📊 Matplotlib 완전 정복: 파이썬 데이터 시각화 기초부터 실전까지

🎯 들어가며

데이터 분석에서 시각화는 단순히 예쁜 그래프를 만드는 것이 아닙니다. 복잡한 데이터 속에 숨겨진 패턴을 발견하고, 인사이트를 명확하게 전달하는 강력한 도구입니다.

Python의 Matplotlib은 데이터 시각화의 표준 라이브러리로, 간단한 선 그래프부터 복잡한 3D 플롯까지 모든 것을 구현할 수 있습니다. 이 튜토리얼에서는 Matplotlib의 핵심 기능을 실전 예제와 함께 완전히 마스터해보겠습니다.

🚀 Matplotlib 시작하기

설치 및 기본 설정

Copy# 패키지 설치
pip install matplotlib numpy

# 기본 임포트
import matplotlib.pyplot as plt
import numpy as np

# 한글 폰트 설정 (한국어 사용자 필수!)
plt.rcParams['font.family'] = ['Noto Sans CJK JP']
plt.rcParams['axes.unicode_minus'] = False

💡 Pro Tip: 한글 폰트 설정을 빼먹으면 한글이 깨져서 보입니다. 반드시 설정해주세요!

📈 1. 선 그래프 (Line Plot) - 트렌드 분석의 기본

선 그래프는 시간에 따른 변화나 연속적인 데이터의 트렌드를 보여주는 가장 기본적인 차트입니다.

Copy# 데이터 준비
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 선 그래프 생성
plt.figure(figsize=(8, 6))
plt.plot(x, y, marker='o', linewidth=2, markersize=8, color='#2E86AB')
plt.title('선 그래프 예제', fontsize=14, fontweight='bold')
plt.xlabel('X 값', fontsize=12)
plt.ylabel('Y 값', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()

활용 사례:

• 📊 매출 추이 분석
• 📈 주가 변동 추적
• 🌡️ 온도 변화 모니터링

🎯 2. 산점도 (Scatter Plot) - 상관관계 발견

산점도는 두 변수 간의 관계를 시각적으로 파악할 수 있는 강력한 도구입니다.

Copy# 랜덤 데이터 생성
np.random.seed(42)
x = np.random.randn(50)
y = np.random.randn(50)
colors = np.random.rand(50)

# 산점도 생성
plt.figure(figsize=(8, 6))
plt.scatter(x, y, c=colors, alpha=0.7, s=60, cmap='viridis')
plt.title('산점도 예제', fontsize=14, fontweight='bold')
plt.xlabel('X 값', fontsize=12)
plt.ylabel('Y 값', fontsize=12)
plt.colorbar(label='색상 값')
plt.grid(True, alpha=0.3)
plt.show()

활용 사례:

• 💰 광고비 vs 매출 상관관계
• 🏠 집 크기 vs 가격 분석
• 📚 공부시간 vs 성적 관계

📊 3. 막대 그래프 (Bar Chart) - 카테고리 비교

막대 그래프는 카테고리별 데이터를 비교할 때 가장 직관적인 차트입니다.

Copy# 카테고리 데이터
categories = ['사과', '바나나', '오렌지', '포도', '딸기']
values = [23, 45, 56, 78, 32]

# 막대 그래프 생성
plt.figure(figsize=(10, 6))
bars = plt.bar(categories, values,
               color=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFEAA7'])
plt.title('과일별 판매량', fontsize=14, fontweight='bold')
plt.xlabel('과일 종류', fontsize=12)
plt.ylabel('판매량', fontsize=12)

# 막대 위에 값 표시
for bar, value in zip(bars, values):
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height + 1,
             f'{value}', ha='center', va='bottom')

plt.grid(True, alpha=0.3, axis='y')
plt.show()

활용 사례:

• 🛍️ 제품별 판매량 비교
• 🏆 팀별 성과 분석
• 🌍 지역별 인구 통계

📈 4. 히스토그램 (Histogram) - 분포 분석

히스토그램은 데이터의 분포를 한눈에 파악할 수 있게 해주는 필수 차트입니다.

Copy# 정규분포 데이터 생성
np.random.seed(42)
data = np.random.normal(100, 15, 1000)

# 히스토그램 생성
plt.figure(figsize=(10, 6))
plt.hist(data, bins=30, color='#A8E6CF', alpha=0.7,
         edgecolor='black', linewidth=0.5)
plt.title('데이터 분포 히스토그램', fontsize=14, fontweight='bold')
plt.xlabel('값', fontsize=12)
plt.ylabel('빈도', fontsize=12)

# 통계 정보 추가
mean_val = np.mean(data)
std_val = np.std(data)
plt.axvline(mean_val, color='red', linestyle='--', linewidth=2, label=f'평균: {mean_val:.1f}')
plt.legend()
plt.grid(True, alpha=0.3, axis='y')
plt.show()

활용 사례:

• 📊 고객 연령 분포 분석
• 💰 소득 분포 조사
• ⏱️ 응답 시간 분석

🎨 고급 스타일링 팁

1. 색상 팔레트 활용

Copy# 전문적인 색상 조합
colors = ['#2E86AB', '#A23B72', '#F18F01', '#C73E1D']

2. 그리드 최적화

Copyplt.grid(True, alpha=0.3, linestyle='-', linewidth=0.5)

3. 범례와 주석

Copyplt.legend(loc='best', frameon=True, shadow=True)
plt.annotate('중요 포인트', xy=(x, y), xytext=(x+1, y+1),
            arrowprops=dict(arrowstyle='->', color='red'))

🔧 실전 활용 코드

서브플롯으로 여러 차트 한번에

Copyfig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(15, 12))
fig.suptitle('종합 데이터 분석 대시보드', fontsize=16, fontweight='bold')

# 각 서브플롯에 다른 차트 생성
# ax1, ax2, ax3, ax4에 각각 다른 시각화 적용

차트 저장하기

Copyplt.savefig('my_chart.png', dpi=300, bbox_inches='tight',
            facecolor='white', edgecolor='none')

🎯 마무리

Matplotlib은 단순해 보이지만 무궁무진한 가능성을 가진 라이브러리입니다. 오늘 배운 4가지 기본 차트만으로도 대부분의 데이터 시각화 요구사항을 해결할 수 있습니다.

핵심 포인트 정리:

• ✅ 선 그래프: 시간 흐름과 트렌드 분석
• ✅ 산점도: 변수 간 상관관계 파악
• ✅ 막대 그래프: 카테고리별 비교 분석
• ✅ 히스토그램: 데이터 분포 이해

다음 단계:

1. 🎨 고급 스타일링과 테마 적용
2. 📊 인터랙티브 차트 (Plotly 연동)
3. 🌐 웹 대시보드 구축 (Streamlit/Dash)

데이터 시각화는 연습이 전부입니다. 오늘 배운 내용을 바탕으로 여러분만의 멋진 차트를 만들어보세요!

---

💡 이 튜토리얼이 도움이 되셨다면 공유해주세요. 더 많은 데이터 분석 팁은 다음 포스트에서 만나요!

📚 추가 학습 자료

• Matplotlib 공식 문서
• Seaborn으로 더 예쁜 차트 만들기
• Plotly로 인터랙티브 차트 구현