DA Study/Data Analytics

[데이터 시각화] Matplotlib으로 데이터 시각화하기

harrym8n 2024. 12. 17. 16:37

데이터 시각화 심화 - `Matplotlib`

파이썬에서 가장 기본적인 시각화 라이브러리로, 다양한 기능을 제공

1) Matplotlib의 두 가지 인터페이스

주요 동작 방식

State-based 인터페이스
- 필요한 명령어만으로 간결하게 그래프를 그릴 수 있는 방식
- 현재 상태를 기반으로 동작을 추정해, 더 적은 코드로 그래프를 그림
- 장점: 코드가 간결하고 빠르게 시각화할 수 있음
Object-oriented 인터페이스
- 그래프의 각 요소를 세부적으로 조정하며, 명확히 지시하는 방식
- 더 복잡한 명령과 다중 그래프를 다루는 데 유리
- 장점: 세밀한 제어가 가능하고, 여러 그래프를 명확하게 처리 가능

두 인터페이스의 차이

Object-oriented 방식: 먼저 캔버스를 생성한 후, 그 위에 그래프를 그리는 방식
- 이름을 외우는 것이 아니라, 객체를 선언(fig, axes 등)하는 방식이라는 뜻
- fig: 그림을 그릴 공간
- ax : 캔버스

# matplotlib 라이브러리 호출
import matplotlib.pyplot as plt

# 공간과 캔버스 생성
fig, ax = plt.subplots() # 틀 생성 / # subplot인자에 아무 값이 없으면 기본값인 그래프 1개를 한 공간에 그림

# 위 코드와 똑같음
fig = plt.figure()
ax =fig.subplots() # 그래프 1개이니까 한 공간에 하나의 그래프만 그릴거라서 아래와 같이 나옴

fig, ax = plt.subplots() # 틀 생성
ax.plot([1,2,3,4],[0,0.5,1,0.2]) # 캔버스에 그래프 그리기
plt.show()

한 공간에 그래프 여러개 그릴 수 있다!
- 공간이 2차원 numpy array 형식이 된다.
- 따라서 그래프 그릴 때 위치를 array 위치 지정할 때처럼 지정해줘야함 ex) ax[0,0], ax[1,0] ...
- state based 인터페이스로는 한 공간에 여러 그래프 못그림

# 한 공간에 그래프 여러개 그리기
fig, ax = plt.subplots(2,2) # 2x2 틀 생성
ax[0,0].plot([1,2,3,4],[0,0.5,1,0.2]) # 2차원 행렬에 좌표 지정하여 캔버스에 그래프 그리기
plt.show()

Object-oriented 방식을 배워야 하는 이유

여러 그래프를 처리하는 상황에서 유리.
- 캔버스가 여러 개일 때, 각각을 명확하게 다룰 수 있음
Matplotlib의 확장성 활용.
- Matplotlib은 pandas의 plot() 함수나 seaborn 그래프의 기반이 되는(어머니격) 라이브러리로, 이를 커스터마이징할 때 유용하게 사용

2) Object-oriented 인터페이스

Figure: 그림 공간, 그래프가 그려질 빈 공간을 의미하는 최상위 객체. 하나 이상의 Axes를 포함할 수 있음
Axes: 캔버스, Figure 내에 위치하며, 하나의 그래프가 그려지는 캔버스 역할(원칙: 1캔버스-1그래프)

두 줄 방식:

  # 상위 개념, 그림 공간 생성
  fig = plt.figure()

  # 그래프를 그리기 위한, 캔버스 생성
  ax = fig.subplots()

# 아래 두 코드는 동일한 코드
#1
fig = plt.figure()
ax = fig.subplots()

#2
fig, ax = plt.subplots()

그래프 예시

라인 그래프
```
import numpy as np
```

fig, ax = plt.subplots()

데이터 설정

year_array = np.array([2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020])
stock_array = np.array([14.46, 19.01, 20.04, 27.59, 26.32, 28.96, 42.31, 39.44, 73.41, 132.69])

ax.plot(year_array, stock_array)
plt.show()

