[Python] 빅데이터분석 시각화 - 그래프 그리기 (Matplotlib 활용)

 

[Python] 빅데이터분석 시각화 - 그래프 그리기 (Matplotlib)

 

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rc('font', family='malgun gothic')
plt.rc('axes', unicode_minus=False)
%matplotlib inline # jupyter notebook에서 그래프를 보기 위한 코드

weather = pd.read_csv('data/weather.csv', encoding='euc-kr')
weather.head()

   도시    월   평균기온   최저기온   최고기온
0  서울   Jan     -4.0      -7.3       0.1
1  서울   Feb     -1.6      -5.9       3.3
2  서울   Mar      8.1       3.8      13.6
3  서울   Apr     13.0       8.1      18.5
4  서울   May     18.2      13.4      23.3

weather['월'] = pd.to_datetime(weather['월'], format='%b').dt.month
weather_pivot = weather.pivot(index='월', columns='도시', values='평균기온')
weather_pivot

도시  대구  서울  인천  철원
 월
 1    -0.9  -4.0  -3.8  -7.3
 2     1.3  -1.6  -1.8  -4.4
 3     9.2   8.1   6.9   6.2
 4    15.0  13.0  11.9  11.2
 5    19.2  18.2  17.0  16.8
 6    23.6  23.1  21.2  21.7
 7    28.2  27.8  26.6  25.4
 8    27.7  28.8  28.1  26.3
 9    21.0  21.5  21.6  18.8
10    14.3  13.1  13.8   9.9
11     8.8   7.8   8.5   4.5
12     2.0  -0.6  -0.2  -4.0

weather_pivot.plot()
plt.title('도시별 평균기온')
plt.xlabel('월')
plt.ylabel('기온')

weather_pivot.plot(subplots=True, figsize=(6,6));

 

---

 

# seaborn 내장 데이터로 시각화 연습
import seaborn as sns
iris = sns.load_dataset('iris')
titanic = sns.load_dataset('titanic')

 seaborn은 matplotlib처럼 그래프를 그리는데 사용하는 라이브러리다. matplotlib로 구현하는 그래프가 투박한 느낌이라면, seaborn으로 그리는 그래프는 좀 더 가시성 있고 깔끔한게 특징이다. 여기서는 seaborn의 내장 데이터를 시각화 연습 자료로 활용하기 위해 호출했다.

iris

     sepal_length   sepal_width   petal_length   petal_width     species
  0      5.1            3.5           1.4            0.2         setosa
  1      4.9            3.0           1.4            0.2         setosa
  2      4.7            3.2           1.3            0.2         setosa
  3      4.6            3.1           1.5            0.2         setosa
  4      5.0            3.6           1.4            0.2         setosa
...      ...            ...           ...            ...          ...
145      6.7            3.0           5.2            2.3        virginica
146      6.3            2.5           5.0            1.9        virginica
147      6.5            3.0           5.2            2.0        virginica
148      6.2            3.4           5.4            2.3        virginica
149      5.9            3.0           5.1            1.8        virginica

# 꽃받침 길이 시각화
#iris['sepal_length'][:10].plot(kind='bar', rot=45);
iris['sepal_length'][:10].plot.bar(rot=45);

iris[:5].plot.bar();

iris[:5].plot(kind='barh');

iris[:5].plot(kind='barh', stacked=True, legend=False);

iris_df = iris.groupby('species').mean()
iris_df

          sepal_length   sepal_width   petal_length   petal_width
species
 setosa       5.006          3.428         1.462          0.246
versicolor    5.936          2.770         4.260          1.326
virginica     6.588          2.974         5.552          2.026

iris_df.plot.barh();

iris_df.T.plot.barh();

titanic['age'].plot(kind='hist');
plt.title('나이 분포')
plt.xlabel('나이')

titanic['age'].plot.hist(bins=20, alpha=0.5, edgecolor='w', color='darkred');

titanic['age'].plot.kde();

iris.plot.density()

iris.plot.box();

iris.boxplot(by='species');

iris.plot.scatter(x='sepal_length', y='sepal_width', s=iris.petal_length*10);

# species 값이 setosa면 r, 아니면 b
np.where(iris.species=='setosa', 'r','b')
# species 값이 setosa면 r, versicolor면 b, 둘다 아니면 g
mc = np.where(iris.species=='setosa', 'r', np.where(iris.species=='versicolor','b','g'))

iris.plot.scatter(x='sepal_length', y='sepal_width', c=mc);