Matplotlibでfigureサイズや解像度（dpi）を指定して見やすいグラフを作る方法
生徒
「figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法をPythonで学びたいです。コードを動かしながら理解できますか？」
先生
「できます。Matplotlib可視化は、説明だけでなく、サンプルコード、入力データ、実行結果、エラーの確認をセットで見ると理解しやすくなります。」
生徒
「実務データで使うときの注意点も知りたいです。」
先生
「では、figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を小さなコードから試し、最後に検証と保守しやすい書き方まで見ていきましょう。」
1. figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法をPython可視化で使う前に整理すること
figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を学ぶときは、まず目的を整理します。Matplotlib可視化では、処理そのものだけでなく、どんなデータを入力し、どんな形で結果を確認するかが重要です。
この記事で意識したいキーワードは、matplotlib、seaborn、figure、axes、xlabel、ylabel、legend、savefigです。Pythonのデータ分析では、コードが短くても、型、shape、列名、欠損値、保存形式を見落とすと結果がずれることがあります。
| 確認項目 | 見るポイント |
|---|---|
| 入力データ | 行数、列名、shape、データ型、欠損値を確認する |
| 処理内容 | 抽出、集計、変換、描画のどこを行っているか分ける |
| 出力結果 | 表、配列、グラフ、保存ファイルのどれを確認するか決める |
2. figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を最小コードで描画して確認する
まずは、figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を最小コードで確認します。いきなり大きなCSVや業務データを使うのではなく、小さなデータを自分で作ると、処理の意味を追いやすくなります。
Matplotlibで基本グラフを描くコード
import matplotlib.pyplot as plt
months = ["2026-07", "2026-08", "2026-09"]
sales = [120, 150, 180]
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(months, sales, marker="o", label="sales")
ax.set_title("Monthly sales")
ax.set_xlabel("month")
ax.set_ylabel("sales")
ax.legend()
plt.tight_layout()
plt.show()月ごとの売上推移を折れ線グラフとして表示できます。
実行したら、出力された値をそのまま眺めるだけでなく、入力データを1つ変更して結果がどう変わるかを確認しましょう。
3. DataFrame・配列・ラベルを整えてグラフを見やすくする
Pythonのデータ処理では、入力データの状態がとても重要です。列名、データ型、shape、欠損値を確認しないまま処理すると、エラーが出なくても間違った結果になることがあります。
棒グラフと色を指定するコード
fig, ax = plt.subplots(figsize=(8, 4))
ax.bar(months, sales, color=["#4e79a7", "#59a14f", "#f28e2b"])
ax.set_title("Sales by month")
ax.grid(axis="y", alpha=0.3)
plt.tight_layout()
plt.show()この段階では、処理を速く書くことよりも、想定したデータ構造になっているかを見ることが大切です。実務ではファイルの列順や型が変わることもあるため、確認コードを残しておくと安心です。
- 列名やshapeをprintしてから処理する
- 数値列と文字列列を区別する
- 欠損値や重複が結果へ影響しないか確認する
4. figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法で起きやすいエラーと表示崩れの直し方
figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法でエラーが出る場合は、コード全体を疑うのではなく、入力データ、型、shape、列名、保存先を分けて確認します。特にPandasでは列名違い、NumPyでは次元違い、可視化ではx軸とy軸の件数違いがよくあります。
グラフ作成前にデータ件数を確認するコード
if len(months) != len(sales):
raise ValueError("x軸とy軸の件数が一致していません")
if not sales:
raise ValueError("グラフにするデータが空です")このような確認コードを先に入れておくと、処理の途中で問題を見つけやすくなります。エラーが起きた場所だけでなく、その前のデータ状態を見ることが大切です。
5. 実務データに近い可視化コードへ発展させる
基本が理解できたら、次は実務データに近いコードへ広げます。figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法は、単体の処理だけでなく、前処理、検証、出力までつなげると実務で使いやすくなります。
グラフを保存するコード
fig.savefig("monthly_sales.png", dpi=150, bbox_inches="tight")発展コードでは、あとから条件を変更しやすいように、変数名や処理の単位を分けています。分析や集計では、処理を1行に詰め込むよりも、途中結果を確認できる書き方が安全です。
6. 保存・サイズ・色・凡例を確認して品質を上げる
figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を使ったあとは、処理結果が正しいかを確認します。Pythonでは、実行できたことと、結果が正しいことは別です。件数、合計、最大値、欠損値、保存ファイルを確認しましょう。
python chart_sample.py
python -m pip install matplotlib pandas seabornライブラリを使う場合は、実行環境も確認します。ローカル環境、Jupyter Notebook、サーバー環境でバージョンが違うと、同じコードでも動きが変わることがあります。
| 検証方法 | 具体例 |
|---|---|
| 件数確認 | 処理前後の行数やshapeを比較する |
| 値の確認 | 合計、平均、最大値、欠損数を確認する |
| 再実行 | 同じコードをもう一度動かして結果が安定するか見る |
7. figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法をレポートや分析で使いやすくする設計
保守しやすいPythonコードにするには、figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法の処理を一つの長いセルや関数に詰め込みすぎないことが大切です。読み込み、前処理、計算、検証、出力を分けると、後から条件変更しやすくなります。
- 入力データを読み込む処理を分ける
- 欠損値や型を整える処理を分ける
- 集計や変換の処理を分ける
- 結果確認や保存処理を分ける
実務では、今日だけ動くコードよりも、1か月後に見ても意味が分かるコードが重要です。コメントを増やすだけでなく、変数名と処理の分割で意図を伝えましょう。
8. 復習用の変更課題と次に試すPythonコード
最後に、figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を自分で変更して復習しましょう。コードを写すだけで終わると、入力が変わったときに対応できません。値、列名、件数、保存先を変えて確認することが大切です。
- サンプルデータの件数を増やして実行する
- 欠損値や異常値を追加して結果を見る
- 列名やshapeが違う場合のエラーを確認する
- 結果をCSVや画像として保存して確認する
ここまで確認できれば、figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法は単なる知識ではなく、自分のデータで使えるPythonの実装パターンとして身につきます。
まとめ
figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法を理解するには、Matplotlib可視化の用語だけでなく、入力データ、コード、実行結果、エラー確認をセットで振り返ることが大切です。関連キーワードは、matplotlib、seaborn、figure、axes、xlabel、ylabel、legend、savefigです。
記事1では、前提知識、最小コード、入力データの確認、エラーの切り分け、実務データに近いコード、検証方法まで確認しました。復習するときは、サンプルコードの値や列名を変えて、結果がどう変わるかを見てください。
もう一度確認したいPythonコード
import matplotlib.pyplot as plt
months = ["2026-07", "2026-08", "2026-09"]
sales = [120, 150, 180]
fig, ax = plt.subplots(figsize=(8, 4))
ax.plot(months, sales, marker="o", label="sales")
ax.set_title("Monthly sales")
ax.set_xlabel("month")
ax.set_ylabel("sales")
ax.legend()
plt.tight_layout()
plt.show()月ごとの売上推移を折れ線グラフとして表示できます。
生徒
「figureサイズや解像度（dpi）を指定して見やすいグラフを作る方法は、コードだけでなくデータの状態も見る必要があるんですね。」
先生
「その通りです。Pythonのデータ処理では、入力データの確認が結果の正しさにつながります。」
生徒
「次は欠損値や型違いのデータも入れて、結果がどう変わるか試してみます。」
先生
「良い進め方です。小さく試してから実務データへ広げると、安全に理解できます。」
