[AI][Data Analysis and Machine Learning]Matplotlib

수·2025년 3월 6일

AI[Data Analysis and Machine Learning]

목록 보기
7/9
post-thumbnail

파이썬의 자료(DataFrame, Series..)을 차트나 플롯으로 시각화하는 모듈

Matplotlib는 정형화된 차트나 플롯 이외에도 저수준 api를 사용한 다양한 시각화 기능을 제공한다.

  • 라인 플롯
  • 스캐터 플롯
  • 컨투어 플롯
  • 서피스 플롯
  • 바 차트
  • 히스토그램
  • 박스 플롯
  • ……..
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Line plot

선을 그리는 라인 플롯

데이터가 시간, 순서 등에 따라 어떻게 변화하는지 보여주기 위한 용도

arr=np.array([10,20,14,20])

plt.plot(arr)

# ↓ index 는 x 축으로, value 는 y 축으로 표현.
plt.show()

# 2차원 array 의 경우는?
arr = np.array([
    [10, 30, 14, 20],
    [20, 50, 33, 10],
    [30, 20, 5, 0]
])


# 두 개의 array 객체로 각각 x,y
x=np.arange(0,1,0.01)
y = x**2

plt.plot(x,y)
plt.show()

  • Series 로 line plot 그리기
    • index 가 x축, value 가 y 축
s = pd.Series(np.random.randn(10).cumsum(), index = np.arange(0, 100, 10))
s

plt.plot(s)

df = pd.DataFrame(np.random.randn(10, 4).cumsum(axis=0),
                  columns=["A", "B", "C", "D"],
                  index=np.arange(0, 100, 10))
df
0-1.146454-0.098968-0.1617740.346750
10-2.1449580.642376-0.9668040.173377
20-2.188395-0.106686-0.2401071.597660
30-1.349294-3.199973-1.0791261.884451
40-1.379968-2.588583-1.8372542.644551
50-3.425423-3.832291-1.7885542.066589
60-3.080246-5.285021-0.8487983.181507
70-2.003803-5.278669-0.4643132.398813
80-1.570444-4.847772-0.6956734.302363
90-0.699239-4.504405-1.6131793.931636
df.plot()


df[['B','A']].plot()
plt.plot(df[['B','A']])

Bar plot

s2 = pd.Series(np.random.rand(16), index=list("abcdefghijklmnop"))

s2.plot(kind='bar')


s2.plot(kind='barh')

df2 = pd.DataFrame(np.random.rand(6, 4),
                   index=["one", "two", "three", "four", "five", "six"],
                   columns=pd.Index(["A", "B", "C", "D"], name="Genus"))

df2.plot(kind='bar')
plt.show()

Histogram

도수분포표의 하나, 가로축이 계급, 세로축이 도수

인덱스 필요 X

s3 = pd.Series(np.random.normal(0, 1, size=200))
s3.hist()
  • 가로축이 value(구간)
  • 세로축이 분포(수량,개수)
  • bins=구간
s3.hist(bins=50)    # bins= 구간
plt.show()

Scatter plot

산점도: 산점도의 경우 서로 다른 두 개의 독립변수에 대해 두 변수가 어떤 관계가 있는지 살펴보기 위해 사용된다

x1 = np.random.normal(1, 1, size=(100, 1))
x2 = np.random.normal(-2, 4, size=(100, 1))

X = np.concatenate((x1,x2),axis=1)

df3=pd.DataFrame(X,columns=["x1","x2"])

plt.scatter(df3.x1,df3.x2)

Matplotlib 한글 문제

#Colab 한글 글꼴 설치 fonts-nanum

!sudo apt-get install -y fonts-nanum
!sudo fc-cache -fv
!rm ~/.cache/matplotlib -rf

plt.rc('font',family='NanumBarunGothic')
  • 후에 세션 다시시작

figure, subplot

  • figure=그림
  • subplot=그림 안의 공간

  • figure 객체 생성
fig = plt.figure()
  • subplot(그림공간) 추가
#2x2 그림공간 생성 후 그 중에서 1번째
ax1 = fig.add_subplot(2,2,1)

ax4 = fig.add_subplot(2,2,4)

  • plt.subplots(row,col) 을 더 많이 씀
fig, (ax1,ax2,ax3) = plt.subplots(1,3)

fig,((ax1,ax2),(ax3,ax4))=plt.subplots(2,2)

정리

  1. Series 나 DataFrame 에서 plot() 호출하여 직접 작성
s=pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot()
  1. pyplot의 메소드 호출
  • 간결하지만 복잡한 그래프를 그리는데 한계가 있음
plt.plot(s)
  1. figure 생성 후 subplot 에 그리기
  • 그래프는 여러 파트로 구성되어 있는데
    • 전체그림: Figure
    • Figure 안의 세부 그림→Subplot
fig =  plt.figure()ax1 = fig.add_subplot(1,1,1)
ax1.plot(s)

plot 꾸미기

plt.plot(np.random.randn(50),color='g',marker='o',linestyle='--')
plt.show()

