Python Data Science: Data Visualization

💡 Google Colab에서 작업한다면 해당 라이브러리들을 따로 설치할 필요가 없지만, 업데이트가 필요할 수 있다.

%pip install --upgrade plotly

Matplotlib

Matplotlib(맷플롯립)

• 정적인 이미지 형식의 그래프를 만드는 파이썬 라이브러리로, Pandas와 잘 맞는다.
• 그래프의 세부 요소를 세밀하게 제어할 수 있어 보고서, 논문 등에 사용
• Matplotlib cheatsheets and handouts에서 요약본 pdf 다운로드

pip install matplotlib            # 터미널에서 설치

import matplotlib.pyplot as plt

GRAPHS

💡 여러 개의 열(판다스 데이터프레임)을 한 차트에 표시하려면 for문으로 원하는 횟수만큼 차트 생성 메소드 호출

# e.g. 다중 선형 차트 생성
for column in df.columns:
    plt.plot(df.index, df[column], linewidth=2, label=df[column].name)

💡 단위가 다른 두 개의 개별 축을 한 차트에 표시하기

1. plt.gca() 으로 현재 활성화된 축(subplot) 가져오기(변수에 저장하여 1번째 Axes 객체 생성)
2. 1번째 Axes와 동일한 x축을 공유하면 Axes.twinx(), 동일한 y축을 공유하면 Axes.twiny() 으로 2번째 Axes 생성
3. 두 개의 축에 대해 각각 차트 생성 메소드 차트 호출

# e.g. 동일한 x축을 공유하는 두 y축
ax1 = plt.gca()                # gca = Get Current Axes
ax2 = ax1.twinx()

ax1.plot(x-data, y-data-a)     # 공유하는 축은 똑같이 설정
ax2.plot(x-data, y-data-b)

💡 서로 다른 타입의 차트를 한 차트에 겹쳐서 표시할 수 있다.

pyplot.plot()

• 꺾은선형 차트 생성
• 현재 활성화된 가로(x)축과 세로(y)축 순서대로 원하는 데이터 전달
• 차트를 스타일링하려면 먼저 스타일 지정 후, plot 함수로 차트 생성
• 파라미터
  • linewidth: 선 굵기 지정
  • label: 선에 이름 붙이기
  • color: 선 색상 지정
  • linewidth: 선 굵기 지정
  • linestyle: 선 스타일 지정
    • 'solid' 또는 '-' → ───────
    • 'dashed' 또는 '--' → ── ── ──
    • 'dotted' 또는 ':' → ············
    • 'dashdot' 또는 '-.' → ─·─·─·─·─·
    • 'None' 또는 '' → (선 없음)
  • marker: 선이 꺾이는 지점을 표시하는 도형 스타일 지정
    • '.' → •
    • ',' → ·
    • 'o' → ●
    • 's' → ■
    • '^' → ▲
    • 'v' → ▼
    • '<' → ◀
    • '>' → ▶
    • 'x' → ×
    • 'None' 또는 '' → (마커 없음)

pyplot.scatter()

• 점을 찍어 각 데이터의 값을 나타내는 산점도 차트 생성
• 현재 활성화된 가로(x)축과 세로(y)축 순서대로 원하는 데이터 전달
• 파라미터
  • alpha: 점의 투명도(중첩된 데이터의 시각화를 용이하게 만들기)
  • size: 점의 사이즈

pyplot.bar()

• 막대 차트 생성
• 현재 활성화된 가로(x)축과 세로(y)축 순서대로 원하는 데이터 전달

pyplot.show()

• 차트 생성 메소드를 호출한 위치의 바로 아래에 차트를 표시(현재까지 그려진 모든 플롯의 결과를 화면에 출력)
• 주피터와 같은 대화형 노트북이 아닌 곳에서 차트 생성시 유용하다.

pyplot.imshow()

• 이미지 데이터를 시각화하여 플롯에 그리는 역할
• 파라미터
  • cmap: 컬러 맵을 지정(e.g. gray는 색상 팔레트를 그레이스케일로 설정해서 흑백 이미지 출력)

STYLE

pyplot.title()

• 차트 제목 설정

pyplot.figure()

