00. 데이터 시각화 라이브러리 Matplotlib

 

00. 데이터 시각화 라이브러리 Matplotlib

시각화의 기초는 해당 사이트에 들어가 어떤 것들이 있는지 먼저 파악해야한다.

https://matplotlib.org/stable/gallery/index 

Examples — Matplotlib 3.10.7 documentation

이런식으로 다양한 example을 보고 골라 쓸 수 있다

 

 

# 맷플롯립 라이브러리 불러오기

import matplotlib.pyplot as plt

 

관습적으로 plt라고 쓴다! 

matplotlib로만 호출하면 기능을 일일이 호출해야해서 코드가 길어져서 하위 모듈 사용을 권장한다.

 

# 그래프와 범례를 그려보자

 

import matplotlib.pyplot as plt

# plot() 함수의 label 매개변수에 'Square' 문자열 입력

# x축 y축이 넣어짐

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], label = 'Square')

plt.xlabel('X-Label')

plt.ylabel('Y-Label')

# legend() 함수를 사용해서 그래프에 범례 표시

plt.legend() #이걸 넣어야 범례가 표시됨 

plt.show()

 

# 눈금 설정하기 (plt.xtricks)

- 원본데이터 셋을 건들지 않고 변수명은 그대로 두는데, 의미하는 바는 나의 언어로 쓰고싶을때 사용함 

ex. M,W -> 남자/여자로 표현 

 

import matplotlib.pyplot as plt

# x 정의

x = [1, 2, 3]

# years는 x축에 표시할 연도

years = ['2030', '2040', '2050']

# values는 y축에 표시할 값

values = [300, 100, 700]

# 막대 그래프 생성, 색상 설정은 color 매개변수로

plt.bar(x, values, color = ['r', 'g', 'b'])

# x축 눈금에 '2030', '2040', '2050'를 표시

plt.xticks(x,years)   

plt.show()

 

 

 

 

#레이블 추가하기 (plt.text)

 

잠깐 ! enumerate 이해해보기

- 리스트로 예시 들자면 첫번째 값에는 idx가 2번째 값에는 [idx] 값이 들어간다.

values = [25, 40, 30, 20]

for i, value in enumerate(values):

  print(i, value)

# enumerate란 ? => i는 0부터 1씩 +되고(index역할), value라는 변수에는 리스트의 값이 들어감

# 1바퀴 : i = 0, value = 25

# 2바퀴 : i = 1, value = 40

# ...

 

 

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D']

values = [25, 40, 30, 20]

# 막대 그래프 생성

plt.bar(categories, values, color='skyblue')

# 각 막대의 중앙에 텍스트 추가

for i, value in enumerate(values):

    plt.text(i, value / 2, str(value), ha='center', va='center', color='black', fontsize=10)

plt.title('Bar Chart with Text Annotations')

plt.xlabel('Categories')

plt.ylabel('Values')

plt.show()

 

 

# 타이타닉 데이터셋 그래프로 그려보기

- kaggle 데이터 참고

- 데이터가 다를 수 있지만 본인 실습용으로 보시길 

 

https://www.kaggle.com/datasets/euclidsoft/titianic

titanic

# 판다스 라이브러리 불러오기

import pandas as pd

# 타이타닉 CSV 파일 불러오기

titanic = pd.read_csv('/content/sample_data/titanic.csv'

titanic.head(5) # 함수를 통해 어떤 함수인지 보고

 

titanic.info() # 열에 대한 요약정보를 확인한다.

 

- Age, cabin, embarked에 결측치가 있구나 (891행중)

- Age는 굳이 실수일 이유는 없으니 integer로 바꿔볼까 ? 

- 이런 생각을 한다

# 성별에 따른 생존자의 수 계산 

# titanic에 survived가 1인 애들 중의 성별을 세어줘

survived_counts = titanic[titanic['Survived']==1]['Sex'].value_counts()

survived_counts

 

 

#수평막대그래프(barh - bar horizinal)

import matplotlib.pyplot as plt

# 수평 막대 그래프 그리기

bars = plt.barh(survived_counts.index, survived_counts, color=['darkturquoise','salmon'])

plt.title('Survived Counts by Gender on Titanic')

plt.xlabel('Count')

plt.ylabel('Gender')

plt.legend(bars, ['Survived - Female', 'Survived - Male'], loc='upper right')

# 차이 강조를 위해 수평선 추가

plt.axvline(x=survived_counts['male'], color='gray', linestyle='--', linewidth=1)

# 생존자 수 표시

for i, value in enumerate(survived_counts):

  plt.text(value + 1, i, str(value), ha='left', va='center')

plt.show()

 

 

# 파이차트

 

import matplotlib.pyplot as plt

# 파이 차트 그리기

plt.figure(figsize=(2, 2)) # 흰 도화지를 그린다

plt.pie(survived_counts, labels=['Not Survived', 'Survived'], colors=['orange', 'gold'],

        autopct='%0.1f%%', startangle=90, shadow=True, explode=(0, 0.1))

plt.title('Survival Distribution on the Titanic')

plt.show()

 

 

- 그래프를 그리고 나면 ? 반드시 인사이트가 많기 때문에 어떤 인사이트가 있는지 해석을 해야한다. 

