[Python] Seaborn을 활용한 시각화

모듈 Import¶

In [1]:

!pip install seaborn==0.13.0

Defaulting to user installation because normal site-packages is not writeable
Collecting seaborn==0.13.0
  Downloading seaborn-0.13.0-py3-none-any.whl (294 kB)
     ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 294.6/294.6 kB 2.2 MB/s eta 0:00:00a 0:00:01
Requirement already satisfied: numpy!=1.24.0,>=1.20 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (1.23.3)
Requirement already satisfied: matplotlib!=3.6.1,>=3.3 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (3.6.0)
Requirement already satisfied: pandas>=1.2 in ./.local/lib/python3.9/site-packages (from seaborn==0.13.0) (1.4.2)
Requirement already satisfied: python-dateutil>=2.7 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (2.8.2)
Requirement already satisfied: fonttools>=4.22.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (4.38.0)
Requirement already satisfied: kiwisolver>=1.0.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.4.4)
Requirement already satisfied: contourpy>=1.0.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.0.6)
Requirement already satisfied: packaging>=20.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (21.3)
Requirement already satisfied: pillow>=6.2.0 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (9.3.0)
Requirement already satisfied: pyparsing>=2.2.1 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (3.0.9)
Requirement already satisfied: cycler>=0.10 in ./.local/lib/python3.9/site-packages (from matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (0.11.0)
Requirement already satisfied: pytz>=2020.1 in ./.local/lib/python3.9/site-packages (from pandas>=1.2->seaborn==0.13.0) (2022.5)
Requirement already satisfied: six>=1.5 in ./.local/lib/python3.9/site-packages (from python-dateutil>=2.7->matplotlib!=3.6.1,>=3.3->seaborn==0.13.0) (1.16.0)
Installing collected packages: seaborn
  Attempting uninstall: seaborn
    Found existing installation: seaborn 0.12.0
    Uninstalling seaborn-0.12.0:
      Successfully uninstalled seaborn-0.12.0
Successfully installed seaborn-0.13.0

[notice] A new release of pip available: 22.2.2 -> 24.1.1
[notice] To update, run: pip install --upgrade pip

In [2]:

from IPython.display import Image
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import seaborn as sns
import warnings

warnings.filterwarnings('ignore')

# Unicode warning 제거 (폰트 관련 경고메시지)
plt.rcParams['axes.unicode_minus']=False

# 한글 폰트 설정
plt.rcParams['font.family'] = "NanumGothic"

# 그래프 출력 사이즈 설정
plt.rcParams["figure.figsize"] = (12, 8)

In [3]:

# 엘리스 환경에서 한글 폰트를 사용하기 위한 코드입니다.
font_dirs = ['/usr/share/fonts/truetype/nanum', ]
font_files = fm.findSystemFonts(fontpaths=font_dirs)

for font_file in font_files:
    fm.fontManager.addfont(font_file)

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

Seaborn¶

seaborn은 matplotlib을 더 사용하기 쉽게 해주는 라이브러리입니다.

• seaborn 공식 도큐먼트 살펴보기

샘플 데이터셋 로드¶

In [4]:

tips = sns.load_dataset("tips")

왜 Seaborn 인가요?¶

matplotlib으로 대부분의 시각화는 가능합니다. 하지만, 다음과 같은 이유로 seaborn을 많은 사람들이 선호합니다.

• 쉬운 사용성 (1줄 완성 그래프)
• seaborn 에서만 제공되는 통계 기반 plot
• 아름다운 스타일링
• Pandas의 데이터프레임과 높은 호환성

아름다운 스타일링¶

seaborn의 최대 장점 중 하나인, 아름다운 컬러팔레트입니다.

제가 최대 장점으로 꼽은 이유는,

matplotlib의 기본 컬러 색상보다 seaborn은 스타일링에 크게 신경을 쓰지 않아도 default 컬러가 예쁘게 조합해 줍니다.

In [5]:

fig, axes = plt.subplots(1, 2)
fig.set_size_inches(12, 6)

axes[0].bar(tips['day'], tips['total_bill'])
axes[0].set_title('matplotlib')
sns.barplot(x="day", y="total_bill", data=tips, palette='Set1', ax=axes[1])
axes[1].set_title('seaborn')
plt.show()

컬러 팔레트¶

자세한 컬러팔레트는 공식 도큐먼트를 참고하세요

• Seaborn의 컬러팔레트
• 컬러팔레트 종류

In [6]:

sns.color_palette()

Out[6]:

Light¶

In [7]:

sns.light_palette("seagreen", n_colors=10)

Out[7]:

