1. Seaborn
1-1. 스타일 사용자 정의
seaborn의 set_style, set_context를 활용해서 시각화된 자료를 세부적으로 스타일링 하는 방법을 소개한다.
1-2. Seaborn으로 스타일링
크게 두 차원으로 생각할 수 있다.
•
set_style : background color, grid, spine, tick 을 정의해서 그림의 전반적인 모양을 스타일링
•
set_context : 프레젼테이션이나 보고서와 같은 다양한 매체에 활용할 수 있도록 스타일링
1-2-1. set_style : 그림의 전반적인 모양 스타일링
•
내장 테마 활용하기
seaborn에는 5가지 기본 제공 테마가 있다. ‘darkgrid’, ‘whitegrid’, ‘dark’, ‘white’, ‘ticks’
기본값은 darkgrid이지만, 원하는대로 변경 가능하다.
테마를 사용하려면 sns.set_style() 로 지정하면 된다.
•
sns.set_style(’darkgrid’)
sns.set_style('darkgrid')
sns.stripplot(x='day',y='total_bill', data=tips)
SQL
복사
despine (축/테두리 제거 옵션)
축은 left, right, bottom, top 의 네가지 옵션이 존재한다.
plot을 지정한 다음 그 뒤에 sns.despine() 이라고 지정하면 기본적으로 top, right 테두리를 제거해준다.
없애고 싶은 축이 있다면 방향=True 로 지정하여 축을 없애면 된다.
sns.set_style("white")
sns.stripplot(x='day',y='total_bill', data=tips)
sns.despine() # 오른쪽과 위의 테두리를 제거
SQL
복사
만약, 하단과 왼쪽 테두리도 모두 제거하고 싶다면 다음과 같이 한다.
sns.despine(left=True, bottom=True)
SQL
복사
1-2-2. set_context : 다양한 매체에 활용할 수 있도록 스타일링
matplotlib을 사용하면 프레젠테이션을 목적으로 다양하게 스타일링하는 것은 힘들다. 그러나 seaborn은 쉽게 할 수 있다. sns.set_context() 만 해주면 된다.
다음의 세 가지 수준의 복잡성을 고려한다.
1.
Pass in one parameter that adjusts the scale of the plot
2.
Pass in two parameters – one for the scale and the other for the font size
3.
Pass in three parameters – including the previous two, as well as the rc with the style parameter that you want to override
1) 전체 스케일 조정
총 4종류의 스케일(사이즈)를 선택할 수 있다. paper, notebook, talk, poster
여기서, 기본값은 notebook이다.
가장 작은 스케일 paper로 그리면 다음과 같다.
sns.set_style('ticks')
sns.set_context('paper') # 가장 작은 스케일
sns.stripplot(x='day',y='total_bill', data=tips)
SQL
복사
가장 큰 poster로 그리면 다음과 같다.
sns.set_style("ticks")
sns.set_context("poster") # 가장 큰 스케일
sns.stripplot(x="day", y="total_bill", data=tips)
SQL
복사
글씨가 큼직해진 것을 확인할 수 있다.
2) 폰트 사이즈 조정
스케일로도 폰트 사이즈가 조정되지만 실제 폰트 사이즈를 조정하는 파라미터는 별도로 있다.
sns.set_context()내에 font_scale을 넣어주면 된다.
sns.set_context('poster',font_scale=.5)
sns.stripplot(x="day", y="total_bill", data=tips)
SQL
복사
3) rc 파라미터로 세부 조정
디테일하게 조정하고 싶다면 rc 파라미터를 딕셔너리 형태로 넣어주면 된다. rc는 run command의 약자라고 한다.
예를들어, 그리드의 너비를 조정하고 싶다면 rc={’grid.linewidth’:5} 이렇게 해주면 된다.
sns.set_context("poster", font_scale = 1, rc={"grid.linewidth": 5})
sns.stripplot(x="day", y="total_bill", data=tips)
SQL
복사
사용할 수 있는 rc 파라미터의 옵션들
1-2-3. Chart
Line Charts
•
sns.lineplot(data)
# set the width and height of the figure
plt.figure(figsize=(14,6))
# add title
plt.title("title name")
# just check what the column name is
list(dataset.columns)
# line the subset of the dataset
sns.lineplot(data = dataset['column_name'], label = 'column_name')
# add label of the x axis
plt.xlabel('x_label_name')
Python
복사
Bar Charts
시간의 흐름에 따라 특정 값의 변화를 확인할 수 있다.