![](https://velog.velcdn.com/images/harrym8n/post/2ceea334-1c64-442a-96b2-47933d74147b/image.png)

- 막대 그래프
```python
# 그래프 공간, 캔버스 설정
fig, ax = plt.subplots()

# 데이터 설정
name_array = np.array(['jimin', 'dongwook', 'hyojun', 'sowon', 'taeho'])
votes_array = np.array([5, 10, 6, 8, 3])

# 시각화
ax.bar(name_array, votes_array)
plt.show()

산점도
```
fig, ax = plt.subplots()
```

데이터 설정

height_array = np.array([165, 164, 155, 151, 157, 162, 155, 157, 165, 162, 165, 167, 167, 183, 180, 184, 177, 178, 175, 181, 172, 173, 169, 172, 177, 178, 185, 186, 190, 187])
weight_array = np.array([ 62, 59, 57, 55, 60, 58, 51, 56, 68, 64, 57, 58, 64, 79, 73, 76, 61, 65, 83, 80, 67, 82, 88, 62, 61, 79, 81, 68, 83, 80])

시각화

ax.scatter(x=height_array,y=weight_array)
plt.show()

![](https://velog.velcdn.com/images/harrym8n/post/4ea4bb72-c27f-45b1-9c3d-6f7f2b40e242/image.png)

## 3) Matplotlib 그래프 구성 요소


#### 그래프의 주요 구성 요소

- `Figure`: 그림 공간, 그래프가 그려지는 최상위 객체. `하나 이상의 Axes를 포함`할 수 있음
- `Axes`: 캔버스, 그래프가 실제로 그려지는 영역으로 각 **Axes**(복수)에는 x축(x_ax)과 y(y_ax)축이 포함됨
#### x축과 y축의 구성 요소

- **눈금(Ticks)**: 

  - `메이저 눈금`: 기본적인 `큰 단위`의 눈금

  - `마이너 눈금`: 메이저 눈금 사이의 `세부 단위` 눈금

  - 눈금의 **간격** 과 **라벨(Tick Labels)** 은 자유롭게 커스터마이징 가능
#### 기타 Axes 구성 요소

- **Spine**: 데이터 영역을 둘러싼 `경계선`으로, `상하좌우 네 곳`에 위치

  - Spine은 독립적으로 조정 가능하며, 필요에 따라 `특정 Spine만 제거`할 수 있음
    - 깔끔하게, 위/오른쪽만 제거 가능


- **Grid**: `데이터 포인트의 위치를 쉽게 파악`할 수 있도록 그려지는 격자선
  - 메이저 및 마이너 눈금에 맞춰 배치되며, `필요에 따라 x축 또는 y축에만` 적용 가능

- **범례(Legend)**: `여러 데이터 계열이 포함`된 그래프에서 각 계열의 의미를 나타내는 표식.
  - 범례는 데이터 계열이 `둘 이상일 경우 필수적`으로 포함하는 것이 좋음.
## 4) 상세 그래프 그리기
#### 기본 그래프 그리기
```python
import pandas as pd

# 데이터 셋 준비
birth_df = pd.read_csv("./data/birth_rate.csv")

# 25-29세 / 30-34세 데이터만 필터링
birth_25_29 = birth_df.query('연령대 == "25-29세"')
birth_30_34 = birth_df.query('연령대 == "30-34세"')

fig, ax = plt.subplots()

# x,y를 위치변수로만 받음
ax.plot('시점','여성 천명당 출생아수', data=birth_25_29)
ax.plot('시점','여성 천명당 출생아수', data=birth_30_34)
plt.show()

범례 추가하기

ax.plot에 label 변수 추가

ax.legend() 코드 추가

plt.rc('font',family='AppleGothic')
fig, ax = plt.subplots()

x,y를 위치변수로만 받음

ax.plot('시점','여성 천명당 출생아수', data=birth_25_29, label='25-29세')
ax.plot('시점','여성 천명당 출생아수', data=birth_30_34, label='30-34세')

