Зависимости и scatter-графики: вопросы для собеседования (часть 4)
Scatter plot показывает связь между двумя числовыми переменными — корреляцию, кластеры, выбросы. На собеседовании могут попросить визуализировать зависимость LTV от количества сессий или объяснить, как добавить третье измерение через цвет или размер точки. Scatter — незаменимый инструмент для exploratory data analysis.
Вопросы 16–20 из 20
16В `scatter plot` переменная X принимает только целые значения (например оценки 1–5), поэтому точки ложатся в вертикальные столбцы и перекрываются. Что поможет уменьшить `overplotting` и показать частоты?
AДобавить `jitter` по оси X (небольшое случайное смещение точек) или применить `beeswarm`-расстановку
BЗаменить точечную диаграмму на столбчатую со счётчиком точек в каждой категории по оси X
CУменьшить размер точек до минимума и добавить линию тренда поверх облака точек на одном слое
DСжать диапазон оси X и увеличить масштаб графика: при большем разрешении точки визуально расходятся
Ответ: `jitter` (случайное смещение точек для устранения наложения) помогает разнести совпадающие значения и увидеть плотность при дискретных осях.
Когда значения повторяются, точки накладываются и скрывают количество наблюдений. `jitter` (случайное смещение точек для устранения наложения) добавляет малое смещение и делает видимыми слои точек, не меняя общий смысл графика.
Подробный разбор → 17На диаграмме рассеяния для двух переменных общий рисунок кажется без связи, но вы подозреваете, что разные сегменты ведут себя по-разному. Какой приём лучше всего помогает не смешивать сегменты?
AУтолщить сетку графика и подписать оси крупнее, чтобы общий рисунок облака точек выглядел убедительнее
BСпрятать легенду и убрать названия осей: внимание зрителя сосредоточится на форме общего облака точек
CРазделить данные по сегменту на фасеты-подграфики или закодировать сегмент цветом точек на одном графике
DПостроить один общий тренд по всем точкам и опираться только на него как на самое простое объяснение
Ответ: Смешение сегментов может скрыть связь; используйте фасетирование или кодирование цветом по сегменту.
Когда сегменты имеют разные уровни или наклоны, общий график может выглядеть плоским из-за усреднения. Фасетирование и кодирование цветом позволяют увидеть различия между группами и корректнее интерпретировать связь внутри сегментов. Без такого разделения легко принять разнонаправленные тренды за отсутствие связи и сделать ошибочный вывод.
Подробный разбор → 18В агрегированных данных корреляция между X и Y положительная, но если разбить по сегментам, внутри каждого сегмента связь отрицательная. Как корректнее всего это интерпретировать?
AЭто однозначно ошибка в данных, потому что знак связи между двумя переменными в принципе не может меняться при дополнительной разбивке по сегментам
BЭто означает причинно-следственную связь: X точно вызывает Y, просто эффект по-разному проявляется в разных сегментах и поэтому общий тренд другой
CЭто похоже на парадокс Симпсона: нужно смотреть данные в разрезе сегментов через раздельные графики и линии тренда и не делать причинных выводов из агрегата
DВ такой ситуации проще всего убрать сегментирующую переменную из данных, чтобы общий тренд не противоречил картине внутри отдельных сегментов
Ответ: Противоположные тренды по сегментам — частый сигнал парадокса Симпсона и смешения групп.
Агрегирование может менять знак связи из-за разных базовых уровней и долей сегментов — это и есть парадокс Симпсона. Визуально помогают раздельные графики и линии тренда по сегментам; делать причинные выводы из одной диаграммы рассеяния нельзя. Удаление сегментирующей переменной маскирует эффект, а не объясняет его, и противоположный знак на агрегате — это нормальное математическое следствие, а не ошибка данных.
Подробный разбор → 19У вас десятки миллионов точек, и даже с низкой прозрачностью точечная диаграмма остаётся нечитаемой из-за перекрытия маркеров. Какой вариант визуализации чаще всего лучше?
AИспользовать `hexbin` (шестиугольные ячейки плотности) или 2D `density`/`heatmap`, чтобы показать плотность точек вместо отдельных маркеров
BСделать график трёхмерным, добавив третью ось без смысловой нагрузки, чтобы перекрытие точек распределилось по дополнительному измерению
CПостроить `pie chart` по долям точек в четырёх квадрантах координатной плоскости, чтобы оценить общее распределение наблюдений на двух осях
DУвеличить размер маркеров и убрать прозрачность, чтобы плотные области стали ещё более заметными и привлекали внимание читателя графика
Ответ: При сильном перекрытии точек показывайте плотность: `hexbin` или 2D `heatmap` вместо точечной диаграммы.
Плотностные карты агрегируют точки по ячейкам и делают видимыми структуры, которые в точечном облаке теряются под перекрывающимися маркерами. `Hexbin` и 2D `heatmap` сохраняют информацию о распределении без необходимости рисовать каждое наблюдение, поэтому хорошо работают на больших данных. Трёхмерный график без смысла только усложняет восприятие, `pie chart` по квадрантам теряет двумерную структуру, а более крупные непрозрачные маркеры лишь усиливают перекрытие.
Подробный разбор → 20Нужно показать связь X и Y для 15 категорий продукта. Кодирование цветом делает легенду перегруженной, а сами цвета трудно различимы между собой. Что лучше всего сделать?
AОставить кодирование цветом и добавить ещё больше оттенков, чтобы каждая из 15 категорий получила свой уникальный цвет на графике.
BСпрятать легенду, чтобы она не занимала места, и оставить читателя самостоятельно угадывать соответствие цветов и категорий.
CПостроить один общий тренд по всем точкам без разделения по категориям, считая их вклад одинаковым на общем фоне данных.
DИспользовать раскладку по панелям (small multiples) для категорий или топ‑N групп с одинаковыми осями для сравнения форм связи.
Ответ: При большом числе категорий раскладка по панелям обычно читаемее, чем перегруженное кодирование цветом.
Раскладка по панелям (small multiples) разделяет категории в отдельные ячейки, где тренды и плотности видны без смешения цветов. Если категорий слишком много, можно показать топ‑N и сгруппировать остальные в «прочее», сохраняя сопоставимые шкалы по осям. Кодирование цветом хорошо работает на 4–6 категориях, дальше глаз перестаёт их различать.
Подробный разбор → Другие темы: Визуализация данных