• 차트 사이즈 조정
• 파라미터
  • figsize: (너비, 높이) 값을 튜플로 전달
  • dpi: 해상도 조절

pyplot.grid()

• 차트 위에 회색 격자를 겹쳐서 표시
• 파라미터
  • color: 격자선 색 지정
  • linestyle: 격자선 스타일 지정

pyplot.xticks(), pyplot.yticks()

• x축, y축을 구성
• 파라미터
  • ticks:
    • x축, y축 눈금의 위치(빈 리스트 전달 시 모든 눈금 제거)
    • NumPy의 .arange() 활용 가능(e.g. np.arange(1900, 2025, step=5))
  • fontsize: 눈금의 글자 크기 조절
  • rotation: 눈금의 글자 기울기 조절(글씨가 길어서 서로 겹칠 경우 기울기 조정으로 해결 가능)

pyplot.xlabel(), pyplot.ylabel()

• 현재 활성화된 x축, y축에 제목 추가
• 파라미터
  • fontsize: 글자 크기 조절
  • color: 글자 색상 지정

pyplot.xlim(), pyplot.ylim()

• x축, y축의 상한 및 하한 설정(e.g. 값이 음수가 될 수 없는 경우 최저를 0으로 설정)
• 첫 번째 파라미터는 하한값, 두 번째 파라미터는 상한값

Axes.set_xlabel(), Axes.set_ylabel()

• 현재 활성화된 축이 아닌 특정 Axes 객체의 x축, y축에 제목을 추가
• 한 차트에서 여러 축을 표시해야 할 때 사용

Axes.invert_xaxis(), Axes.invert_yaxis()

• x축, y축을 반전(작은 값→큰 값에서 큰 값→작은 값으로 순서 변경)

SETTINGS

.legend()

• 각 데이터 시리즈의 레이블을 수집하여 범례를 생성
• 그래프 오른쪽 위(기본값)에 각 라인의 색상, 이름과 함께 표시됨
• 파라미터
  • fontsize: 글자 크기 조절
  • handles:
    • 범례에 표시하고 싶은 객체만 리스트로 전달
    • plot 객체가 반환하는 튜플에서 첫 번째 값(선, 점 등 그래프에 보여질 객체)만 handles에 전달됨

        ...
      
        black_line, = plt.plot( ... )    # 라인 객체 1 저장(, = 으로 반환값의 첫 번째 값만 저장)
        white_line, = plt.plot( ... )    # 라인 객체 2 저장(같은 축에 선을 하나 더 그림)
      
        plt.legend(handles=[black_line, white_line], fontsize=18)
        plt.show()
      

    • .legend()로 자동 생성하는 범례보다 더 세밀하게 제어할 수 있고, 생성한 객체에서 속성 변경으로 스타일을 관리할 수 있다.

.dates

• 맷플롯립의 날짜 표시 기능을 담당
• 차트의 축을 보기 쉽게 큰 눈금과 작은 눈금을 추가하는 로케이터를 추가할 수 있다.
  
  

import matplotlib.dates as mdates

years = mdates.YearLocator()              # 연도를 찾는 로케이터
months = mdates.MonthLocator()            # 월을 찾는 로케이터
years_fmt = mdates.DateFormatter('%Y')    # 날짜를 표시하는 방식을 지정(e.g. '%Y'는 연도를 2025로 표시)

• Axis.set_major_locator(): 큰 눈금의 위치 설정
• Axis.set_major_formatter(): 큰 눈금에 날짜를 표시하는 형식 지정
• Axis.set_minor_locator(): 작은 눈금의 위치 설정
• Axis.set_minor_formatter(): 작은 눈금에 날짜를 표시하는 형식 지정

---

Plotly

Plotly(플로틀리)
Zoom, Pan, Hover, Toggle 등을 수행할 수 있는 대화형 그래프를 생성하는 파이썬 라이브러리

pip install plotly             # 터미널에서 설치
pip install ipywidgets         # 주피터 노트북에서 사용할 경우 그래프를 제대로 표시하기 위해 권장

import plotly.express as px

GRAPHS

express.bar()