범례 추가

ax.legend()
plt.show()

#### 제목 및 라벨 추가하기
- 이전에 사용했던 기본 메서드에 `"set_"`가 추가된다.
    - ex) plt.title > plt.set_title / plt.xlabel > plt.set_xlabel
fig, ax = plt.subplots()

```python
# x,y를 위치변수로만 받음
ax.plot('시점','여성 천명당 출생아수', data=birth_25_29, label='25-29세')
ax.plot('시점','여성 천명당 출생아수', data=birth_30_34, label='30-34세')

# 범례추가
ax.legend()

# 제목 및 축 레이블 추가
ax.set_title('여성 천명당 출생아수: 연령대별 추이')
ax.set_xlabel('연도')
ax.set_ylabel('여성 천명당 출생아수')

plt.show()

x축 눈금 라벨 변경 및 회전시키기

set_xticks, set_yticks
rotation 인자 활용하여 회전
fig, ax = plt.subplots()

# x,y를 위치변수로만 받음
ax.plot('시점','여성 천명당 출생아수', data=birth_25_29, label='25-29세')
ax.plot('시점','여성 천명당 출생아수', data=birth_30_34, label='30-34세')

# 범례추가
ax.legend()

# 제목 및 축 레이블 추가
ax.set_title('여성 천명당 출생아수: 연령대별 추이')
ax.set_xlabel('연도')
ax.set_ylabel('여성 천명당 출생아수')

# 눈금 라벨 변경
ax.set_yticks(np.arange(0,100+1,10)) # np.arange를 활용하여 간격 쉽계 표시
## 인자 넣기 (본래의 값, 각 인덱스에 대응되는 변경하고자 하는 값, 회전 30도)
ax.set_xticks(birth_25_29['시점'], labels=[f'{y}년' for y in birth_25_29['시점']],rotation=30)

plt.show()

Spine 숨기기

import numpy as np

fig, ax = plt.subplots()
# x,y를 위치변수로만 받는다! (키워드 변수X)
ax.plot('시점', '여성 천명당 출생아수', data=birth_25_29, label='25~29세')
ax.plot('시점', '여성 천명당 출생아수', data=birth_30_34, label='30~34세')

# 범례 추가
ax.legend()

#제목 및 축레이블 추가
ax.set_title('여성 천명당 출생아수: 연령대별 추이')
ax.set_xlabel('연도')
ax.set_ylabel('여성 천명당 출생아수')

# y축 눈금 설정
ax.set_yticks(np.arange(0, 100+1, 10))

# x축 눈금 설정 및 회전
ax.set_xticks(birth_25_29['시점'], labels=[f'{y}년' for y in birth_25_29['시점']], rotation=30)

# spine 숨기기
# ax.spines.top.set_visible(False) # 위쪽 spine
# ax.spines.right.set_visible(False) # 오른쪽 spine
ax.spines[['top','right']].set_visible(False) # 한번에 지정

plt.show()

Grid 추가하기

ax.grid(axis='남길축')
```
import numpy as np
```

fig, ax = plt.subplots()

x,y를 위치변수로만 받는다! (키워드 변수X)

ax.plot('시점', '여성 천명당 출생아수', data=birth_25_29, label='2529세')
ax.plot('시점', '여성 천명당 출생아수', data=birth_30_34, label='3034세')

범례 추가

ax.legend()

제목 및 축레이블 추가

ax.set_title('여성 천명당 출생아수: 연령대별 추이')
ax.set_xlabel('연도')
ax.set_ylabel('여성 천명당 출생아수')

y축 눈금 설정

ax.set_yticks(np.arange(0, 100+1, 10))

x축 눈금 설정 및 회전

ax.set_xticks(birth_25_29['시점'], labels=[f'{y}년' for y in birth_25_29['시점']], rotation=30)

spine 숨기기

ax.spines[['top','right']].set_visible(False)

Grid 그리기

ax.grid(axis='y', alpha=.8, linestyle=':', color='lightgrey')

plt.show()

#### 그래프 스타일 조정
- 각각의 라인 스타일 다르게 설정