•
sns.barplot(x = 시간적 흐름을 보이는 index, y = 특정변수)
아래의 주어진 데이터를 활용한다. (by kaggle learn data)
# PC 게임에서 가장 높은 평균 score는 얼마인가?
high_score = ign_data.loc['PC'].max()
# PlayStation Vita 플랫폼에서 어떤 장르가 가장 낮은 평균 스코어를 받았는지 확인해보자
playstation_min_score = ign_data.loc['PlayStation Vita'].min()
worst_genre = ign_data.loc['PlayStation Vita'][ign_data.loc['PlayStation Vita']==playstation_min_score].index
Python
복사
# creating bar chart that shows score for racing games, for each platform
sns.barplot(x=ign_data.index, y = ign_data['Racing'])
plt.xticks(rotation= 90)
Python
복사
Heatmap
•
sns.heatmap(data, annot=True, fmt)
◦
annot=True : 각 셀별로 값을 표시할지의 여부, 보통 표시한다.
◦
fmt : 값을 표시할 때, 어떤 타입으로 표시할 것인지 설정
▪
‘d’ : 정수로 표시
▪
‘f’ : 실수로 표시
◦
cmap : 사용할 색깔 팔레트
◦
linewidth : 셀의 간격 표시
# plot heatmap of average score by genre and platform
sns.heatmap(data = ign_data, annot=True, fmt='d', cmap='YlGnBu')
Python
복사
ScatterPlot
•
sns.scatterplot(x = dataset[’칼럼1’], y = dataset[’칼럼2’]) : 산점도만 표시
◦
3개 이상의 변수들의 관계 파악하기(점들의 색깔이나 크기로 가능)
sns.scatterplot(x=dataset['칼럼1'], y=dataset['칼럼2'], hue=dataset['칼럼3'])
Python
복사
•
sns.swarmplot(x=dataset[’범주형칼럼1’], y = dataset[’연속형칼럼2’], color=’0.5’) : boxplot 과 비슷하지만, 데이터의 밀집도를 확인할 수 있는 plot
◦
color : 점의 어둡기를 조절할 수 있다
•
sns.regplot(x = dataset[’칼럼1’], y = dataset[’칼럼2’]) : 산점도 + 회귀선
•
sns.lmplot(x = ’칼럼’, y = ’칼럼2’, hue = ‘칼럼3’, data = dataset, order=1, height, ci) : 산점도 + 회귀선
◦
hue : 범주형 데이터를 추가하여 색깔로 구분할 있다.
◦
height : figsize 와 같은 기능. 그래프의 사이즈를 조절한다.
◦
ci : 신뢰구간을 표현할것인지의 여부. ci=None → 신뢰구간 제거
◦
order : default 는 1. 1은 선형 회귀, 2는 2차 곡선, 3은 3차 곡선을 그려준다.
sns.lmplot(x="칼럼1", y="칼럼2", hue="칼럼3", data=dataset)
Python
복사
참고 : 조건에 만족하는 데이터만 추출해서 lmplot 그리기 ◦
data = df.query(”필드와 관련된 조건”)
산점도와 관련된 세부적인 옵션 변경 ◦
scatter_kws 옵션 사용
scatter_kws 를 사용해서 딕셔너리로 마크의 크기를 조정해줬다.
boxplot : 상자그래프
•
sns.boxplot(x, y, data, hue, palette)
pairplot : 관계그래프
•
sns.pairplot(data, hue)
: 모든 데이터들에 대해 pairplot
•
sns.pairplot(data, x_vars=[’x축에 올 필드1’ , ’x축에 올 필드2’], y_vars = [’y축에 올 필드1’ , ‘y축에 올 필드2’])
일부 필드만 pairplot
•
sns.pairplot(data, vars=[’필드1’ , ’필드2’ , ‘필드3’ ], kind =’reg’, height=3)
일부 필드에 대해 산점도 뿐만 아니라, 회귀선도 포함해서 그리기
Distributions(histogram & density)
histogram
•
sns.histplot(dataset[’연속형 칼럼’])
◦
범주형 칼럼을 히스토그램에 나타내기 : sns.histplot(data = dataset, x = ’연속형 칼럼’, hue = ‘범주형 칼럼’)
density(KDE)
•
sns.kdeplot(dataset[’연속형 칼럼’], fill = True)
◦
범주형 칼럼을 kdeplot에 나타내기 : sns.kdeplot(data = dataset, x = ‘연속형 칼럼’, hue = ‘범주형 칼럼’, fill = True)
•
2차원 density plot
◦
sns.jointplot(x = dataset[’연속형 칼럼1’], y = dataset[’연속형 칼럼2’], kind = ‘kde’)