Seaborn Visualisation Tutorial - Basic

2020-08-21

Data Visualisation, Python, lollipop, matplotlib

Page content

공지

제 수업을 듣는 사람들이 계속적으로 실습할 수 있도록 강의 파일을 만들었습니다. 늘 도움이 되기를 바라며. 참고했던 교재 및 Reference는 꼭 확인하셔서 교재 구매 또는 관련 Reference를 확인하시기를 바랍니다.

시각화 기본적 원리

비교, 대조, 차이를 드러내라.
인과관계와 상관관계를 보여라.
한 도표에 여러 변수를 보여라.
텍스트, 숫자, 이미지, 그래프 같은 데이터들을 한 곳에 통합하라.
사용된 데이터의 출처를 그래프 안이나 각주로 밝혀라.
의미 있는 내용을 담아라.

데이터 시각화를 정말 잘하고 싶다면, 책을 구매하는 것을 추천한다.
- 데이터 시각화 교과서
- 원서: https://serialmentor.com/dataviz/

데이터 변수 종류에 따른 시각화의 종류

시각화는 그냥 그리는 것이 아니다. 변수의 종류에 따른 기법이 존재한다.
- 다만, Python & R의 방법론의 차이가 있을 뿐이다.
원리를 알면, 다음은 검색 및 연습을 통해 다듬어진다.

Seaborn 개요

Seaborn 패키지는 Pandas 데이터프레임에 쉽게 연동하기 위해 나온 패키지이다.
- 공식 홈페이지
초보자의 경우, 가급적 공식 홈페이지에 있는 코드를 모두 작성해보는 것이 중요하다.

산점도와 counplot 그래프

그래프에서 가장 기본적인 산점도와 countplot을 그려본다.

(1) 산점도 그리기

산점도를 그릴 때는 수치형 vs 수치형 데이터를 그릴 때 표현한다.

# 패키지 불러오기 
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

url = 'https://raw.githubusercontent.com/chloevan/datasets/master/books/eda_with_python/countries.csv'
countries = pd.read_csv(url)

/usr/local/lib/python3.6/dist-packages/statsmodels/tools/_testing.py:19: FutureWarning: pandas.util.testing is deprecated. Use the functions in the public API at pandas.testing instead.
  import pandas.util.testing as tm

# 산점도 그리기
sns.scatterplot(x='GDP ($ per capita)', y='Phones (per 1000)', data = countries)
plt.show()

png

산점도를 볼 때, 데이터의 관계를 보도록 한다.
- 해석 요령, X축으로 값이 커질수록 Y값이 커지는지 작아지는지 확인해본다.
- 산점도의 점이 어느 곳에 주로 몰려 있는지 확인해본다.

(2) countplot 그래프

설문조사를 진행 후, 각 응답에 따른 비율을 구할 수 있다.
거미(Spiders)를 싫어하는가에 대해 리커트 척도를 구한 것이다.
- 1은 매우 동의 & 5는 매우 비동의를 표한다.
- 그에 따른 빈도그래프를 countplot으로 작성할 수 있다.
기본적으로 막대 그래프로 보여준다.

csv_filepath = 'https://raw.githubusercontent.com/chloevan/datasets/master/books/eda_with_python/surveys.csv'

surveys = pd.read_csv(csv_filepath)
sns.countplot(x = "Spiders", data = surveys)
plt.show()

png

(3) 제 3의 변수 추가 - 산점도

시각화의 기본은 비교이다.
위 (1) & (2) 그래프의 단점은 1차원 또는 2차원적이다.
이 때 비교를 하기 위해서는 제 3의 변수를 추가해본다.
- absences는 결석수를 의미하고, G3는 최종성적을 의미한다.
- 이 때, location 변수를 추가하여 비교를 보다 쉽게 할 수 있도록 하였다.

url = 'https://raw.githubusercontent.com/chloevan/datasets/master/books/eda_with_python/students.csv'
students = pd.read_csv(url)

sns.scatterplot(x = "absences", y = "G3", data = students, hue = "location", hue_order = ['Rural', 'Urban'])
plt.show()

png

(4) 제 2의 변수 추가 - countplot

이번에는 countplot에 location이라는 범수를 추가해본다.
이 때, location에 각 범주별로 색상을 추가한다.

sns.countplot(x = "school", 
              data = students, 
              hue = "location", 
              palette = {
                  "Rural": "#23DBCD", 
                  "Urban": "#FF5C29"
              })
plt.show()

png

그래프 서브그룹 추가

이번에는 그래프를 조금 더 분할해서 살펴본다.
우선 study_time의 범주의 개수는 4개이며, 이를 col 형태로 나타날 수 있다.
- col 대신에 row 형태로 작성해본다.

sns.relplot(x="absences", y="G3", 
            data=students,
            kind="scatter", 
            row="study_time")

plt.show()

png

이번에는 하나의 변수를 더 추가해본다.
즉, 총 4개의 변수가 하나의 그래프안에서 표현된 것이다.
G1은 1학기의 성적을 의미한다.
- 즉, 1학기의 성적과 최종성적의 상관관계를 표현하는 것이다.
- 이 때, schoolsup은 학교에서 지원을 받은 사람, famsup은 가정에서 교육을 받은 사람 이렇게 범주화 해서 그 차이가 있는지를 확인하는 시각화가 된다.
여기에서도 그룹간의 차이가 있는지를 확인하는 그래프다.

sns.relplot(x="G1", y="G3", 
            data=students,
            kind="scatter", 
            col="schoolsup",
            col_order=["yes", "no"],
            row="famsup",
            row_order=["yes", "no"])

# Show plot
plt.show()

png

위 그래프는 어떻게 해석해야 할까?

박스플롯

박스플롯은 기본적으로 수치형 ~ 범주형 데이터의 조합이다.
이 때, 두가지를 확인해야 한다.
- 수치형 데이터의 이상치는 없는가?
- 각 범주간의 평균의 차이는 없는가?

# 시간의 순서대로 리스트 재 범주
study_time_order = ["<2 hours", "2 to 5 hours", 
                    "5 to 10 hours", ">10 hours"]

sns.catplot(x = 'study_time', 
            y = 'G3', 
            data = students, 
            kind = 'box', 
            order = study_time_order)

# Show plot
plt.show()

png

이번에는 이상치 데이터를 제거해본다.
또한, 하나의 변수(=location)을 추가해서 나타내면 보다 더 의미를 부여할 수 있다.

sns.catplot(x="internet", y="G3",
            data=students,
            kind="box",
            hue="location",
            sym="")

# Show plot
plt.show()

png

Seaborn Tutorial은 계속 올리도록 한다.