[부스트캠프 AI tech Data Viz] week03 (2022.02.03)

1-1 Welcome to Visualization (OT)

• 시각화는 다양한 요소가 포함된 Task
• 목적: 왜 시각화하는지
• 독자: 시각화 결과는 누구를 대상으로 하는지
• 데이터: 어떤 데이터를 시각화할 것 인지
• 스토리: 어떤 흐름으로 인사이트를 전달할 것인지
• 방법: 전달하고자 하는 내용에 맞게 효과적인 방법을 사용하는지
• 디자인: UI에서 만족스러운 디자인을 가지고 있는지

1-2 시각화의 요소

• 전주의적 속성
  • 주의를 주지 않아도 인지하게 되는 요소
  • 동시에 사용하면 인지하기 어려움
  • 시각적으로 다양한 전주의적 속성이 존재
  • 적적하게 사용될 때, 시각적 분리(visual pop-out)
    

1-3 Python과 Matplotlib(colab)

• title, suptitle

fig = plt.figure()
ax1 = fig.add_subplot(1, 2, 1)
ax2 = fig.add_subplot(1, 2, 2)
ax1.set_title('ax1')
ax2.set_title('ax2')
fig.suptitle('fig')
plt.show()

• xticks, xticklabels

fig = plt.figure()
ax = fig.add_subplot(111) 
ax.plot([1, 1, 1], label='1') 
ax.plot([2, 2, 2], label='2') 
ax.plot([3, 3, 3], label='3')
ax.set_title('Basic Plot')
ax.set_xticks([0, 1, 2])
ax.set_xticklabels(['zero', 'one', 'two'])
ax.legend()
plt.show()

• annotate

fig = plt.figure()
ax = fig.add_subplot(111) 
ax.plot([1, 1, 1], label='1') 
ax.plot([2, 2, 2], label='2') 
ax.plot([3, 3, 3], label='3')
ax.set_title('Basic Plot')
ax.set_xticks([0, 1, 2])
ax.set_xticklabels(['zero', 'one', 'two'])
ax.annotate('This is Annotate', xy=(1, 2),
           xytext=(1.2, 2.2), 
            arrowprops=dict(facecolor='black'),
           )
ax.legend()
plt.show()

2-1 Bar Plot 사용하기

• 범주에 따른 수치값을 비교하기에 적합한 방법
  • 개별 비교, 그룹 비교 모두 적합
    
    

• Multiple Bar Plot

1. 플롯을 여러 개 그리는 방법
2. 한 개의 플롯에 동시에 나타내는 방법

• 쌓아서 표현하는 방법(Stacked Bar, Percentage Stacked Bar) -> bottom keyword 사용

    fig, axes = plt.subplots(1, 2, figsize=(15, 7))
    group_cnt = student['race/ethnicity'].value_counts().sort_index()
    axes[0].bar(group_cnt.index, group_cnt, color='darkgray')
    axes[1].bar(group['male'].index, group['male'], color='royalblue')
    axes[1].bar(group['female'].index, group['female'], bottom=group['male'], color='tomato')
	for ax in axes:
    	ax.set_ylim(0, 350)
	plt.show()

• Percentage Stacked Bar -> left keyword 사용

   fig, ax = plt.subplots(1, 1, figsize=(12, 7))
   group = group.sort_index(ascending=False) # 역순 정렬
   total=group['male']+group['female'] # 각 그룹별 합
   ax.barh(group['male'].index, group['male']/total, 
            color='royalblue')
   ax.barh(group['female'].index, group['female']/total, 
            left=group['male']/total, 
            color='tomato')
   ax.set_xlim(0, 1)

• ax.spines[s].set_visible : 테두리 설정

   for s in ['top', 'bottom', 'left', 'right']:
        ax.spines[s].set_visible(False)
   plt.show()

• 겹쳐서 표현하는 방법(Overlapped Bar)
• 이웃에 배치하여 표현하는 방법(Grouped Bar)
  
  

• Principle Of Proportion Ink

  • 실제 값과 그에 표현되는 그래픽으로 표현되는 잉크 양은 비례해야 함
  • 반드시 x축의 시작은 zero
  • 막대그래프에만 한정되는 원칙은 아니다!
    