```python
import numpy as np

fig, ax = plt.subplots(figsize=(10,6))

# x,y를 위치변수로만 받는다! (키워드 변수X)
# 라인 너비, 스타일, 컬러 설정
ax.plot('시점', '여성 천명당 출생아수', data=birth_25_29, label='25~29세', linewidth=2, linestyle='--')
ax.plot('시점', '여성 천명당 출생아수', data=birth_30_34, label='30~34세', color='skyblue',marker='o')

# 범례 추가
ax.legend()

# 제목 및 축레이블 추가
ax.set_title('여성 천명당 출생아수: 연령대별 추이')
ax.set_xlabel('연도')
ax.set_ylabel('여성 천명당 출생아수')

# y축 눈금 설정
ax.set_yticks(np.arange(0, 100+1, 10))

# x축 눈금 설정 및 회전
ax.set_xticks(birth_25_29['시점'], labels=[f'{y}년' for y in birth_25_29['시점']], rotation=30)

# spine 숨기기
ax.spines[['top','right']].set_visible(False)

# Grid 그리기
ax.grid(axis='y', alpha=.8, linestyle=':', color='lightgrey')

plt.show()

5) 한 화면에 여러개 그래프 그리기

컬럼값	설명
FB (Meta Platforms Inc.)	소셜 네트워킹 서비스 페이스북과 인스타그램을 운영하는 글로벌 기술 기업
TWTR (Twitter Inc.)	280자 이내의 짧은 메시지를 통해 실시간 소통이 가능한 소셜 미디어 플랫폼을 제공
ETSY (Etsy Inc.)	수공예품과 빈티지 아이템을 거래하는 온라인 마켓플레이스
SNAP (Snap Inc.)	사진과 동영상을 공유하는 소셜 미디어 앱 스냅챗을 운영하는 기업
PINS (Pinterest Inc.)	사용자들이 관심 있는 이미지를 수집하고 공유할 수 있는 시각적 소셜 네트워크 플랫폼

# 데이터 셋 불러오기
sns_df = pd.read_csv('./data/social_media_stocks.csv')
print(sns_df['Symbol'].unique())
sns_df.head(3)
- 연도별 평균 주식 종가를 계산하고 Meta, X 데이터 준비
sns_df['Year'] = sns_df['Date'].str.split('-',expand=True)[0] # 연도만 남기도록 데이터 전처리 > expand=True 를 통해 데이터프레임으로 만든후 처리

# 연도별 종목별 평균 종가 데이터 프레임 생성
sns_close_df = sns_df.groupby(['Year','Symbol'])[['Close']].mean()

# FB만 선택
# sns_close_df.loc[(slice(None),'FB'),:] # 멀티 인덱싱
fb_stock_df = sns_close_df.query("Symbol == 'FB'") # query 사용
twtr_stock_df = sns_close_df.query("Symbol == 'TWTR'")
fb_stock_df = fb_stock_df.reset_index()
twtr_stock_df = twtr_stock_df.reset_index()

두개의 Axes 생성하기

fig, (ax1,ax2) = plt.subplots(1,2,figsize=(12,4))

# ax1 그리기
ax1.plot('Year','Close', data=fb_stock_df)

# ax2 그리기
ax2.plot('Year','Close', data=twtr_stock_df)

plt.show()

두 Axes 커스터마이징

fig, (ax1,ax2) = plt.subplots(1,2,figsize=(12,4))

# ax1 그리기
ax1.plot('Year','Close', data=fb_stock_df)

# ax2 그리기
ax2.plot('Year','Close', data=twtr_stock_df)

# 1번째 캔버스(ax1) 제목, x/y레이블, 그리드, 스파인
ax1.set_title('Yearly Average Close Price of FB')
ax1.set_xlabel('Year')
ax1.set_ylabel('Average Stock Close Price')
ax1.grid(axis='y', linestyle='--', color='lightgrey')
ax1.spines[['top', 'right']].set_visible(False)

