---

개요

---

📌 데이터 시각화

---

📌 그래프 그리기 (차트)

• 차트 시각화 참고자료

---

📌 Line Plot

Line Plot (선 그래프)

• 선 그래프는 데이터 간 연속적인 관계 시각화에 적합
  주로 시간의 흐름에 따른 데이터의 변화 시각화
  • 자료 유형: 연속적인 데이터의 추이를 보여줄 때 사용
  • 활용: 시간에 따른 데이터의 변화, 추세를 보여줄 때 효과적
    
    

---

• 데이터 불러오기

import seaborn as sns
data = sns.load_dataset('flights')
data

• 데이터 전처리

# 연도 기준으로 그룹화 후 승객 컬럼을 sum()하여 연도별 승객 수 데이터 추출
data_gr = data[['year', 'passengers']].groupby('year').sum().reset_index()
data_gr

• 선 그래프 시각화

plt.plot(data_gr['year'], data_gr['passengers'])
plt.xlabel('year')
plt.ylabel('passengers')
plt.show()

---

📌 Bar Plot

Bar Plot (막대 그래프)

• 막대 그래프는 범주형 데이터를 나타내며, 각 막대로 값의 크기를 비교하는 데 사용
  • 자료 유형: 범주형 데이터 간의 비교를 나타낼 때 주로 사용
  • 활용: 카테고리 별로 값의 크기나 빈도를 시각적으로 비교할 때 유용
    
    

---

• 데이터 생성

df = pd.DataFrame({
    '도시' : ['서울', '부산', '대구', '인천'],
    '인구' : [990, 250, 250, 290]
})
df

• 막대 그래프 시각화

plt.bar(df['도시'], df['인구'])
plt.xlabel('도시')
plt.ylabel('인구')
plt.title('도시별 인구 수')
plt.show()

---

📌 Histogram

 Histogram (히스토그램)

• 히스토그램은 연속된 데이터의 분포 시각화
  주로 데이터의 빈도를 시각화하여 해당 데이터의 분포를 이해하는 데 사용
  • 자료 유형: 연속형 데이터의 분포를 보여줄 때 사용
  • 활용: 데이터의 빈도나 분포, 패턴을 이해하고자 할 때 유용
    
    

• 연속형 랜덤 데이터 생성 (feat. numpy)

  

import numpy as np
data = np.random.randn(1000)
data.shape

• 히스토그램 시각화

plt.hist(data, bins = 30) #bins 값 조절로 가로축 구간의 갯수 조절 / 기본값 : 30
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('TEST')
plt.show()

---

+)  Bar vs Histogram 의 차이

• 데이터 시각화의 목적이 다르다.
• 막대는 주로 범주형 데이터의 값을 비교
• 히스토그램은 연속적인 데이터의 분포를 시각화하는데 사용

---

📌 Pie Chart

Pie Chart (원 그래프)

• 원 그래프는 전체에서 각 부분의 비율을 시각화.
  주로 카테고리별 비율을 비교할 때 사용
  - 자료 유형: 범주형 데이터의 상대적 비율을 시각화하는 데 사용
  - 활용: 전체에 대한 각 범주의 비율을 보여줄 때 유용
  

• 파이차트 시각화

sizes = [40, 5, 22, 18, 15]
labels = ['1','2','3','4','5']
plt.pie(sizes, labels = labels)
plt.title('TEST')
plt.show()

---

📌 Box Plot

Box Plot (박스 플롯)

• 박스 플롯은 데이터의 분포와 이상치를 시각화
  중앙값, 사분위수, 최솟값, 최댓값 등의 정보를 제공, 데이터의 통계적 특성 파악에 사용
  - 자료 유형: 연속형 데이터의 분포와 이상치를 시각화하는 데 주로 사용
  - 활용: 데이터의 중앙값, 사분위수, 최소값, 최대값, 이상치를 한 눈에 파악 가능
  

• 데이터 생성

iris = sns.load_dataset('iris')
species = iris['species'].unique()
sepal_lengths_list = [iris[iris['species'] == s]['sepal_length'].tolist() for s in species]
sepal_lengths_list

• 박스 플롯 시각화

# plt.figure(figsize = (5,3)) < 크기 조절 가능
plt.boxplot(sepal_lengths_list, labels = species)
plt.xlabel('species')
plt.ylabel('Sepal Length')
plt.title('Box Plot')
plt.show()

+)

• seaborn 라이브러리에서도 박스플롯 시각화 가능

sns.boxplot(x='species', y='sepal_length', data=iris)
plt.show()

---

📌 Scatter Plot

Scatter Plot (산점도)

• 산점도는 두 변수 간의 관계를 점으로 표시하여 보여주는 그래프
• 두 변수 간의 상관 관계를 보여주고,
  각 점이 데이터 포인트를 나타내며, 그 점들이 어떻게 분포되어 있는지 시각적으로 확인
  - 자료 유형: 두 변수 간의 관계 및 상관관계를 보여줄 때 사용
  - 활용: 변수 간의 관계, 군집, 이상치를 확인하고자 할 때 유용
  

• 산점도 그리기

plt.scatter(iris['petal_length'], iris['petal_width'])
plt.xlabel('Petal_length')
plt.ylabel('Petal_width')
plt.show()

plt.scatter(iris['sepal_length'], iris['sepal_width'])
plt.xlabel('sepal_length')
plt.ylabel('sepal_width')
plt.show()

+)

• 상관계수 구하기

# numeric_only = True 를 하게 되면, 
# iris 데이터셋 내 계산이 가능한 숫자 데이터들만 불러와 상관계수를 구할 수 있다.
iris.corr(numeric_only=True)

---