Как построить график плотности распределения по данным CSV или Excel
Постройте график ядерной оценки плотности (KDE) по данным из CSV или Excel без программирования. Настройте группировку, выберите сглаживание, сравните распределения и отредактируйте график в SciVis.
Сглаженная кривая плотности распределения может скрывать столько же деталей, сколько и раскрывать. Избыточное сглаживание объединяет четко выраженные субпопуляции, в то время как недостаточное — превращает случайный шум выборки в череду ложных пиков. Чтобы график плотности (density plot) был научно обоснованным, требуются не только чистые исходные наблюдения, но и обязательная проверка стабильности визуализируемой формы распределения.
Инструмент SciDraw Density Plot Maker преобразует таблицы CSV или Excel в график ядерной оценки плотности (KDE), после чего открывает полученный результат в редакторе SciVis для финальной доработки. В системе доступны шесть демонстрационных наборов данных, иллюстрирующих различные типы распределений: одиночное, групповое, асимметричное, бимодальное, совмещенное с гистограммой, а также многослойное распределение в стиле ridgeline.
Тысячи исследователей используют SciDraw AI, чтобы за минуты создавать готовые к публикации иллюстрации для статей, заявок на гранты и подачи в журналы — без навыков дизайна.
Отождествление плотности с абсолютным количеством: шкала ординат (y) отражает оцениваемую плотность вероятности; интеграл всей площади под кривой обычно равен единице.
Игнорирование ширины окна сглаживания (bandwidth): этот параметр напрямую управляет степенью гладкости кривой и может искусственно изменять видимое число мод (пиков).
Сравнение групп в разных масштабах: все преобразования данных и единицы измерения должны быть строго идентичными для сопоставляемых выборок.
Использование разреженных данных: плавная кривая может создать иллюзию большего объема статистических данных, чем есть на самом деле при малой выборке.
Обрезка «хвостов» распределения: усечение оси абсцисс (x) способно скрыть экстремальные или клинически значимые единичные наблюдения.
Подготовьте таблицу в «длинном» формате (long format), где каждая строка соответствует одному наблюдению:
Столбец
Назначение
Пример
sample_id
Идентификатор наблюдения
Control_01
group
Категориальная группа (опционально)
Control
value
Числовое измерение
38.92
Ознакомьтесь со структурой файлов на примере одиночного распределения CSV или сравнения групп CSV. Следите за тем, чтобы единицы измерения не указывались внутри ячеек с числами, а пропущенные значения были обозначены единообразно.
Графики плотности распределения наиболее эффективны для непрерывных величин при достаточном объеме выборки, позволяющем адекватно оценить характер распределения. Для дискретных величин с малым числом возможных значений более честным решением будет использование гистограммы, эмпирической функции распределения (ECDF) или точечного графика. При малом объеме выборки наложите на график маркеры исходных точек или воспользуйтесь инструментом Beeswarm Plot Maker.
Перейдите в Density Plot Maker, выберите один из демонстрационных примеров или загрузите собственный файл в формате CSV, TSV, TXT, XLSX или XLS. При импорте файлов Excel обрабатывается первый рабочий лист. Убедитесь, что колонка с анализируемым показателем распознана как числовая, а в названиях групп отсутствуют случайные опечатки и различия в написании.
Полученная при первом рендеринге кривая — это лишь стартовая аппроксимация, а не истинное распределение генеральной совокупности. Сравните этот результат, немного уменьшив и увеличив ширину окна сглаживания (bandwidth). Ключевые элементы структуры распределения должны оставаться стабильными; пики, которые появляются только при экстремально малых значениях сглаживания, не должны ложиться в основу научных выводов.
При наложении нескольких кривых друг на друга используйте полупрозрачную заливку или контрастные контуры. Избегайте перегрузки графика слишком большим количеством групп и не полагайтесь исключительно на цвет, так как статья может быть распечатана в черно-белом варианте или читаться людьми с особенностями цветовосприятия.
Перейдите в редактор для тонкой настройки: измените названия осей, подписи групп, цветовую палитру, добавьте аннотации и скорректируйте макет. Добавление «ковра» данных (rug plot) или подложки в виде гистограммы наглядно покажет реальное положение точек наблюдений, помогая читателю отличить статистически подтвержденный пик от артефакта математического сглаживания.
Если вы используете логарифмическое преобразование или исключаете недостоверные измерения, делайте это на этапе предварительной подготовки данных, а не путем простого удаления «неудобных» точек внутри графического редактора.
Ось абсцисс (x) показывает измеренное значение параметра, а высота кривой в конкретной точке — относительную концентрацию наблюдений вблизи этого значения. Сравнивайте положение центров распределения, их дисперсию (ширину), асимметрию и форму «хвостов» у разных групп. Поскольку кривые плотности нормируются, одинаковая высота пиков у двух групп не означает, что их выборки равны по объему.
Площадь под кривой между двумя точками на оси x отражает долю наблюдений в этом интервале только в том случае, если плотность была корректно нормирована, а допущения выбранной модели распределения соблюдены.
Она показывает оцениваемую плотность вероятности, а не абсолютное число образцов. Значения плотности могут быть больше единицы, если диапазон значений по оси x очень мал; ключевое значение имеет именно площадь под нормированной кривой.
Начните с автоматического алгоритма оценки, затем проверьте соседние значения параметра и выберите тот вариант, который передает устойчивую структуру распределения, не подчеркивая случайный шум. Если форма распределения является главным аргументом вашего исследования, обязательно укажите метод сглаживания в описании работы.
Да, нормированные кривые позволяют корректно сопоставить форму распределений, однако они маскируют различия в объеме данных. Если этот контекст важен для интерпретации, укажите объемы выборок в подписи к графику или отобразите исходные точки наблюдений.
Начните работу в Density Plot Maker, сопоставьте сглаженную кривую с реальным распределением точек и обратитесь к нашему руководству по научной визуализации данных, чтобы подобрать альтернативный тип графика, если сглаживание окажется нецелесообразным.
Davie Chen is a researcher at the Faculty of Animation and Intermedia, University of Arts in Poznan, studying generative AI for scientific figure creation, patent illustration, and manuscript drafting. SciDraw AI is one of the research-to-product tools built from this work.