• Pandas DataFrame을 기반으로 간단하고 빠르게 막대 차트 생성
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • x: x축 데이터(카테고리 이름)
  • y: y축 데이터(수치형 데이터)
  • color: 색상으로 데이터를 구분하여 보여줄 열(한 막대를 값에 따라 여러 색깔로 분할할 수 있음)
  • color_continuous_scale: 값에 따라 변하는 색상 스케일 설정
  • orientation: 막대 방향 지정('v'는 세로, ‘h’`는 가로)
  • barmode: 막대의 표시 방식(e.g. 'group'은 한 카테고리에 대한 여러 데이터가 옆에 나란히 배치됨)
  • width, height: 차트의 너비 및 높이(픽셀)
  • hover_name: 점 위에 마우스를 올릴 때 표시될 추가 정보

express.scatter()

• Pandas DataFrame을 기반으로 간단하고 빠르게 산점도 차트 생성
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • x: x축 데이터(카테고리 이름)
  • y: y축 데이터(수치형 데이터)
  • size: 각 점의 크기를 나타낼 수치형 데이터
  • color: 색상으로 데이터를 구별하여 보여줄 열
  • hover_name: 점 위에 마우스를 올릴 때 표시될 추가 정보

express.line()

• Pandas DataFrame을 기반으로 간단하고 빠르게 선형 차트 생성
• Line Charts in Python 참고
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • x: x축 데이터(카테고리 이름)
  • y: y축 데이터(수치형 데이터)
  • color: 색상으로 데이터를 구별하여 보여줄 열(여러 개의 선을 한 차트에 표시할 수 있다.)

express.box()

• Pandas DataFrame을 기반으로 간단하고 빠르게 상자 차트 생성
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • x: x축 데이터(카테고리 이름)
  • y: y축 데이터(수치형 데이터)
  • color: 각 상자의 색상을 나타낼 데이터
  • notched: 상자 위아래에 홈 추가 여부(두 박스가 겹치는지 확인하거나 중앙값의 신뢰 구간 확인에 유용)
  • points: 이상치(outliers, 박스를 벗어난 데이터) 표시 방법(e.g. all은 모든 이상치를 점으로 표시)

express.histogram()

• 히스토그램 생성
• Histograms in Python 참고
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • x: x축 데이터(카테고리 이름)
  • y: y축 데이터(수치형 데이터)
  • nbins: 히스토그램의 빈(bin)개수를 설정(e.g. 30일 경우 데이터를 30개의 구간으로 나눔)
  • color: 각 막대의 색상을 나타낼 데이터
  • opacity: 막대의 투명도 설정(겹치는 구간에서 투명하게 보여서 쉽게 구분할 수 있다.)
  • barmode: 막대의 표시 방식(e.g. 'overlay'는 한 카테고리에 대한 여러 데이터가 겹쳐서 표시됨)
  • histnorm: y축 값을 퍼센트로 정규화(수치가 크게 다른 값끼리 비교할 때 유용)
  • marginal: 차트 위나 옆에 추가적인 그래프 제공(e.g. 'box'는 박스 플롯 추가)

express.pie()

• Pandas DataFrame을 기반으로 간단하고 빠르게 파이 차트 생성
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • names: 데이터프레임의 열 이름을 사용하여 파이 조각에 이름을 지정
  • labels: 가독성을 위해 names보다 간결하거나 읽기 쉬운 이름을 리스트 또는 딕셔너리로 전달
  • values: 파이 조각의 크기(비율) 지정
  • hole: 차트 가운데 동그랗게 빈 공간을 추가하고 크기 조절(도넛 차트로 변경됨)
  • width, height: 차트의 너비 및 높이(픽셀)

express.sunburst()

• Pandas DataFrame을 기반으로 간단하고 빠르게 햇살형 차트 생성
• 계층적 데이터를 원형으로 시각화
  (e.g. 1번째 레벨: 'Region', 2번째 레벨: 'Country', 3번째 레벨: 'City', 각 섹션의 크기: 'Population')
• Sunburst Charts in Python 참고
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • path: 계층적 데이터의 열 이름을 리스트로 지정
  • values: 각 섹션의 크기를 결정하는 데이터
  • color 각 섹션의 색상을 나타낼 데이터

express.choropleth()

