Seaborn # Python에는 데이터를 시각화하기 위한 다양한 라이브러리들이 있다. Matplotlib은 전 세계에서 가장 많이 사용되는 시각화 라이브러리이며, Seaborn은 Matplotlib을 쉽게 사용하기 위해 개발된 고수준 (high-level) 라이브러리이다. Seaborn의 가장 큰 장점은 간결함으로, 비교적 짧은 코드로 통계학의 주요 그래프를 빠르고 편리하게 만들 수 있다.

Seaborn 설치 방법 및 Dependency #

Seaborn 라이브러리는 많은 사람에게 자주 사용되기 때문에 pip 와 conda 명령어를 통해 손쉽게 설치할 수 있다. * PyPl을 이용하는 경우 pip install seaborn * Conda를 이용하는 경우 conda install seaborn Seaborn을 이용하기 위해서 추가로 설치가 필요한 라이브러리 정보는 아래와 같다.

• Python 버전: 3.7 이상
• 필수 라이브러리: numpy, pandas, matplotlib
• 선택적 라이브러리: statsmodels, , scipy, fastcluster

Seaborn 이용 방법 #

다른 Python 라이브러리와 마찬가지로 import 명령어를 이용하여 불러오면 되며, 많은 사용자가 sns 이란 단어로 줄여서 이용한다.

import seaborn as sns
print(sns.__version__)
> '0.12.1'

Seaborn 을 활용하여 그릴 수 있는 그림 및 예시 코드 #

Seaborn 라이브러리 이용하면 다양한 그림을 표현할 수 있지만, 아래 예시에서는 많이 사용되는 대표 그림들을 살펴보도록 한다.

공통으로 자주 사용되는 옵션 #

• data: 시각화에 사용할 데이터를 지정
• x: 그림 상 x축에 표시할 데이터 정보
• Y: 그림 상 Y축에 효시할 데이터 정보
• hue: 데이터를 색으로 구분하여 표시
• style: 데이터를 형태로 구분하여 표시
• size: 데이터를 크기로 구분하여 표시

예시 데이터 #

Seaborn 라이브러리 내부에는 학습을 위해 몇 가지 예제 데이터가 포함되어 있다. Line plot ~ Scatter plot에서는 tips 데이터를,

tips = sns.load_dataset("tips")
tips

Heat map & Cluster map에서는 glue 데이터를 이용한다.

glue = sns.load_dataset("glue").pivot("Model", "Task", "Score")
glue

Line plot #

Line plot은 기본적으로 한 변수에 따른 다른 변수의 변화를 표시하는 데 사용된다.

기본적인 사용 방법은 아래와 같으며, 가운데 선이 각 x축 변수의 평균, 선 위/아래로 음영 표시된 영역은 신뢰구간을 의미한다.

sns.lineplot(data=tips, x="day", y="tip")

errorbar=None (or False)를 추가하면 해당 음영 영역을 생략할 수 있다.

sns.lineplot(data=tips, x="day", y="tip", errorbar=None)

hue="sex"를 사용하여 성별에 따라 서로 다른 선을 그린 후 색을 다르게 표시할 수 있다.

sns.lineplot(data=tips, x="day", y="tip", errorbar=None, hue="sex")

style="time"을 사용하여 서로 다른 시간을 선의 형태로 구분하여 표시할 수 있다.

sns.lineplot(data=tips, x="day", y="tip", errorbar=None, hue="sex", style="time")

Histogram #

Histogram은 하나 혹은 두 개 변수의 분포를 나타낼 때 사용할 수 있다.

sns.histplot(data=tips, x="tip")

Histogram 또한 hue 옵션을 사용하면 해당 변수의 차이를 시각적으로 확인할 수 있다.

sns.histplot(data=tips, x="tip", hue="sex")

또한, kde=True 옵션을 사용하면 변수에 대한 분포의 밀도 추정치를 연속된 곡선 시각화할 수 있다.

sns.histplot(data=tips, x="tip", hue="sex", kde=True)

두 개의 변수를 지정하는 경우, x축과 y축이 지정한 변수를 표시하고 해당 값이 관찰된 수는 색의 진한 정도로 표시된다.

sns.histplot(data=tips, x="total_bill", y="tip")

Bar plot #

Bar plot은 Histogram과 유사한 형태를 보이는 그림이지만, 주로 이변량(bivariate) 분석을 위한 plot으로 사용된다. 일반적으로 x축에는 범주형 변수를, y축에는 연속형 변수를 넣는다.

sns.barplot(data=tips, x="day", y="tip")

hue 옵션을 사용할 경우, 해당 변수에 따른 구분 및 비교를 할 수 있다.

sns.barplot(data=tips, x="day", y="tip", hue="sex")

Box plot #

Box plot은 데이터의 분포를 단계적으로 보여줄 때 유용하며, 최댓값, 제3 사분위 수, 중앙값(제2 사분위 수), 제1 사분위 수, 최솟값을 동시에 표현할 수 있다.

sns.boxplot(data=tips, x="day", y="tip")

Bos plot 또한 hue 옵션을 사용할 수 있다.

sns.boxplot(data=tips, x="day", y="tip", hue="sex")

Scatter plot #

Scatter plot은 2차원의 좌표평면 위에 데이터를 표시할 때 사용할 수 있다. 기본적으로 두 변수 간의 관계를 시각화하지만, hue, style, size 등을 이용하여 더욱 복잡한 관계를 표현할 수 있다.

sns.scatterplot(data=tips, x="total_bill", y="tip")

hue 옵션을 사용하여 변수에 따라 색을 다르게 표현할 수 있으며

sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day")

style 옵션으로 마커 모양을 변경하거나

sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day", style="time")

size 옵션으로 마커의 크기를 변경할 수 있다.

sns.scatterplot(data=tips, x="total_bill", y="tip", hue="day", style="time", size="size")

Heat map #

Heat map은 데이터 간의 수치를 색상으로 표현함으로써, 그 차이를 직관적으로 통찰할 수 있도록 한다.

sns.heatmap(glue)

annot=True 옵션을 통해 해당 수치를 그림에 표시할 수 있으며, fmt 옵션을 통해 해당 수치의 표기 형식을 지정할 수 있다.

sns.heatmap(glue, annot=True, fmt=".1f")

Cluster map #

Cluster map은 기존의 Heat map을 같은 형태의 그림을 제공하지만, 유상성에 따라 가로축 혹은 세로축의 순서를 변경하여 제공한다.

sns.clustermap(glue)

row_cluster 혹은 col_cluster 옵션을 통해 좌측 혹은 상단의 Dendrogram 표시를 생략할 수 있다.

sns.clustermap(glue, row_cluster=False, col_cluster=False)

row_color 혹은 col_color 옵션을 이용하면, 좌측과 상단에 새로운 칸이 추가되고 지정한 색이 표시된다.

row_colors = ["b", "r", "r", "r", "r", "b", "b", "b", "b"]
sns.clustermap(glue, row_colors=row_colors)

출처 #

Seaborn

Suggested Pages #

• 0.025 컴파일
• 0.025 Java
• 0.025 PyPy
• 0.025 Jython
• 0.025 자바
• 0.025 C#
• 0.025 귀도 반 로섬
• 0.025 객체 지향
• 0.025 프리온
• 0.025 C
• More suggestions...