[Data/Python] 데이터분석 정리 - 7

#개념 정리

#패스트캠퍼스 강의 정리

 

 

seaborn

: matplotlib을 더 사용하기 쉽게 해주는 라이브러리

seaborn 공시 도큐먼트 살펴보기

 

import seaborn as sns

plt.rc('font', family='NanumBarunGothic') 

plt.rcParams["figure.figsize"] = (12, 9)

 

 

0. seaborn이란?

- seaborn에서만 제공되는 통계 기반 plot

- 아름다운 스타일링 : matplotlib의 기본 컬러 색상보다 default 컬러가 예쁘게 조합된다.

- 컬러 팔레트  #seaborn의 컬러팔레트

- pandas 데이터프레임과 높은 호환성

 

 

1. Scatterplot

0~1 사이의 임의의 랜덤한 값을 생성한다.

 

1-1. x, y, colors, area 설정하기

• colors는 임의 값을 color 값으로 변환한다.
• area는 점의 넓이를 나타낸다. 값이 커지면 당연히 넓이도 커진다.

 

x = np.random.rand(50)

y = np.random.rand(50)

colors = np.arange(50)

area = x * y * 1000

plt.scatter(x, y, s=area, c=colors)

plt.show()

• seaborn에서는 size와 sizes를 동시에 지정한다.
• sizes 옵션에서는 사이즈의 min, max를 명시해준다.
• hue는 컬러 옵션이다.
• palette를 통해 seaborn이 제공하는 아름다운 palette를 이용한다.

 

sns.scatterplot(x, y, size=area, sizes=(area.min(), area.max()), hue=area, palette='coolwarm')

plt.show()

 

1-2. cmap과 alpha

• cmap에 컬러를 지정하면, 컬러 값을 모두 같게 가져갈 수 있다.
• alpha값은 투명도를 나타내며, 0~1 사이의 값을 지정해 줄 수 있다. 0에 가까울수록 투명한 값을 가진다.

 

plt.figure(figsize=(12, 6))

plt.subplot(131)

plt.scatter(x, y, s=area, c='blue', alpha=0.1)

plt.title('alpha=0.1')

plt.subplot(132)

plt.title('alpha=0.5')

plt.scatter(x, y, s=area, c='red', alpha=0.5)

plt.subplot(133)

plt.title('alpha=1.0')

plt.scatter(x, y, s=area, c='green', alpha=1.0)

plt.show()

 

 

2. Barplot, Barhplot

2-1. 기본 Barplot 그리기

 

x = ['Math', 'Programming', 'Data Science', 'Art', 'English', 'Physics']

y = [66, 80, 60, 50, 80, 10]

sns.barplot(x, y, alpha=0.8, palette='YlGnBu')

plt.ylabel('Scores')

plt.title('Subjects')

plt.show()

 

2-2. 기본 Barhplot 그리기

 

x = ['Math', 'Programming', 'Data Science', 'Art', 'English', 'Physics']

y = [66, 80, 60, 50, 80, 10]

ax = sns.barplot(y, x, alpha=0.9, palette='YlOrRd')

plt.xlabel('Scores')

plt.title('Subjects')

plt.show()

 

 

 

3. Line Plot

3-1. 기본 lineplot 그리기

 

sns.set_style("darkgrid")

sns.lineplot(x, y)

plt.xlabel('x value', fontsize=15)

plt.ylabel('y value', fontsize=15)

plt.title('sin graph', fontsize=18)

plt.show()

 

3-2. 2개 이상 그래프 그리기

• color: 컬러 옵션
• alpha: 투명도 옵션

 

x = np.arange(0, 10, 0.1)

y_1 = 1 + np.sin(x)

y_2 = 1 + np.cos(x)

plt.plot(x, y_1, label='1+sin', color='blue', alpha=0.3)

plt.plot(x, y_2, label='1+cos', color='red', alpha=0.7)

plt.xlabel('x value', fontsize=15)

plt.ylabel('y value', fontsize=15)

plt.title('sin and cos graph', fontsize=18)

plt.grid()

plt.legend()

plt.show()

 

3-3. 마커 스타일링

 

x = np.arange(0, 10, 0.1)

y_1 = 1 + np.sin(x)

y_2 = 1 + np.cos(x)

plt.plot(x, y_1, label='1+sin', color='blue', alpha=0.3, marker='o')

plt.plot(x, y_2, label='1+cos', color='red', alpha=0.7, marker='+')

plt.xlabel('x value', fontsize=15)

plt.ylabel('y value', fontsize=15)

plt.title('sin and cos graph', fontsize=18)

plt.grid()

plt.legend()

plt.show()

 

 

3-4. 라인 스타일 변경하기

 

x = np.arange(0, 10, 0.1)

y_1 = 1 + np.sin(x)

y_2 = 1 + np.cos(x)

plt.plot(x, y_1, label='1+sin', color='blue', linestyle=':')

plt.plot(x, y_2, label='1+cos', color='red', linestyle='-.')

plt.xlabel('x value', fontsize=15)

plt.ylabel('y value', fontsize=15)

plt.title('sin and cos graph', fontsize=18)

plt.grid()

plt.legend()

plt.show()

 

 

4. Areaplot(Filled Area)

fill_between 함수 사용

 

4-1. 기본 areaplot 그리기

 

x = np.arange(1,21)

y =  np.random.randint(low=5, high=10, size=20)

# fill_between으로 색칠하기

plt.fill_between(x, y, color="green", alpha=0.6)

plt.show()

