[AITech] 20220203 - Matplotlib Line Plot
학습 내용 정리
기본 Line Plot
Line Plot은 연속적으로 변화하는 값을 순서대로 점으로 나타내고, 점들을 선으로 잇습니다.
따라서 시간/순서에 대한 변화를 나타내기에 적합하여 추세를 살피기 위한 용도로 사용됩니다.
Line plot을 그릴 대는 ax.plot() 메서드를 사용합니다.
fig, axes = plt.subplots(1, 2, figsize=(12, 7))
x1 = [1, 2, 3, 4, 5]
x2 = [1, 3, 2, 4, 5] # x축 순서 엉망
y = [1, 3, 2, 1, 5]
axes[0].plot(x1, y)
axes[1].plot(x2, y)
plt.show()
위의 두 그래프를 대조하면 선을 앞에서부터 순서대로 긋는 것이 아니라, 전달된 점을 순서대로 잇는 방식으로 동작한다는 것을 알 수 있습니다.
Line Plot의 요소
Line plot에서 변주를 줄 수 있는 요소로는 다음의 것들이 있습니다.
- 색상:
color - 마커:
marker,markersize - 선의 종류:
linestyle,linewidth- solid(default), dashed(–), dashdot(-.), dotted(:), None
fig, ax = plt.subplots(1, 1, figsize=(5, 5))
np.random.seed(97)
x = np.arange(7)
y = np.random.rand(7)
ax.plot(x, y,
color='black',
marker='*',
linestyle='solid',
)
plt.show()
Line Plot을 위한 전처리
매우 촘촘하고 변동 폭이 큰 데이터의 경우, Noise로 인해 패턴 및 추세 파악이 어려울 수 있습니다.
Noise의 방해를 줄이기 위해 smoothing을 사용할 수 있는데요, 그래프를 그릴 때 적용하는 방법도 있지만 여기서는 데이터프레임 자체에 이동평균을 적용하는 방법을 살펴보겠습니다.
# 데이터셋
google = stock[stock['symbol']=='GOOGL']
google_rolling = google.rolling(window=20).mean() # 이동평균
# 그래프
fig, axes = plt.subplots(2, 1, figsize=(12, 7), dpi=300, sharex=True)
axes[0].plot(google.index,google['close'])
axes[1].plot(google_rolling.index,google_rolling['close'])
plt.show()
더 정확한 Line Plot
추세에 집중
Line Plot의 가장 큰 목적은 추세의 확인이므로, bar plot과 다르게 꼭 축을 0에서 시작할 필요는 없습니다.
같은 맥락으로, 너무 구체적인 line plot보다는 어느정도 생략된 line plot이 더 나을 수 있습니다.
- Grid, Annotate 등 모두 제거
- 디테일한 정보는 표로 제공하는 것을 추천
from matplotlib.ticker import MultipleLocator # 축의 단위를 지정
fig = plt.figure(figsize=(12, 5))
np.random.seed(970725)
x = np.arange(20)
y = np.random.rand(20)
# Ax1(복잡, 많은 정보 -> 추세와 함께 정확한 수치값)
ax1 = fig.add_subplot(121)
ax1.plot(x, y,
marker='o',
linewidth=2)
ax1.xaxis.set_major_locator(MultipleLocator(1))
ax1.yaxis.set_major_locator(MultipleLocator(0.05))
ax1.grid(linewidth=0.3)
# Ax2(단순, 적은 정보 -> 추세만)
ax2 = fig.add_subplot(122)
ax2.plot(x, y,
linewidth=2,)
ax2.spines['top'].set_visible(False)
ax2.spines['right'].set_visible(False)
ax1.set_title(f"Line Plot (information)", loc='left', fontsize=12, va= 'bottom', fontweight='semibold')
ax2.set_title(f"Line Plot (clean)", loc='left', fontsize=12, va= 'bottom', fontweight='semibold')
plt.show()
간격
Line plot에서는 간격이 오해를 불러일으킬 수 있습니다.
- 실제 데이터를 기준으로 동일 간격으로 나타낼 때: 기울기 정보(변화율)의 오해
- 실제 데이터와 상관없이 동일 간격으로 나타낼 때: 없는 데이터를 있다고 오해
따라서, 간격은 실제 데이터와 상관없이 일정하게 하되 각 데이터에 점을 찍어주는 것이 좋습니다.
x = [2, 3, 5, 7, 9]
y = [2, 3, 4, 7, 10]
fig, ax = plt.subplots(1, 3, figsize=(13, 4))
ax[0].plot([str(i) for i in x], y)
ax[1].plot(x, y)
ax[2].plot(x, y, marker='o') # best!
plt.show()
보간
보간(Interpolation)이란 데이터와 데이터 사이 데이터가 존재하지 않는 부분을 채워넣는 기법에 관한 것입니다.
- Moving Average
- Smooth Curve with Scipy
scipy.interpolate.make_interp_spline()scipy.interpolate.interp1d()scipy.ndimary.gaussian_filter1d()
Presentation에는 좋은 방법일 수 있으나, 없는 데이터를 있다고 오해하게 할 수 있고 작은 차이를 없앨 수 있기 때문에 일반적인 분석에서는 지양할 것을 권장합니다.
- 부드러운 곡선 그리기
- Noise가 많은 데이터일수록 이동평균만으로 부드러운 곡선이 그려질 수 있다!
이중 축 사용
한 plot에 대해 2개의 다른 축을 이중 축(dual axis)이라고 하며, 2가지 방법으로 사용합니다.
-
같은 축을 공유하는 서로 다른 데이터를 표현
.twinx()사용
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()
-
한 데이터에 대해 서로 다른 단위의 축을 사용(ex. radian과 degree)
.secondary_xaxis(),.secondary_yaxis()사용
def deg2rad(x): return x * np.pi / 180 def rad2deg(x): 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') # 2번재 x축 생성 secax = ax.secondary_xaxis('top', functions=(deg2rad, rad2deg)) secax.set_xlabel('angle [rad]') plt.show()
다만, 이중 축의 사용보다는 2개의 plot을 그리는 것이 권장됩니다.
ETC
-
라인 끝 단에 레이블을 추가하면 식별에 도움(범례 대신)
fig = plt.figure(figsize=(12, 5)) x = np.linspace(0, 2*np.pi, 1000) y1 = np.sin(x) y2 = np.cos(x) ax = fig.add_subplot(111, aspect=1) ax.plot(x, y1, color='#1ABDE9', linewidth=2,) ax.plot(x, y2, color='#F36E8E', linewidth=2,) # 라인 끝 단에 label 표시 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)) ax.text(x[-1]+0.1, y2[-1], s='cos', fontweight='bold', va='center', ha='left', bbox=dict(boxstyle='round,pad=0.3', fc='#F36E8E', ec='black', alpha=0.3)) ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False) plt.show()
-
Min/Max 정보(또는 원하는 포인트)는 추가해주면 도움이 될 수 있음
fig = plt.figure(figsize=(7, 7)) np.random.seed(97) x = np.arange(20) y = np.random.rand(20) ax = fig.add_subplot(111) ax.plot(x, y, color='lightgray', linewidth=2,) ax.set_xlim(-1, 21) # 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 정보 표현 가능(신뢰구간, 분산 등)
기본적으로 line plot은 scatter plot이나 다른 기법들과 융합하여 많이 사용됩니다.
참고 자료
- 기본 Line Plot - Line Plot의 요소: 마커의 종류
- 더 정확한 Line Plot - 보간: 부드러운 곡선 그리기
Leave a comment