🧭 Matplotlib · Seaborn 시각화

1. Matplotlib 시각화 기초

1.1 Matplotlib 개요

Matplotlib은 파이썬 데이터 시각화의 표준 라이브러리다.
데이터를 선, 막대, 원형 등 다양한 형태로 시각화할 수 있으며, Pandas의 plot() 메서드와도 자연스럽게 연결된다.

import pandas as pd
import matplotlib.pyplot as plt

---

1.2 기본 선 그래프 (Line Plot)

가장 단순하면서도 강력한 시각화 형태.
데이터의 추세(trend)를 직관적으로 보여준다.

x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]

plt.plot(x, y, color='royalblue', marker='o', linestyle='--')
plt.title('기본 선 그래프 예시')
plt.xlabel('X축')
plt.ylabel('Y축')
plt.grid(True)
plt.show()

핵심 포인트

• color: 선 색상 지정 ('r', 'b', 'g', 혹은 'hex 코드')
• marker: 점 형태 지정 ('o', '^', 's')
• linestyle: 선 스타일 ('-', '--', ':')
• plt.grid(True): 배경 격자 표시

---

1.3 Pandas와의 통합

Pandas DataFrame에서도 직접 .plot()을 호출할 수 있다.

df = pd.DataFrame({
    '월': [1, 2, 3, 4, 5],
    '매출액': [250, 310, 400, 390, 520]
})
df.plot(x='월', y='매출액', kind='line', color='green', marker='s', title='월별 매출 추세')
plt.show()

Pandas의 .plot()은 내부적으로 Matplotlib을 호출한다.

---

2. 실무 데이터 활용 — 야후 금융 데이터 시각화

2.1 데이터 다운로드

pandas_datareader로 야후 금융 데이터를 불러올 수 있다.

!pip install pandas_datareader
from pandas_datareader import data as pdr
import datetime

start = datetime.datetime(2020, 1, 1)
end = datetime.datetime(2024, 12, 31)
apple = pdr.get_data_yahoo('AAPL', start, end)
apple.head()

---

2.2 종가(Closing Price) 시각화

plt.figure(figsize=(12, 6))
plt.plot(apple.index, apple['Close'], label='AAPL', color='navy')
plt.title('Apple 주가 추세 (2020–2024)')
plt.xlabel('날짜')
plt.ylabel('주가 ($)')
plt.legend()
plt.show()

Tip:

• 금융 시계열 시각화에는 rolling()을 이용한 이동평균선(MA) 표시가 효과적이다.

apple['MA30'] = apple['Close'].rolling(30).mean()
apple[['Close', 'MA30']].plot(figsize=(12,6), title='Apple 주가 & 30일 이동평균')

---

3. 다중 그래프와 Subplots

3.1 다중 그래프 (Multiple Plots)

하나의 Figure에 여러 데이터 시리즈를 표현한다.

plt.figure(figsize=(10, 6))
plt.plot(apple['Close'], label='Close', color='blue')
plt.plot(apple['Open'], label='Open', color='orange')
plt.title('Open vs Close')
plt.legend()
plt.show()

---

3.2 Subplots (다중 영역 그래프)

여러 개의 그래프를 행·열로 배치.

fig, axes = plt.subplots(2, 1, figsize=(10, 8))

axes[0].plot(apple['Close'], color='green')
axes[0].set_title('Close Price')

axes[1].plot(apple['Volume'], color='gray')
axes[1].set_title('Trading Volume')

plt.tight_layout()
plt.show()

핵심 포인트

• plt.subplots(nrows, ncols) : 그래프 격자 생성
• axes[row][col] 접근으로 개별 설정
• plt.tight_layout() : 겹침 방지

---

4. 주요 차트 종류

4.1 산점도 (Scatter Plot)

변수 간 상관관계 탐색에 사용.

plt.scatter(apple['Open'], apple['Close'], alpha=0.5, color='purple')
plt.title('Open vs Close Scatter Plot')
plt.xlabel('Open Price')
plt.ylabel('Close Price')
plt.show()

alpha로 투명도 조절 가능 — 데이터가 많을수록 유용.