Dark¶

In [8]:

sns.dark_palette("#69d", n_colors=10)

Out[8]:

Diverging¶

In [9]:

sns.color_palette('vlag', n_colors=10)

Out[9]:

In [10]:

sns.diverging_palette(220, 20, n=10)

Out[10]:

Custom¶

In [11]:

sns.cubehelix_palette(10, start=9.9)

Out[11]:

다양한 예시¶

In [12]:

sns.palplot(sns.light_palette((210, 90, 60), input="husl"))
sns.palplot(sns.dark_palette("muted purple", input="xkcd"))
sns.palplot(sns.color_palette("BrBG", 10))
sns.palplot(sns.color_palette("BrBG_r", 10))
sns.palplot(sns.color_palette("coolwarm", 10))
sns.palplot(sns.diverging_palette(255, 133, l=60, n=10, center="dark"))

In [13]:

sns.barplot(x="tip", y="total_bill", data=tips, palette='coolwarm')

Out[13]:

<AxesSubplot: xlabel='tip', ylabel='total_bill'>

In [14]:

sns.barplot(x="tip", y="total_bill", data=tips, palette='Reds')

Out[14]:

<AxesSubplot: xlabel='tip', ylabel='total_bill'>

Seaborn 그래프¶

Scatterplot¶

x, y, colors, area 설정¶

• colors 는 임의 값을 color 값으로 변환합니다.
• area는 점의 넓이를 나타냅니다. 값이 커지면 당연히 넓이도 커집니다.

In [15]:

# 샘플데이터 생성
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.arange(50)
area = x * y * 250

• seaborn 에서는 size와 sizes를 동시에 지정해줍니다.
• sizes 옵션에서는 사이즈의 min, max를 명시해 줍니다.
• hue는 컬러 옵션입니다.
• palette를 통해 seaborn이 제공하는 아름다운 palette 를 이용하시면 됩니다.

In [16]:

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

Out[16]:

<AxesSubplot: >

cmap과 alpha 설정¶

• cmap에 컬러를 지정하면, 컬러 값을 모두 같게 가져갈 수도 있습니다.
• alpha값은 투명도를 나타내며 0 ~ 1 사이의 값을 지정해 줄 수 있으며, 0에 가까울 수록 투명한 값을 가집니다.

In [17]:

sns.scatterplot(x=x, y=y, size=area, sizes=(area.min(), area.max()), hue=area, alpha=0.3, palette='icefire')

Out[17]:

<AxesSubplot: >

Pointplot¶

• pointplot은 점 위치에 의한 숫자 변수의 중심 경향 추정치(central tendency)이며 오차 막대를 사용하여 추정치 주변의 불확실성을 나타냅니다.

In [18]:

np.random.seed(123)
x = np.random.rand(50).round(1)
y = np.random.rand(50).round(1)

In [19]:

# pointplot 생성
sns.pointplot(x=x, y=y)

Out[19]:

<AxesSubplot: >

오차막대란?

• 오차 막대는 예상 측정 오차를 나타내는 데 사용됩니다. 다시 말해서 오차 막대는 값의 불확실성을 나타냅니다.
• pointplot과 barplot에서 자동으로 그려주는 오차막대는 CI(confidential interval)로 계산되며, 신뢰구간입니다.

신뢰구간이란?

• 신뢰 구간은 처음 보기에 복잡해 보이는 개념이지만, 일상에서도 많이 쓰고 있는 개념입니다.

다음의 예시를 통해 신뢰 구간이 사용되는 예시를 알아봅시다.

• 10에서 15사이라는 값은 지금까지 내가 여러번 이 버스를 타봤을 때 걸리는 시간의 평균값으로부터 얻어졌을 것입니다.
• 그럼 왜 12.5분이라는 정확한 값을 말하지 않고 “10-15분 정도 걸린다”라고 말할까요? 그것은 불확실성이 내포되어 있기 때문입니다. 따라서, 내가 그나마 확실히 말할 수 있는 정도를 구간으로 표현한 것입니다.

"여론조사에서도 A 후보자는 지지율 31%, B 후보자는 지지율이 28%, +=2.0% 입니다" 라고 들어보신 적이 있다면, 여기서 구한 +=2.0%가 바로 신뢰구간과 동일한 개념입니다.

Barplot, Barhplot¶

1개의 canvas 안에 다중 그래프 그리기

기본 Barplot 그리기¶

샘플데이터를 생성합니다.