• 지역 데이터를 시각화할 수 있는 색상 지도(choropleth map) 생성
• Choropleth Maps in Python 참고
• 파라미터
  • title: 차트 제목
  • data_frame: 데이터프레임 또는 딕셔너리(생략 가능)
  • locations: 지역을 나타내는 값이 저장된 열
  • locationmode: locations 값의 형식 지정
    • 'ISO-3': 3글자 ISO 국가 코드(기본값)
    • 'USA-states': 미국 주 이름
    • 'country names': 국가 이름
  • hover_name: 마우스를 올렸을 때 표시될 텍스트
  • hover_data: 마우스를 올렸을 때 추가로 표시할 데이터(열 이름들을 리스트로 전달 가능)
  • color: 각 지역의 색상을 나타낼 데이터

Figure.show()

• 생성된 그래프 개체를 graph_objects로 표시

STYLE

💡 그래프 생성 메소드의 파라미터에 없는 부분을 구성하려면 먼저 그래프 객체를 만든 후 필요한 메소드 호출

Figure.update_traces()

• trace는 그래프에서 데이터의 시각적 표현에 관련된 속성의 집합
• 파라미터
  • textposition: 텍스트 위치 변경(e.g. 파이 차트 바깥 또는 안에 포함)
  • textinfo: 텍스트 표시 방법 변경(e.g. 레이블과 퍼센트의 조합)

Figure.update_layout()

• 그래프의 전반적인 레이아웃 설정 변경
• 파라미터
  • title: 그래프의 제목
  • xaxis_title: x축 제목
  • yaxis_title: y축 제목
  • xaxis: x축의 레이아웃 설정
    • {'categoryorder':'min ascending'}: 각 범주에서 가장 작은 값을 기준으로 범주를 오름차순 정렬
    • {'categoryorder':'max ascending'}: 각 범주에서 가장 큰 값을 기준으로 범주를 오름차순 정렬
  • yaxis: y축의 레이아웃 설정
    (e.g. dict(type="선형,로그,날짜,범주 등 스케일", showgrid="그리드 표시 여부"))
  • plot_bgcolor: 그래프의 배경색
  • paper_bgcolor: 전체 배경색
  • coloraxis_showscale: 그래프 생성 시 color_continuous_scale로 설정한 색상 스케일 축 표시 여부
  • legend: 범례의 레이아웃 설정
    (e.g. dict(title="제목", orientation="표시 방향", x=x축 위치, y=y축 위치, xanchor="위치 기준"))

---

Seaborn

Seaborn(씨본)
Matplotlib을 기반으로 한 파이썬 라이브러리로, 더 많은 기능과 세련된 디자인을 제공

pip install seaborn         # 터미널에서 설치

import seaborn as sns       # 관례적으로 sns라는 이름으로 임포트

GRAPHS

💡 한 차트에 여러 그래프를 그리려면 차트 생성 메소드를 원하는 만큼 호출

.scatterplot()

• 산점도 차트 생성
• 파라미터
  • data: 판다스 데이터프레임
  • x: x축 데이터로 사용할 열
  • y: y축 데이터로 사용할 열
  • hue: 지정한 값을 기준으로 점의 색상 결정(큰 값일수록 진한 색)
  • palette: hue의 색상 그라데이션을 변경할 컬러맵(colormap) 지정
  • size: 지정한 값을 기준으로 점의 크기 결정

.regplot()

• 산점도 + 선형 회귀선(점들 사이의 선형 관계를 나타내는 직선)을 함께 표시하는 차트 생성
• 파라미터
  • data: 판다스 데이터프레임
  • x: x축 데이터로 사용할 열
  • y: y축 데이터로 사용할 열
  • lowess:
    • Locally Weighted Scatterplot Smoothing의 약자
    • True로 설정하면 선형 회귀 대신 국소 회귀를 사용하여 더 부드럽고 자연스러운 추세선을 그릴 수 있다.
  • scatter_kws: 점의 스타일을 설정하는 딕셔너리
    • {'alpha': 투명도(0은 투명, 1은 불투명}
    • {'color': 색상}
    • {'s': 크기}
    • {'marker': 모양}
    • {'linewidth': 테두리 두께}
    • {'edgecolor': 테두리 색상}
  • line_kws: 회귀선의 스타일을 설정하는 딕셔너리
    • {'color': 색상}
    • {'alpha': 투명도}
    • {'linewidth': 두께}
    • {'linestyle': 스타일}