---

4.2 원형 그래프 (Pie Chart)

비율 시각화에 유용하다.

labels = ['Apple', 'Microsoft', 'Google', 'Amazon']
sizes = [35, 30, 25, 10]

plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90, colors=['#007AFF', '#FF9500', '#34C759', '#FF3B30'])
plt.title('Tech 기업 시장 점유율')
plt.show()

주요 옵션

• autopct: 퍼센트 표시 포맷
• startangle: 회전 시작 각도

---

4.3 히스토그램 (Histogram)

데이터 분포를 시각화.

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

plt.hist(data, bins=30, color='skyblue', edgecolor='black')
plt.title('데이터 분포 히스토그램')
plt.xlabel('값')
plt.ylabel('빈도수')
plt.show()

활용 예시:

• 연령대 분포
• 가격대 분포
• 시험 점수 분석

---

5. Seaborn — 고급 시각화 라이브러리

5.1 Seaborn 소개

Matplotlib 기반의 고급 통계 시각화 패키지로, 스타일·팔레트·레이아웃이 자동 적용된다.

import seaborn as sns
sns.set_theme(style='whitegrid')

---

5.2 산점도 & 카운트플롯

tips = sns.load_dataset('tips')

sns.scatterplot(data=tips, x='total_bill', y='tip', hue='sex', size='size', palette='coolwarm')
plt.title('식사 금액 vs 팁 (성별/인원별)')
plt.show()

• hue: 색상 구분 변수
• size: 마커 크기 변수
• palette: 색상 팔레트 ('viridis', 'coolwarm', 'Set2' 등)

카운트 플롯

sns.countplot(data=tips, x='day', hue='sex')
plt.title('요일별 방문자 수 (성별 구분)')
plt.show()

---

5.3 Pairplot (변수 간 관계 탐색)

여러 변수의 상관관계를 한 번에 시각화.

sns.pairplot(tips, hue='sex', palette='husl')
plt.suptitle('Pairplot: 변수 간 관계 시각화', y=1.02)
plt.show()

→ 각 변수 조합별 산점도 + 히스토그램 자동 생성.

---

5.4 Heatmap (상관계수 시각화)

corr = tips.corr(numeric_only=True)
sns.heatmap(corr, annot=True, cmap='YlGnBu', linewidths=0.5)
plt.title('변수 간 상관관계 히트맵')
plt.show()

활용

• 연속형 변수 간 상관도 분석
• 다중 회귀 전 변수 선택 판단

---

6. 스타일링과 커스터마이징

항목	Matplotlib 코드	Seaborn 코드
전역 스타일 변경	plt.style.use('seaborn-v0_8')	sns.set_theme(style='whitegrid')
팔레트 설정	plt.rcParams['axes.prop_cycle']	sns.set_palette('Set2')
크기 변경	plt.figure(figsize=(10,6))	sns.set(rc={'figure.figsize':(10,6)})
한글 폰트 설정	plt.rc('font', family='NanumGothic')	동일 적용 가능

---

6.1 Subplot 내 Seaborn 혼합 사용

fig, axes = plt.subplots(1, 2, figsize=(12, 5))
sns.histplot(tips['total_bill'], kde=True, ax=axes[0])
sns.boxplot(data=tips, x='day', y='tip', palette='pastel', ax=axes[1])
plt.tight_layout()
plt.show()

➡ 동일 Figure 내에서 여러 시각화 타입 혼합 가능.

---

7. 학습 정리

구분	주요 기능	핵심 문법
Matplotlib	범용 그래프 제작	plt.plot, plt.scatter, plt.hist
Subplots	여러 그래프 배치	plt.subplots(nrows, ncols)
Pandas + Matplotlib	.plot() 통합	df.plot(kind='line')
Seaborn	고급 시각화	sns.scatterplot, sns.heatmap, sns.pairplot
스타일링	색상, 폰트, 크기 조정	plt.style.use, sns.set_theme

---

8. 실전 응용 예시

1. 매출 트렌드 분석
   • rolling() 이동평균 + Matplotlib line plot
   • 월별 매출 성장률 시각화
2. 고객 세그먼트별 행동 비교
   • Seaborn countplot + boxplot 조합
   • 성별/요일별 평균 소비액 시각화
3. 제품 가격대 분포와 상관관계 탐색
   • sns.pairplot, sns.heatmap으로 변수 간 연관성 확인
4. 대시보드 스타일 보고서 구성
   • Subplots 기반으로 sales, volume, profit 세 개 차트를 한 화면에 정리