In [20]:

score = pd.DataFrame({
    'subject': ['Math', 'Programming', 'Data Science', 'Art', 'English', 'Physics'], 
    'score': [66, 80, 60, 50, 80, 10]
})
score

Out[20]:

	subject	score
0	Math	66
1	Programming	80
2	Data Science	60
3	Art	50
4	English	80
5	Physics	10

bar그래프 생성

In [21]:

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

Out[21]:

<AxesSubplot: xlabel='subject', ylabel='score'>

기본 Barhplot 그리기¶

barh 함수에서는 xticks로 설정했던 부분을 yticks로 변경합니다.

In [22]:

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

Out[22]:

<AxesSubplot: xlabel='score', ylabel='subject'>

Barplot에서 비교 그래프 그리기¶

seaborn 에서는 hue 옵션으로 매우 쉽게 비교 barplot을 그릴 수 있습니다.

In [23]:

# 샘플 데이터셋 로드
titanic = sns.load_dataset('titanic')
titanic.head(2)

Out[23]:

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False

hue 옵션에 분할 조건이 되는 컬럼명을 지정합니다.

In [24]:

sns.barplot(x='sex', y='survived', hue='pclass', data=titanic, palette="muted")

Out[24]:

<AxesSubplot: xlabel='sex', ylabel='survived'>

Line Plot¶

In [25]:

# 샘플 데이터셋 생성
x = np.arange(0, 10, 0.1)
y_1 = 1 + np.sin(x)
y_2 = 1 + np.cos(x)

• color: 컬러 옵션
• alpha: 투명도 옵션

In [26]:

# lineplot 생성
sns.lineplot(x=x, y=y_1, label='1+sin', color='navy', alpha=0.3)
sns.lineplot(x=x, y=y_2, label='1+cos', color='red', alpha=0.7)

Out[26]:

<AxesSubplot: >

마커 스타일링¶

• marker: 마커 옵션

In [27]:

# lineplot 생성
sns.lineplot(x=x, y=y_1, label='1+sin', color='navy', alpha=0.3, marker='o')
sns.lineplot(x=x, y=y_2, label='1+cos', color='red', alpha=0.7, marker='+')

Out[27]:

<AxesSubplot: >

라인 스타일 변경하기¶

• linestyle: 라인 스타일 변경 옵션

In [28]:

sns.lineplot(x=x, y=y_1, label='1+sin', color='blue', linestyle=':')
sns.lineplot(x=x, y=y_2, label='1+cos', color='red', linestyle='-.')

Out[28]:

<AxesSubplot: >

Histogram¶

In [29]:

# 샘플데이터 생성
N = 100000
bins = 30

x = np.random.randn(N)

In [30]:

sns.histplot(x, bins=bins, kde=False, color='g')

Out[30]:

<AxesSubplot: ylabel='Count'>

kde을 True로 설정해주면, Density가 Y축에 표기 됩니다.

In [31]:

sns.histplot(x, bins=bins, kde=True, color='g')

Out[31]:

<AxesSubplot: ylabel='Count'>

분포표, 누적분포표¶

In [32]:

# 샘플 데이터셋 생성
x = np.random.randn(100)

In [33]:

fig, axes = plt.subplots(1, 2, tight_layout=True)
fig.set_size_inches(12, 4)

# 히스토그램 생성
sns.histplot(x=x, bins=bins, ax=axes[0])
sns.histplot(x=x, bins=bins, cumulative=True, ax=axes[1])

Out[33]:

<AxesSubplot: ylabel='Count'>

Box Plot¶

샘플 데이터를 생성합니다.

In [34]:

titanic = sns.load_dataset('titanic')

seaborn에서 boxplot을 그릴 때는DataFrame을 가지고 그릴 때 주로 활용합니다.

seaborn 에서는 hue 옵션으로 매우 쉽게 비교 boxplot을 그릴 수 있습니다.

In [35]:

sns.boxplot(x='pclass', y='age', hue='survived', data=titanic)

Out[35]:

<AxesSubplot: xlabel='pclass', ylabel='age'>

제출¶

제출을 위해 Line Plot의 마커 스타일링에서 그렸던 그래프와 똑같은 그래프를 다시 그리세요.

In [36]:

x = np.arange(0, 10, 0.1)
y_1 = 1 + np.sin(x)
y_2 = 1 + np.cos(x)

# TODO: "마커 스타일링"에서 그렸던 그래프를 그리세요.
sns.lineplot(x=x, y=y_1, label='1+sin', color='navy', alpha=0.3, marker='o')
sns.lineplot(x=x, y=y_2, label='1+cos', color='red', alpha=0.7, marker='+')

# 이 아래를 수정하면 제대로 채점되지 않습니다.
plt.tight_layout()
plt.savefig('result.png')