# 2번째 캔버스(ax2) 제목, x/y레이블, 그리드, 스파인
ax2.set_title('Yearly Average Close Price of FB')
ax2.set_xlabel('Year')
ax2.set_ylabel('Average Stock Close Price')
ax2.grid(axis='y', linestyle='--', color='lightgrey')
ax2.spines[['top', 'right']].set_visible(False)

plt.show()

반복 코드 간결화하기

for문 사용하여 여러개 ax 그리기
for문으로 한꺼번에 그래프 그리더라도 패키징 사용하여 각 그래프마다 설정 다르게 할 수 있음
- datasets로 각 ax에 해당하는 패키징 만들고 for문으로 같이 반복 실행하기
```
fig, axes = plt.subplots(1,2,figsize=(12,4))
```

각 그래프에 고유하게 설정될 요소들 패키징

datasets = [
('Title of FB', fb_stock_df, 'red'), #ax1
('Title of TWTR', twtr_stock_df, 'blue') #ax2
]

반복문으로 그래프 그리기

for ax,(title, df, color) in zip(axes,datasets):
ax.plot('Year','Close',data=df,color=color)
ax.set_title(title)
ax.set_xlabel('Year')
ax.set_ylabel('Average Stock Close Price')
ax.grid(axis='y', linestyle=':',color='lightgrey')
ax.spines[['top','right']].set_visible(False)

plt.show()