.lmplot()

• .regplot()의 확장 형태로, 선형 회귀선이나 국소 회귀선에 대한 여러 조건 설정 가능
• 파라미터
  • row: 지정된 열을 기준으로 서브플롯을 생성하여 행으로 배치(가로로 나열됨)
  • col: 지정된 열을 기준으로 서브플롯을 생성하여 열로 배치(세로로 나열됨)
  • aspect: 각 플롯의 가로 세로 비율 설정
  • hue: 색상으로 그룹을 구분할 열 지정(row, col처럼 서브플롯을 생성하지 않고 한 차트에 모두 표시)

.histplot()

• 히스토그램 생성
• 데이터를 구간(bin)으로 나누고 각 구간에 포함된 데이터의 개수를 막대로 표현
• 파라미터
  • data: 판다스 데이터프레임
  • x: x축 데이터로 사용할 열(x축은 bins를 나타내고 y축은 해당 구간에 속한 데이터의 개수나 밀도가 됨)
  • bins: 데이터를 나누는 구간의 개수(데이터에 따라 적절히 설정해야 한다.)

.kdeplot()

• 커널 밀도 추정(Kernel Density Estimation, KDE) 그래프 생성
• 데이터의 분포를 부드러운 곡선 형태로 추정하는 데 사용
• 파라미터
  • data: 판다스 데이터프레임
  • x: x축 데이터로 사용할 열
  • shade: True로 설정하면 각 분포 아래(곡선 안쪽)를 색으로 채운다(겹치는 영역 확인에 용이).
  • clip: x축 값의 범위를 제한(e.g. (0, 1)는 KDE 곡선을 0에서 1 사이의 범위로 제한)

.boxplot()

• 박스 차트 생성
• 구성 요소
  • Box: 데이터의 중앙 50%를 나타냄(박스의 상단은 세 번째 사분위수, 하단은 첫 번째 사분위수가 된다.)
  • Median: 박스 안의 가로선은 데이터의 중앙값(두 번째 사분위수)
  • Whiskers: 박스에서 벗어나는 선들은 데이터를 1.5배 IQR 범위 내로 확장한 부분
  • Outliers: 수염(Whiskers) 끝을 넘어서는 점들(원과 같은 기호로 표시)
• 파라미터
  • data: 판다스 데이터프레임
  • x: x축 데이터로 사용할 열
  • y: y축 데이터로 사용할 열
    

STYLE

💡 Seaborn은 Matplotlib 기반이기 때문에 맷플롯립 레이어에서도 차트를 구성할 수 있다.
💡 차트 생성 메소드가 반환하는 맷플롯립의 Axes 객체를 구성하여 스타일 지정하기
💡 모든 차트가 아닌 특정 차트에만 스타일을 설정하려면 파이썬 with 키워드 사용

plt.figure(figsize=(8, 4), dpi=200)       # 1. 먼저 맷플롯립으로 차트 크기와 해상도 조절

with sns.axes_style('darkgrid'):          # (with 블록 내에서만 유효한 스타일 변경)
   ax = sns.scatterplot(data=df,             # 2. 씨본으로 Axes 객체 생성
                        x='column_a',
                        y='column_b')

   ax.set(ylim=(0, 100000),                  # 3. 맷플롯립 레이어에서 축 한계와 레이블 등 설정
          xlim=(0, 300000),
          xlabel='A',
          ylabel='B')

plt.show()                                   # 4. 맷플롯립으로 차트 출력   

.axes_style()

• 차트의 전체적인 테마 변경
• “darkgrid”, “whitegrid”, “dark”, “white”, “ticks” 중 선택

References

1. Angela Yu, [Python 부트캠프 : 100개의 프로젝트로 Python 개발 완전 정복], Udemy, https://www.udemy.com/course/best-100-days-python/?couponCode=ST3MT72524
2. [API Reference], https://matplotlib.org/stable/api/index.html
3. [Python API reference for plotly], https://plotly.com/python-api-reference/
4. [API reference], https://seaborn.pydata.org/api.html