Giải Mã Dữ Liệu: Trực Quan Hóa Dữ Liệu Nắm Bắt Phân Phối

Chào mừng bạn đến với phần mười của loạt bài giải mã dữ liệu kéo dài một tháng. Là một phần của Tháng Hiểu Biết Dữ Liệu, loạt bài này sẽ làm rõ các khái niệm then chốt trong thế giới dữ liệu, trả lời những câu hỏi bạn có thể ngại hỏi và đồng thời mang lại sự thú vị. Nếu muốn bắt đầu từ đầu, hãy đọc bài đầu tiên trong loạt: Dataset là gì?

Tuần này, chúng ta sẽ điểm qua các dạng trực quan hóa dữ liệu phổ biến và cách diễn giải chúng. Trực quan hóa dữ liệu thường được gọi là “chất xúc tác” dẫn vào khoa học dữ liệu; bài viết này sẽ xem xét các biểu đồ nắm bắt phân phối và cách diễn giải chúng.

Các biểu đồ nắm bắt phân phối

Một trường hợp sử dụng quan trọng của trực quan hóa dữ liệu là nắm bắt phân phối của một biến. Việc nắm bắt phân phối giúp bạn hiểu các đặc tính thống kê cốt lõi của dữ liệu đang trực quan hóa và giúp khán giả đưa ra quyết định dựa trên dữ liệu một cách sáng suốt về các kết quả chính. Trước khi bắt đầu, dưới đây là một số điểm mấu chốt cần lưu ý khi trực quan hóa phân phối:

1. Hình dạng của phân phối là gì? Phân phối có đối xứng hay không?
2. Độ phân tán của phân phối là bao nhiêu? Tức là chênh lệch giữa giá trị nhỏ nhất và lớn nhất trong bộ dữ liệu.
3. Có ngoại lệ (outlier) nào trong phân phối không?
4. Có khuôn mẫu nào trong phân phối không? Phân phối ngẫu nhiên hay có hình dạng rõ ràng?
5. Giá trị trung bình (mean, mode, median) là gì?

Bốn loại biểu đồ dưới đây giúp chúng ta nắm bắt những điểm này. 

Biểu đồ tần suất (Histogram)

Histogram là một đồ thị hiển thị phân phối của biến số dạng số bằng các cột. Đây là cách thuận tiện để minh họa những đặc trưng chính của phân phối, đặc biệt khi tập dữ liệu lớn. Ví dụ điển hình nơi histogram phát huy hiệu quả là nắm bắt phân phối mức lương của nhân viên trong một công ty hoặc mức đường huyết của một nhóm bệnh nhân. 

Một histogram mô tả độ tuổi tử vong của nam giới Úc năm 2022 (Nguồn: Oosterbaan)

Để xây dựng histogram, dữ liệu số trước tiên được chia thành nhiều khoảng hay “bin”, rồi đếm tần suất xuất hiện của từng khoảng. Trục ngang hiển thị các khoảng, trong khi trục dọc biểu diễn tần suất hoặc tỷ lệ phần trăm số lần xuất hiện của một khoảng. Histogram ngay lập tức cho thấy phân phối của một biến bị lệch về phía nào hoặc đỉnh ở đâu. Dưới đây là các ví dụ từ khóa học Data Visualization for Everyone của chúng tôi. 

Một histogram có thể đối xứng, lệch trái hoặc lệch phải. (Nguồn: DataCamp)

 Một histogram có thể có nhiều mode (Nguồn: DataCamp)

Mặc dù histogram và biểu đồ cột trông tương tự, chúng phục vụ các chức năng khác nhau và không nên nhầm lẫn. Dưới đây là những khác biệt chính.

Biểu đồ mật độ (Density plot)

Tương tự histogram, biểu đồ mật độ thể hiện phân phối của một biến số dạng số. Khác với histogram, biểu đồ mật độ dùng một đường trơn thay vì các cột. Trục ngang của biểu đồ mật độ là biến số, còn trục dọc là hàm mật độ xác suất. Xác suất biến rơi vào một khoảng chính là diện tích dưới đường cong trong khoảng đó. 

