✅ Matplotlib

: 파이썬의 대표적인 데이터 시각화 라이브러리

plot 함수

예시

from matplotlib import pyplot as plt
plt.plot([1,2,3,4],[5,6,7,8],label = 'kg')
plt.title('Test Plot')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc = 'upper left')
plt.xticks([1,2,3,4],[1,2,3,4]) # 이거 안하면 1, 1.5, 2, 2.5...
plt.yticks([5,6,7,8],[50,60,70,80])
# plt.savefig('First graph.png', dpi = 150, bbox_inches = 'tight') 
# First graph.png': 저장 경로
# tight : 여백불포함
plt.show()

두 개의 선 그리기

from matplotlib import pyplot as plt
plt.plot([1,2,3,4],[1,2,3,4],label = 'kg')
plt.plot([1,2,3,4],[4,3,2,1],label = 'cm')
plt.legend(loc = 'upper right')
plt.show()

객체 지향 vs 상태 기반

• 객체 지향 : Figure, Axes 객체를 직접 생성
  • Figure : 그래프를 그릴 전체 영역
  • Axes : 그래프의 실제 내용
• 상태 기반 : Matplotlib의 pyplot 모듈을 사용해 상태를 유지

특징	객체 지향	상태기반
코드 구조	명확, 확장가능	간결, 빠르게 작성 가능
제어 수준	세부적 제어 가능	간단 설정에 적합
사용 대상	복잡 그래프, 다중 subplot	단순 그래프
전역 상태 의존 여부	X	O

Figure, Axes 객체

fig, axes = plt.subplots(3,2, figsize=(10, 5))
fig.tight_layout()

sin, cos 그래프 그리기

x = np.linspace(0, 2* np.pi, 100)

fig, axs = plt.subplots(1, 2, figsize=(10, 5), sharex = True)

axs[0].plot(x, np.sin(x), label='sin(X)')
axs[0].set_title('Sine')
axs[0].set_xlabel('x')
axs[0].set_ylabel('sin(x)')

axs[1].plot(x, np.cos(x), label='cos(X)')
axs[1].set_title('Cosine')
axs[1].set_xlabel('x')
axs[1].set_ylabel('cos(x)')

fig.tight_layout()
plt.show()

rc 함수

폰트 설정

from matplotlib import rc # 런타임 구성 옵션
rc('font',family='Malgun Gothic') # 윈도우
rc('font',family='AppleGothic') # 맥
rc('font',family='NanumGothic') # 리눅스

마이너스 부호 깨짐 방지

plt.rcParams['axes.unicode_minus'] = False

---

Matplotlib 소개 및 실습 정리

1. Matplotlib이란?

• Python에서 가장 널리 사용되는 데이터 시각화 라이브러리
• 다양한 차트(막대, 선, 산점도, 파이, 히스토그램, 박스플롯, 바이올린, 히트맵 등) 지원
• matplotlib.pyplot 모듈을 중심으로 사용

import matplotlib.pyplot as plt

---

2. 기본 데이터 준비

# Bar chart
categories = ['Category 1', 'Category 2', 'Category 3', 'Category 4']
values = [30, 50, 25, 40]

# Line chart
x_values = [1, 2, 3, 4, 5]
y_values = [10, 20, 15, 25, 30]

---

3. 기본 차트

(1) 막대 차트 (Bar Chart)

plt.bar(categories, values)
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Bar Chart')
plt.show()

(2) 선 차트 (Line Chart)

plt.plot(x_values, y_values, marker='o', linestyle='-')
plt.xlabel('X Values')
plt.ylabel('Y Values')
plt.title('Line Chart')
plt.grid(True)
plt.show()

---

4. 산점도 & 파이 차트

import numpy as np

# Scatter data
x_scatter = np.random.rand(50)
y_scatter = np.random.rand(50)
colors_scatter = np.random.rand(50)
sizes_scatter = np.random.randint(10, 100, 50)

# Pie data
labels_pie = ['Category A', 'Category B', 'Category C', 'Category D']
sizes_pie = [30, 15, 25, 30]

(1) 산점도 (Scatter Plot)

plt.scatter(x_scatter, y_scatter, c=colors_scatter, s=sizes_scatter, alpha=0.7)
plt.xlabel('X Values')
plt.ylabel('Y Values')
plt.title('Scatter Plot')
plt.colorbar(label='Color Scale')
plt.show()

(2) 파이 차트 (Pie Chart)

plt.pie(sizes_pie, labels=labels_pie, autopct='%1.1f%%', startangle=90)
plt.axis('equal')
plt.title('Pie Chart')
plt.show()

---

5. 분포 및 밀도 시각화

# Data
data_histogram = np.random.randn(1000)
data_boxplot = [np.random.normal(0, std, 100) for std in range(1, 5)]
data_violin = [np.random.normal(0, std, 100) for std in range(1, 5)]
data_heatmap = np.random.rand(5, 5)

(1) 히스토그램 (Histogram)

plt.hist(data_histogram, bins=20, edgecolor='black')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram')
plt.show()

(2) 박스 플롯 (Box Plot)

plt.boxplot(data_boxplot, labels=['Box 1', 'Box 2', 'Box 3', 'Box 4'])
plt.xlabel('Box Number')
plt.ylabel('Values')
plt.title('Box Plot')
plt.show()

(3) 바이올린 플롯 (Violin Plot)

plt.violinplot(data_violin, showmedians=True)
plt.xlabel('Data Series')
plt.ylabel('Values')
plt.title('Violin Plot')
plt.xticks(np.arange(1, 5), ['Series 1', 'Series 2', 'Series 3', 'Series 4'])
plt.show()

(4) 히트맵 (Heatmap)

plt.imshow(data_heatmap, cmap='coolwarm', interpolation='nearest')
plt.colorbar(label='Color Scale')
plt.title('Heatmap')
plt.show()

더 정교한 시각화는 Seaborn, Plotly 등과 함께 사용 가능