### 3개의 Axes와 축 공유
- x축 공유
    ```python
    sharex=True
    ```
- y축 공유
    ```python
    sharey=False
    ```
```python
# SNAP도 데이터 프레임 생성
snap_stock_df = sns_close_df.query("Symbol == 'SNAP'")
snap_stock_df = snap_stock_df.reset_index()
snap_stock_df.head(3)
# sharex를 통해 x 축 공유
fig, axes = plt.subplots(3,1,sharex=True,figsize=(8,10))


# 데이터 셋 패키징
datasets =[
    fb_stock_df,
    twtr_stock_df,
    snap_stock_df
]

# 한번에 그리기, 
for ax, df in zip(axes,datasets):
    ax.plot('Year', 'Close', data = df )
    # ax.title
    # ax.set_xlabel
    # ax.set_ylabel

plt.show()

전체 Figure 커스터마이징

suptitle 전체 Figure의 타이틀
supxlabel 전체 Figure의 x 레이블
supylabel 전체 Figure의 y 레이블

# sharex를 통해 x 축 공유
fig, axes = plt.subplots(3,1,sharex=True,figsize=(8,10))

# 전체 Figure 제목 및 라벨 추가
fig.suptitle('Yearly Average Close Price', fontsize=16)
fig.supxlabel('Year')
fig.supylabel('Averaged Stock Close Price')


# 데이터 셋 패키징
datasets =[
    (fb_stock_df, 'teal', 'o' ,'FB'),
    (twtr_stock_df, 'palevioletred', 'x', 'TWTR'),
    (snap_stock_df, 'goldenrod', '>','SNAP')
]

# 한번에 그리기, 
for ax, (df, color, marker, title) in zip(axes,datasets):
    ax.plot('Year', 'Close', data = df, color=color, marker=marker )
    ax.set_title(title, loc='left')
    ax.grid(axis='y',linestyle=':', color='lightgrey')


plt.show()

6) State-baesd 인터페이스와 Object-Oriented 방식 차이

하나의 Axes를 다룰 때

State-based 방식도 단일 그래프를 다룰 때는 큰 문제가 없지만, 여러 개의 Axes를 다루면 불편함이 생김
- 그리는 그래프 수에 비례해서 코드 양 증가

여러 개의 Axes 다룰 때

Object-oriented 방식은 여러 개의 Axes를 한 번에 생성하고 조정하는 것이 쉬운 반면, State-based 방식은 각 Axes를 따로 생성하고 설정
State-based 방식은 복수의 Axes를 다루기 적절하지 않음

단점 1: 반복적인 코드 작성
- State-based 방식에서는 새로운 Axes를 만들 때마다 plt.subplot()을 매번 적어함. 이로 인해 코드가 반복적으로 사용돼 길어짐
단점 2: 최신 Axes에만 작업 적용
- State-based 방식에서는 마지막으로 생성된 Axes에만 커스터마이징 적용 여러 Axes를 개별적으로 설정하려면 각 Axes를 생성한 후 바로 설정해야함

'DA Study > Data Analytics' 카테고리의 다른 글

[통계] 모집단, 표준편차, 분산, 평균, 확률, 확률분포, 이산확률변수, 연속확률변수, 확률밀도함수 (0)	2024.12.30
[통계] 피어슨 상관계수와 공분산 (1)	2024.12.28
[데이터 분석] 차원의 저주 , 차원 축소, PCA (0)	2024.12.17
[데이터 분석] 클러스터링 모델들 - 덴드로그램(Dendrogram) / DBSCAN / GMM (0)	2024.12.17
[데이터 분석] 클러스터 분석, K-MEANS (0)	2024.12.16

현재글[데이터 시각화] Matplotlib으로 데이터 시각화하기

해리문의 데이터_log

[데이터 시각화] Matplotlib으로 데이터 시각화하기

데이터 시각화 심화 - `Matplotlib`

1) Matplotlib의 두 가지 인터페이스

주요 동작 방식

두 인터페이스의 차이

Object-oriented 방식을 배워야 하는 이유

2) Object-oriented 인터페이스

그래프 예시

데이터 설정

데이터 설정

시각화

범례 추가하기

x,y를 위치변수로만 받음

범례 추가

x축 눈금 라벨 변경 및 회전시키기

Spine 숨기기

Grid 추가하기

x,y를 위치변수로만 받는다! (키워드 변수X)

범례 추가

제목 및 축레이블 추가

y축 눈금 설정

x축 눈금 설정 및 회전

spine 숨기기

Grid 그리기

5) 한 화면에 여러개 그래프 그리기

두개의 Axes 생성하기

두 Axes 커스터마이징

반복 코드 간결화하기

각 그래프에 고유하게 설정될 요소들 패키징

반복문으로 그래프 그리기

전체 Figure 커스터마이징

6) State-baesd 인터페이스와 Object-Oriented 방식 차이

하나의 Axes를 다룰 때

여러 개의 Axes 다룰 때

'DA Study > Data Analytics' 카테고리의 다른 글

'DA Study/Data Analytics'의 다른글

티스토리툴바

[데이터 시각화] Matplotlib으로 데이터 시각화하기

데이터 시각화 심화 - Matplotlib

1) Matplotlib의 두 가지 인터페이스

주요 동작 방식

두 인터페이스의 차이

Object-oriented 방식을 배워야 하는 이유

2) Object-oriented 인터페이스

그래프 예시

데이터 설정

데이터 설정

시각화

범례 추가하기

x,y를 위치변수로만 받음

범례 추가

x축 눈금 라벨 변경 및 회전시키기

Spine 숨기기

Grid 추가하기

x,y를 위치변수로만 받는다! (키워드 변수X)

범례 추가

제목 및 축레이블 추가

y축 눈금 설정

x축 눈금 설정 및 회전

spine 숨기기

Grid 그리기

5) 한 화면에 여러개 그래프 그리기

두개의 Axes 생성하기

두 Axes 커스터마이징

반복 코드 간결화하기

각 그래프에 고유하게 설정될 요소들 패키징

반복문으로 그래프 그리기

전체 Figure 커스터마이징

6) State-baesd 인터페이스와 Object-Oriented 방식 차이

하나의 Axes를 다룰 때

여러 개의 Axes 다룰 때

'DA Study > Data Analytics' 카테고리의 다른 글

'DA Study/Data Analytics'의 다른글

관련글

티스토리툴바

데이터 시각화 심화 - `Matplotlib`