Seaborn 라이브러리를 활용한 시각화 Best 8

데이터를 분석하려면
먼저 데이터를 이해해야 합니다.

데이터 시각화는 데이터를 이해하는
가장 좋은 방법 중 하나입니다.

Python의 Matplotlib 및 Seaborn은
일반적으로 데이터를 시각화하는 데
사용하는 라이브러리입니다.

Matplotlib 라이브러리를 활용한
기초적인 데이터 시각화 방법은
아래 포스팅 글을 참고하세요.

matplotlib 산점도 그리기

matplotlib 파이 차트 그리기

matplotlib 막대그래프 그리기

matplotlib 선 그래프 그리기

이번 포스팅에서는 Seaborn에 대해 알아보고
실제 적용해보도록 하겠습니다.

먼저 Seaborn이 무엇이며,
설치 방법에 대해 알아보겠습니다.

다음으로
산점도, 히스토그램, 막대 플롯, 상자 플롯,
바이올린 플롯, 패싯 그리드,
페어 플롯 및 히트맵을
예시로 그리는 방법을 보여 드리겠습니다.

Seaborn 라이브러리?

Seaborn은 Matplotlib에 구축된
데이터 시각화를 위한
Python 라이브러리입니다.

Matplotlib은 2D 및 3D 그래프를
그리는 데 사용되며
Seaborn은 통계 그래프를
그리는 데 사용됩니다.

Seaborn은 Matplotlib를 기반으로 하기 때문에
이 두 라이브러리를 함께 사용하여
매우 강력한 시각화를 생성할 수 있습니다.

다음 명령으로
Seaborn 라이브러리를 설치할 수 있습니다.

pip install seaborn

Anaconda를 설치하면
Seaborn이 자동으로 설치됩니다.

Seaborn을 설치한 후 사용하려면
이 라이브러리를 가져와야 합니다.

import seaborn as sns

이번 포스팅에서는 iris data를
사용하겠습니다.

iris.csv

0.00MB

위에 업로드된 데이터를
읽어 드립니다.

import pandas as pd
import seaborn as sns

irisData = pd.read_csv("D:/Python_apply/iris.csv")
irisData.head()

데이터셋의 구조를 보겠습니다.

irisData.shape

150 rows와 7개의 columns으로
구성되어 있습니다.

Seaborn에는 사용할 수 있는
몇 가지 테마가 있습니다.

set_theme 메서드를 사용하여
이러한 테마를 제어할 수 있습니다.
테마를 제어합시다.

이를 위해 rc 매개변수를 사용하겠습니다.

sns.set_theme()

# 그래픽의 이미지 품질 설정
sns.set(rc={"figure.dpi":300})

# 그래픽 크기 설정
sns.set(rc = {"figure.figsize":(6,3)})

이제 통계 플롯에 대해
자세히 알아보겠습니다.

1) Scatter Plot

데이터를 이해하는 가장 좋은 기술은
산점도입니다.

산점도는
변수 간의 관계를 표시하는 데 사용됩니다.

붓꽃 종류별 꽃잎의 길이와 폭의
산점도를 살펴보겠습니다.

sns.scatterplot( x = "SepalLength",
y = "SepalWidth",
data = irisData,
hue = "Species" )

꽃잎의 길이는 x축에 있고,
꽃잎의 폭은 y축에 있습니다.

산점도에서 붓꽃 종류들이
어떻게 다른지 알 수 있습니다.

2) Histogram

산점도를 사용하여 붓꽃 종류에 대한
몇 가지 정보를 보았습니다.

두 번째로 보여드릴 그래프 유형은
히스토그램 플롯입니다.

히스토그램 플롯은
데이터의 분포를 보여줍니다.

히스토그램 플롯을 사용하여
하나 이상의 변수의 분포를
볼 수 있습니다.

이제 histplot 함수를 사용하여
꽃받침의 길이를 살펴보겠습니다.

sns.histplot(x = "PetalLength", data = irisData)

히스토그램은 구간 내에 속하는
관측치의 수를 계산합니다.

y 인수로 히스토그램 플롯을
90도 회전할 수 있습니다.

sns.histplot(data = irisData, y="PetalLength")

히스토그램에서 사각형의 너비를
제어할 수 있습니다.

이를 위해 bindwidth 매개변수를
사용할 수 있습니다.

sns.histplot(data = irisData, x = "PetalLength", binwidth = 0.5)

확률 분포 곡선을 나타내는 kde를
히스토그램 플롯에 추가할 수도 있습니다.

sns.histplot(data = irisData, x = "PetalLength", kde = True)

hue 매개변수를 사용하여
범주의 히스토그램을 볼 수 있습니다.

sns.histplot(data = irisData, x = "PetalLength", hue = "Species")

이 그림에서 붓꽃 종류를 보여주는 범주의
히스토그램을 볼 수 있습니다.

3) Barplot

막대 그림은 각 직사각형의 높이가 있는
숫자 변수의 중심 경향 추정치를 나타냅니다.

붓꽃 종류의 꽃받침의 폭을
보여주는 막대 그림을 보겠습니다.

sns.barplot(x = "Species", y = "PetalWidth", data = irisData)

기본적으로 막대는
값의 평균을 기반으로 계산됩니다.