  • plot 꾸미기 옵션
    # plot 꾸미기 옵션

# color
# 값 색상
# "b" blue
# "g" green
# "r" red
# "c" cyan
# "m" magenta
# "y" yellow
# "k" black
# "w" white

# marker
# 값 마킹
# "." point
# "," pixel
# "o" circle
# "v" triangle_down
# "^" triangle_up
# "<" triangle_left
# ">" triangle_right
# "8" octagon
# "s" square
# "p" pentagon
# "*" star
# "h" hexagon
# "+" plus
# "x" x
# "D" diamond

# line style
# 값 라인 스타일
# "-" solid line
# "--" dashed line
# "-." dash-dotted line
# ":" dotted line
# "None" draw nothing

figure→파일로 저장하기

import os
base_path=r'/content/drive/MyDrive/AI_1900/dataset'

if not os.path.exists(os.path.join(base_path,'out')):
	os.makedirs(os.path.join(base_path,'out'))
	
	
x = [1,2,3]
y = [10,20,30]

plt.plot(x,y,color='g',linestyle='-',marker='v')

plt.title('3rd Graph')
plt.savefig(os.path.join(base_path,'out','figimag1.png'))
#해상도  (출판물은 300dpi 이상 선호)
plt.savefig(os.path.join(base_path,'out','figimg2.png',dpi=200))

#벡터 포맷 저장
#확대, 축소 등의 상황에서도 이미지가 깨지지 않고 선명하게 보임

#svg 벡터
plt.savefig(os.path.join(base_path,'out','figimg3.svg'))
#pdf 벡터
plt.savefig(os.path.join(base_path,'out','figimg4.pdf'))

이미지 시각화

from IPython.display import Image

img_path = os.path.join(base_path,'cat.jpg')
Image(img_path)

  • 이미지 → array
arr = plt.imread(img_path)
arr
array([[[  5,   3,   4],
        [  5,   3,   4],
        [  5,   3,   4],
        ...,
        [  2,   2,   2],
        [  2,   2,   2],
        [  2,   2,   2]],

       [[  5,   3,   4],
        [  5,   3,   4],
        [  5,   3,   4],
        ...,
        [  2,   2,   2],
        [  2,   2,   2],
        [  2,   2,   2]],

       [[  5,   3,   4],
        [  5,   3,   4],
        [  5,   3,   4],
        ...,
        [  2,   2,   2],
  • 이미지 shape

    • (height,width,color channel)

    • color channel 은 (r,g,b) 값 각각 0~255

      arr.shape
>(1200, 1600, 3)

# row:0, col:5 의 green 값
arr[0,5,1]
>3

이미지 slicing

plt.imshow(arr[170:800])


plt.imshow(arr[170:800,230:850])

image.png

이미지 flip

plt.imshow(arr[:,::-1,:])

image.png

plt.imshow(arr[::-1,::-1,:])

gray scale 변경

arr.shape
>(1200,1600,3)
#red 만 추출
# 2차원 데이터
r = arr[:,:,0]
r.shape
plt.imshow(r)

  • image_arr.shape == (1200,1600,3)

    • r = image_arr[:, :, 0]
    • g=image_arr[:, :, 1]
    • b = image_arr[ :, :,2]

  • rgb 3개의 색값을 사용하여 한개의 색으로 변경하는 공식 예시

    • r0.2999+g0.587+b*0.114
    • 즉 (1200x1600x3)x(3x1)⇒1200x1600
def color_to_grayscale(image_arr):
	return np.dot(
				image_arr,
				np.array([0.299,0.587,0.114]) #(3x1)
			)
gray = color_to_grayscale(arr)
gray.shape
>(1200,1600)
  • plt 쓰기
plt.imshow(gray,cmap='gray')

Interpolation

from PIL import Image

img=Image.open(img_path)

type(img) 
PIL.JpegImagePlugin.JpegImageFile
def __init__(fp: StrOrBytesPath | IO[bytes], filename: str | bytes | None=None) -> None

Base class for image file format handlers.
img=Image.open(img_path)
img.thumbnail((64,64))

imgplot=plt.imshow(img)

img=Image.open(img_path)
img.thumbnail((64,64))

imgplot=plt.imshow(img,interpolation='nearest')

profile
수
어리둥절 빙글빙글 돌아가는 코딩세상~
이전 포스트

[AI][Data Analysis and Machine Learning]Pandas-DataFrame_2

다음 포스트

[AI][Data Analysis and Machine Learning]머신러닝 기초 개념

0개의 댓글