ
fig = px.line(df, x=’日付’, y=’売上’, facet_col=’店舗’,
              title=’店舗別売上推移’)
fig.update_yaxes(matches=’y’)
fig.show()

ポイント：facet_col=’店舗’で店舗ごとに分割し、update_yaxes(matches=’y’)でY軸を統一します。

演習 2 応用

SeabornのFacetGridを使って、4つの商品カテゴリの月次売上をグリッド表示してください（2列で折り返し）。

【解答コード】

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

カテゴリ = [‘電化製品’, ‘衣料品’, ‘食品’, ‘雑貨’]
data = []

for cat in カテゴリ:
    for month in range(1, 13):
        売上 = np.random.randint(200, 600)
        data.append({‘月’: month, ‘カテゴリ’: cat, ‘売上’: 売上})

df = pd.DataFrame(data)

g = sns.FacetGrid(df, col=’カテゴリ’, col_wrap=2, height=3, sharey=True)
g.map(sns.lineplot, ‘月’, ‘売上’, color=’steelblue’)
g.set_axis_labels(‘月’, ‘売上（万円）’)
plt.show()

ポイント：col_wrap=2で2列に折り返し、sharey=TrueでY軸を統一します。

演習 3 発展

2次元ファセット（地域×商品）で売上を比較してください。行に地域、列に商品を配置し、Plotlyを使用してください。

【解答コード】

import plotly.express as px
import pandas as pd
import numpy as np

地域 = [‘東日本’, ‘西日本’]
商品 = [‘商品A’, ‘商品B’, ‘商品C’]
data = []

for 地 in 地域:
    for 品 in 商品:
        for month in range(1, 13):
            売上 = np.random.randint(150, 500)
            data.append({‘月’: month, ‘地域’: 地, ‘商品’: 品, ‘売上’: 売上})

df = pd.DataFrame(data)

fig = px.line(df, x=’月’, y=’売上’, 
              facet_row=’地域’, facet_col=’商品’,
              title=’地域×商品別 売上比較’)
fig.update_yaxes(matches=’y’)
fig.show()

ポイント：facet_row=’地域’で行方向に、facet_col=’商品’で列方向に分割します。

❓ よくある質問

Q1: スモールマルチプルはいくつまで並べられますか?

6〜12個が目安です。それ以上になると、個々のグラフが小さくなりすぎて見づらくなります。多い場合は、ページを分割する、インタラクティブなフィルター機能を追加する、重要なカテゴリのみに絞る、などの工夫が必要です。

Q2: Y軸は必ず統一すべきですか?

基本的には統一すべきです。Y軸を統一することで、グラフの高さが実際の値の差を正確に反映します。ただし、値の範囲が大きく異なる場合（例: 1店舗だけ売上が10倍）は、個別のスケールも検討できます。その場合は「スケールが異なる」ことを必ず明記してください。

Q3: スモールマルチプルと1つのグラフ、どちらを使うべきですか?

比較するカテゴリ数で判断します。2〜3個なら1つのグラフ（色分けで比較）、4個以上ならスモールマルチプルが見やすいです。また、系列が交差する場合やトレンドの形を比較したい場合は、スモールマルチプルが最適です。

Q4: SeabornとPlotly、どちらを使うべきですか?

用途で使い分けましょう。静的なレポートや論文にはSeabornが適しています。インタラクティブなダッシュボードやWebページにはPlotlyが便利です。Plotlyならホバーで値を確認したり、ズームしたりできます。

Q5: ファセットのグラフが小さすぎます。どうすればいいですか?

heightやwidthを調整してください。SeabornのFacetGridならheightパラメータ、Plotlyならheightパラメータを大きくします。また、col_wrapやfacet_col_wrapで1行あたりの列数を減らすと、各グラフが大きくなります。

📝

学習メモ

データ可視化マスター - Step 32

📋 過去のメモ一覧 ▼