추정치 매개변수를 사용하여 평균 대신
다른 통계를 사용할 수 있습니다.

hue 매개변수를 사용하여
그룹에 따른 붓꽃 종류의
꽃받침의 길이를 확인하겠습니다.

sns.barplot( x = “Species”,
y = “PetalLength”,
data = irisData,
hue = “group”)

4) Box plot

상자 그림은 범주형 변수 수준 간의
수치 데이터 분포를 비교하는 데 사용됩니다.

붓꽃 종류별 꽃잎의 길이 분포를 보겠습니다.

sns.boxplot(x = "Species", y = "SepalLength", data = irisData)

여기에서 상자는
데이터의 사분위수를 보여줍니다.

수염의 길이는 나머지 분포를 나타냅니다.

min-max 이외의 값은 이상치로
생각할 수 있습니다.

hue 매개변수를 사용하여
그룹에 따른 붓꽃 종류별
꽃잎의 길이의 상자 그림을 볼 수 있습니다.

sns.boxplot(x = "Species", y = "SepalLength", data = irisData, hue = "group")

5) Viloin plot

바이올린 플롯은 상자 플롯으로
생각할 수 있습니다.

이 플롯은 범주형 변수 간의 수치 분포를
비교하는 데 사용됩니다.

sns.violinplot(x = "Species", y = "SepalLength", data = irisData)

hue 매개변수를 사용하여
그룹에 따른 꽃잎의 길이의
바이올린 플롯을 볼 수도 있습니다.

sns.violinplot(x = "Species", y = "SepalLength", data = irisData, hue = "group")

바이올린 플롯은 group 변수에 따라
별도로 그려졌습니다.

이제는 하나의 그래프에
여러 그래프를 그리는 방법을 살펴보겠습니다.

6) Facet Grid

패싯 그리드를 사용하여
데이터세트의 다양한 하위 집합에 대한
그리드 그래프를 볼 수 있습니다.

예를 들어 group과 Species 변수에 따른
꽃잎 길이의 히스토그램 플롯을
그려보겠습니다.

Figure에 더 많은 서브플롯을 추가하기 위해
열 및 행 변수를 할당해 보겠습니다.

먼저 행과 열에 포함될 변수를 지정하겠습니다.

sns.FacetGrid(data = irisData, col = "Species", row = "group")

이 명령을 실행하면
Species 변수에는 3개의 범주가 있고,
group 변수에는 2개의 범주(2*3 = 6)가
있기 때문에 6개의 하위 영역이 생성되었습니다.

모든 패싯에 플롯을 그리려면
데이터 프레임에 있는 하나 이상의
열 이름과 함수를 FacetGrid.map
메서드에 전달합니다.

예를 들어 꽃잎 길이의
히스토그램을 살펴보겠습니다.

sns.FacetGrid(data = irisData, col = "Species", row = "group").map(sns.histplot, "SepalLength")

모든 패싯에서
다른 플롯을 그릴 수도 있습니다.

예를 들어 꽃잎 길이의
산점도를 살펴보겠습니다.

sns.FacetGrid(data = irisData, col = "Species", row = "group").map(sns.histplot, "SepalLength", kde = True)

7. Pair plot

변수 간의 쌍 관계를 확인하는 것은
데이터 분석의 중요한 단계 중 하나입니다.

pairplot 방법을 사용하여
변수의 쌍 관계를 볼 수 있습니다.

이 함수는 데이터 세트의 각 숫자 변수에 대한
교차 도표를 생성합니다.

데이터 세트에서 붓꽃 종류에 따른
수치변수 쌍을 살펴보겠습니다.

sns.pairplot(data = irisData.iloc[:,1:len(irisData.columns)-1], hue = "Species", height = 3)

변수가 수치이기 때문에 확률 밀도 함수는
그래프의 대각선 축에 자동으로 그려집니다.

diag_kind 매개변수를 사용하여
대각선 축에 히스토그램을 표시할 수 있습니다.

sns.pairplot(data = irisData.iloc[:,1:len(irisData.columns)-1],
hue = "Species",
height = 3,
diag_kind = "hist")

8. Heatmap

마지막으로 히트맵을 살펴보겠습니다.
히트맵을 사용하여
숫자 변수 간의 상관관계를
볼 수 있습니다.
이것을 보기 위해 corr 함수를 사용합니다.

sns.heatmap(data = irisData.iloc[:,1:len(irisData.columns)-1].corr())

이 그래프에서 수치 변수 간의
관계를 볼 수 있습니다.

annot(ation) 매개변수를 사용하여
각 셀의 숫자 값을 볼 수도 있습니다.

sns.heatmap(data = irisData.iloc[:,1:len(irisData.columns)-1].corr(), annot = True)

Conclusion

데이터를 분석하기 전에
데이터를 탐색하는 것이 매우 중요합니다.

데이터 시각화는 데이터 과학 프로젝트의
중요한 단계 중 하나입니다.

이번 포스팅에서는
seaborn을 사용한 데이터 시각화에 대해
알아보았습니다.

matplotlib 보다 조금 더 쉬운
명령어 형태로 그래프를
그릴 수 있는 것 같아 보입니다.