 

# 히스토그램

- 나이 결측치를 한번 제거 해보겠다.

# 나이 결측치 처리 후

titanic = titanic.dropna(subset=['Age']) #na값을 drop해버림 (삭제해벌임)

print(titanic.info())

 

import matplotlib.pyplot as plt

# 히스토그램 그리기

plt.figure(figsize=(10, 6))

plt.hist(titanic['Age'], bins=20, color='seagreen', edgecolor='black')

plt.xlabel('Age')

plt.ylabel('Count')

plt.title('Distribution of Ages on the Titanic')

plt.grid(axis='y', linestyle='--', alpha=0.7)

plt.show()

# insight : 대부분 나이가 20~40대가 있구나 !

 

 

 

#상관행렬 

-데이터 분석에서 아주 중요한 아이다! 

모든 분석에서 한번씩 사용해 보기를 권장 

 

import pandas as pd

titanic = pd.read_csv('/content/sample_data/titanic_selena.csv')

# 결측치 처리

titanic = titanic.dropna(subset=['Age','Fare'])

# 상관 행렬 계산 (변수간에 상관관계가 어떤지 보는 것이다. 승객id는 특징이 없으니까 뺐다. )

# 연속형 변수만 상관 행렬을 구해줘. numeric_only

correlation_matrix = titanic.drop('PassengerId',axis=1).corr(numeric_only=True)

correlation_matrix

 

- 연속형 변수만 되기 때문에, object type은 알아서 생략이 됐다. 

 

GPT를 활용한 해석 

생존 ↔ Pclass (-0.36)	객실 등급이 생존 확률에 강한 영향
생존 ↔ Fare (0.27)	요금이 높을수록 생존 확률 증가
생존 ↔ Age (-0.08)	나이는 생존과 큰 관련 없음
가족 변수 ↔ 생존 (거의 0)	가족 규모는 생존과 직접적 연관 적음

 

- '상관관계'는 원인과 결과가 아니다 !!!! '인과관계'가 아니다 !!! 

- 상관관계는 함께 변화하는 경향이 있다. 비례/반비례 개념인듯 
   -> 우연히 변할 수도 있고, 다른 요인 때문일 수도 있음 
   -> ex. 아이스크림 판매량 -> 익사 사고수 상관관계 있음 (사이에 여름이라는 제 3요인)

   -> 즉 아이스크림이 익사사고수를 유발하지는 않음 
   -> 통계적으로 간단히 확인 가능 

- 인과관계는 A가 B의 원인이라는 명확한 관계가 존재 

   -> 통계적 수치로 판단 불가능하고, 실험이나 추가 분석 필요 (굉장히 어려운일)

- 범주형 변수(성별, 혈액형과 같은 그룹)와 연속형 변수(cm, kg 과 같은 수치)는 다르게 구해야한다 

 

import matplotlib.pyplot as plt

# 히트맵 그리기

plt.matshow(correlation_matrix, cmap='PuRd_r')

plt.colorbar()

# x축과 y축의 눈금 설정

plt.xticks(range(len(correlation_matrix.columns)), correlation_matrix.columns, rotation=45)

plt.yticks(range(len(correlation_matrix.columns)), correlation_matrix.columns)

plt.title('Correlation Heatmap of Titanic')

plt.show()

 

 

# 이상치 잡는 박스 플롯 ! 

- 수염에서 벗어난 동그라미 들을 이상치로 분류하게됨 (1분위, 3분위를 벗어난)

 

 

import matplotlib.pyplot as plt

# 승객 등급에 따른 나이의 박스 플롯

plt.boxplot([titanic[titanic['Pclass'] == 1]['Age'],

             titanic[titanic['Pclass'] == 2]['Age'],

             titanic[titanic['Pclass'] == 3]['Age']],

            labels=['1st Class', '2nd Class', '3rd Class'])

plt.title('Box Plot for Age by Pclass')

plt.xlabel('Pclass')

plt.ylabel('Age')

plt.show()