 

4-2. 경계선을 굵게, area는 옅게 그리기

 

plt.fill_between( x, y, color="green", alpha=0.3)

plt.plot(x, y, color="green", alpha=0.8)

 

 

4-3. 여러 그래프 겹쳐 그리기

 

x = np.arange(1, 10, 0.05)

y_1 =  np.cos(x)+1

y_2 =  np.sin(x)+1

y_3 = y_1 * y_2 / np.pi

plt.fill_between(x, y_1, color="green", alpha=0.1)

plt.fill_between(x, y_2, color="blue", alpha=0.2)

plt.fill_between(x, y_3, color="red", alpha=0.3)

 

 

5. Histogram

5-1. 기본 Histogram 그리기

 

sns.distplot(x, bins=bins, kde=False, hist=True, color='g')

kde를 True로 설정하면, Density가 Y축에 표기된다.

 

sns.distplot(x, bins=bins, kde=True, hist=True, vertical=True, color='r')

• sharey: y축을 다중 그래프가 share
• tight_layout: graph의 패딩을 자동으로 조절해주어 fit한 graph를 생성

 

5-2. 다중 Histogram 그리기

 

N = 100000

bins = 30

x = np.random.randn(N)

fig, axs = plt.subplots(1, 3, 

                        sharey=True, 

                        tight_layout=True

                       )

fig.set_size_inches(12, 5)

axs[0].hist(x, bins=bins)

axs[1].hist(x, bins=bins*2)

axs[2].hist(x, bins=bins*4)

plt.show()

 

 

6. Pie Chart

pie chart 옵션

• explode: 파이에서 툭 튀어져 나온 비율
• autopct: 퍼센트 자동으로 표기
• shadow: 그림자 표시
• startangle: 파이를 그리기 시작할 각도

texts: label에 대한 텍스트 효과

autotexts: 파이 위에 그려지는 텍스트 효과

 

labels = ['Samsung', 'Huawei', 'Apple', 'Xiaomi', 'Oppo', 'Etc']

sizes = [20.4, 15.8, 10.5, 9, 7.6, 36.7]

explode = (0.3, 0, 0, 0, 0, 0)

# texts, autotexts 인자를 활용하여 텍스트 스타일링을 적용합니다

patches, texts, autotexts = plt.pie(sizes, 

                                    explode=explode, 

                                    labels=labels,  

                                    autopct='%1.1f%%',

                                    shadow=True, 

                                    startangle=90)

plt.title('Smartphone pie', fontsize=15)

# label 텍스트에 대한 스타일 적용

for t in texts:

    t.set_fontsize(12)

    t.set_color('gray')

    

# pie 위의 텍스트에 대한 스타일 적용

for t in autotexts:

    t.set_color("white")

    t.set_fontsize(18)

plt.show()

 

 

7. Box plot

7-1. 기본 박스플롯 생성

 

sns.boxplot(data, orient='v', width=0.2)

plt.show()

 

7-2. Outlier 마커 심볼과 컬러 변경

 

outlier_marker = dict(markerfacecolor='r', marker='D')

plt.title('Changed Outlier Symbols', fontsize=15)

plt.boxplot(data, flierprops=outlier_marker)

plt.show()

 

 

8. 3D 그래프 그리기

from mpl_toolkits import mplot3d

 

 

8-1. 밑그림 그리기 (캔버스)

 

fig = plt.figure()

ax = plt.axes(projection='3d')

 

 

8-2. 3d plot 그리기

 

ax = plt.axes(projection='3d')

# x, y, z 데이터를 생성합니다

z = np.linspace(0, 15, 1000)

x = np.sin(z)

y = np.cos(z)

ax.plot(x, y, z, 'gray')

plt.show()

 

8-3. 3d scatter 그리기

 

fig = plt.figure(figsize=(10, 5))

ax = fig.add_subplot(111, projection='3d') # Axe3D object

sample_size = 500

x = np.cumsum(np.random.normal(0, 5, sample_size))

y = np.cumsum(np.random.normal(0, 5, sample_size))

z = np.cumsum(np.random.normal(0, 5, sample_size))

ax.scatter(x, y, z, c = z, s=20, alpha=0.5, cmap='Greens')

plt.title("ax.scatter")

plt.show()

 

8-4. contour3D 그리기 (등고선)

 

x = np.linspace(-6, 6, 30)

y = np.linspace(-6, 6, 30)

x, y = np.meshgrid(x, y)

z = np.sin(np.sqrt(x**2 + y**2))

fig = plt.figure(figsize=(12, 6))

ax = plt.axes(projection='3d')

ax.contour3D(x, y, z, 20, cmap=plt.cm.rainbow)

plt.title("ax.contour3D")

plt.show()

 

 

9. imshow

이미지 데이터와 유사하게 행과 열을 가진 2차원의 데이터를 시각화할 때 사용

 

from sklearn.datasets import load_digits

digits = load_digits()

X = digits.images[:10]

X[0]

 

• load_digits는 0~16 값을 가지는 array로 이루어져 있다.
• 1개의 array는 8 X 8 배열 안에 표현되어 있다.
• 숫자는 0~9까지 이루어져있다.

 

fig, axes = plt.subplots(nrows=2, ncols=5, sharex=True, figsize=(12, 6), sharey=True)

for i in range(10):

    axes[i//5][i%5].imshow(X[i], cmap='Blues')

    axes[i//5][i%5].set_title(str(i), fontsize=20)

    

plt.tight_layout()

plt.show()