Xác suất một con chuột có trọng lượng sơ sinh từ 1,0 đến 1,2 gram chính là diện tích dưới biểu đồ mật độ (Nguồn: SPSS)

Biểu đồ mật độ có thể thể hiện hình dạng phân phối hiệu quả hơn histogram. Một histogram với số lượng bin quá ít hoặc quá nhiều có thể che khuất hình dạng thực của phân phối nền. Ngược lại, biểu đồ mật độ không cần chia bin và hiển thị các đường phân phối trơn.

Lựa chọn số lượng bin trong histogram là rất quan trọng. (Nguồn: Laerd Statistics)

Biểu đồ mật độ cũng tốt hơn trong việc so sánh nhiều phân phối cùng lúc so với histogram.

So sánh các phân phối bằng biểu đồ mật độ so với histogram (Nguồn: Koehrsen Will)

Box plot

Histogram phù hợp để hiển thị tổng thể phân phối dữ liệu, còn box plot lại xuất sắc trong việc tóm tắt một phân phối. 

Cấu tạo của một box plot (Nguồn: Galarnyk)

Trực quan hóa dữ liệu bằng box plot cho thấy những điều sau:

1. Trung vị (median): Giá trị giữa của một tập dữ liệu, trong đó 50% dữ liệu nhỏ hơn trung vị và 50% lớn hơn trung vị. 
2. Tứ phân vị trên: Phân vị thứ 75 của tập dữ liệu, trong đó 75% dữ liệu nhỏ hơn tứ phân vị trên và 25% lớn hơn. 
3. Tứ phân vị dưới: Phân vị thứ 25 của tập dữ liệu, trong đó 25% dữ liệu nhỏ hơn tứ phân vị dưới và 75% lớn hơn. 
4. Khoảng tứ phân vị (IQR): Tứ phân vị trên trừ tứ phân vị dưới
5. Giá trị kề trên: Hay còn gọi là “giá trị tối đa” theo cách nói thông dụng. Nó bằng tứ phân vị trên cộng 1,5 lần IQR.
6. Giá trị kề dưới: Hay còn gọi là “giá trị tối thiểu”. Nó bằng tứ phân vị dưới trừ 1,5 lần IQR.
7. Ngoại lệ (outlier): Bất kỳ giá trị nào lớn hơn “tối đa” hoặc nhỏ hơn “tối thiểu”.

Biểu đồ violin

Biểu đồ violin là sự kết hợp giữa box plot và biểu đồ mật độ. 

Biểu đồ violin thể hiện phân phối của tổng hóa đơn (Nguồn: DataCamp)

Tương tự biểu đồ mật độ, biểu đồ violin hiển thị phân phối mật độ. Giống box plot, biểu đồ violin cũng cho thấy các thống kê tóm tắt. Biểu đồ violin là công cụ hiệu quả để vừa hiển thị vừa tóm tắt phân phối của một biến số dạng số cùng lúc. 

Cấu tạo của một biểu đồ violin (Nguồn: Hintze và Nelson)

Bắt đầu với Trực Quan Hóa Dữ Liệu ngay hôm nay

Chúng tôi hy vọng bạn thấy thú vị với phần giới thiệu ngắn gọn về trực quan hóa dữ liệu này. Ở bài tiếp theo, chúng ta sẽ xem xét cách AI được đưa tin trên báo chí và cách nuôi dưỡng sự hoài nghi lành mạnh trước những tiến bộ mới nhất trong lĩnh vực này. Để bắt đầu hành trình học dữ liệu ngay hôm nay, hãy tham khảo các tài nguyên sau. 

• Xem những gì chúng tôi đã lên kế hoạch cho Tháng Hiểu Biết Dữ Liệu
• Bắt đầu với Lộ Trình Kỹ Năng Understanding Data Topics
• Đăng ký podcast DataFramed
• Xem các sự kiện sắp tới của chúng tôi
• Đọc bài kế tiếp trong loạt Giải Mã Dữ Liệu về cách tránh bẫy thổi phồng AI