    

• 데이터 정렬하기

  • 데이터 종류에 따라 다음 기준으로
    1. 시계열 | 시간순
    2. 수치형 | 크기순
    3. 순서형 | 범주의 순서대로
    4. 명목형 | 범주의 값 따라 정렬
  • 여러 가지 기준으로 정렬을 하여 패턴을 발견
  • 대시보드에서는 Interactive로 제공하는 것이 유용
    
    

• 적절한 공간 활용

  • 여백과 공간만 조정해도 가독성이 높아진다
  • matplotlib의 bar plot은 ax에 꽉차서 살짝 답답함

    X/Y axis Limit(.set_xlim(), .set_ylim())
    Spines(.spines[spine].set_visible())
    Gap(width)
    Legend(.legend())
    Margins(.margins())

    
    

• 복잡함과 단순함

  • 필요없는 복잡함(3D)은 No
  • 무엇을 보고 싶은가? / 시각화를 보는 대상이 누구인가?
    • 정확한 차이(EDA)
    • 큰 틀에서 비교 및 추세 파악
  • 축과 디테일 등의 복잡함
    
    

• ETC

  • 오차막대(uncertainty) 추가
  • Bar 사이 gap이 0 이라면 -> 히스토그램
  • 다양한 Text 정보 활용하기(title, xlabel, ylabel)

2-2 Line Plot 사용하기

• 5개 이하의 선을 사용하는 것을 추천

  • 더 많은 선은 중첩으로 인한 가독성 하락

• 구별하는 요소

  1. 색상(color)
  2. 마커(marker, markersize)
  3. 선의 종류(linestyle, linwidth)
     
     
• smoothing: noise의 인지적인 방해를 줄이기 위해 사용

• 추세에 집중

• 보간

  • scipy.interpolate.make_interp_spline()
  • scipy.interpolate.interp1d()
  • scipy.ndinmage.gaussian_filter1d()
  • 일반적인 분석에서는 지양할 것
    
    

• 이중 축(dual axis)

  • twinx()

fig, ax1 = plt.subplots(figsize=(12, 7), dpi=150)
# First Plot
color = 'royalblue'
ax1.plot(google.index, google['close'], color=color)
ax1.set_xlabel('date')
ax1.set_ylabel('close price', color=color)  
ax1.tick_params(axis='y', labelcolor=color)
# Second Plot
ax2 = ax1.twinx()  
color = 'tomato'
ax2.plot(google.index, google['volume'], color=color)
ax2.set_ylabel('volume', color=color)  
ax2.tick_params(axis='y', labelcolor=color)
ax1.set_title('Google Close Price & Volume', loc='left', fontsize=15)
plt.show()

ticks 색 변경

ax.tick_ylabel(color=color)
ax.tick_params(labelcolor=color)

• .secondary_xaxis(), .secondary_yaxis()

def deg2rad(x): #윗쪽 축
    return x * np.pi / 180
def rad2deg(x): #아래쪽 축
    return x * 180 / np.pi
fig, ax = plt.subplots()
x = np.arange(0, 360)
y = np.sin(2 * x * np.pi / 180)
ax.plot(x, y)
ax.set_xlabel('angle [degrees]')
ax.set_ylabel('signal')
ax.set_title('Sine wave')
secax = ax.secondary_xaxis('top', functions=(deg2rad, rad2deg))
secax.set_xlabel('angle [rad]')
plt.show()

• ETC

  • 범례대신 라인 끝 단에 레이블을 추가하면 식별에 도움

    ax.text(x[-1]+0.1, y1[-1], s='sin', fontweight='bold',
         va='center', ha='left', 
         bbox=dict(boxstyle='round,pad=0.3', fc='#1ABDE9', ec='black', alpha=0.3))

    
    
  • Min/Max 정보(또는 원하는 포인트)는 추가해주면 도움이 될 수 있음

# max
ax.plot([-1, x[np.argmax(y)]], [np.max(y)]*2,
        linestyle='--', color='tomato')
ax.scatter(x[np.argmax(y)], np.max(y), 
            c='tomato',s=50, zorder=20)
# min
ax.plot([-1, x[np.argmin(y)]], [np.min(y)]*2,
        linestyle='--', color='royalblue')
ax.scatter(x[np.argmin(y)], np.min(y), 
            c='royalblue',s=50, zorder=20)
plt.show() 

• 보다 연한 색을 사용하여 uncertainty 표현 가능(신뢰구간, 분산 등)

2-3 Scatter Plot 사용하기

• variation
  • 색(color)
  • 모양(marker)
  • 크기(size)
• 목적
  • 상관관계 확인
  • 군집
  • 값 사이의 차이
  • 이상치
• Over-ploting: 점이 많아질 수록 점의 분포를 파악하기 어려움
  1. 투명도조정
  2. 지터링
  3. 2차원 히스토그램
  4. Contour plot
• 점의 요소와 인지
  • 색
  • 마커: 거의 구별하기 힘들다 + 크기가 고르지 않음
  • 크기: 구별하기는 쉽지만, 오용하기 쉬움 / 관계보다는 비율에 초점