wowo0709

wowo0709

큰 사람이 되려면 큰 물에서 놀아라

[AITech] 20220204 - Seaborn Basics

5 minute read


학습 내용

Seaborn 소개

Seaborn은 Matplotlib 기반 통계 시각화 라이브러리로, 쉬운 문법과 깔끔한 디자인이 특징이며 matplotlib 기반이라 Matplotlib으로 커스텀이 가능해서 파이썬 데이터분석에서는 꼭 사용됩니다.

image-20220211113025400

현재 Seaborn의 최신 버전은 0.11 버전이며, seaborn을 import해서 사용할 때는 sns로 사용합니다.

!pip install seaborn==0.11
import seaborn as sns

Seaborn은 시각화의 목적과 방법에 따라 API를 분류하여 제공합니다.


Import Modules&Data

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns

print('seaborn version : ', sns.__version__)
# seaborn version :  0.11.0

student = pd.read_csv('./StudentsPerformance.csv')
student.head()

image-20220211113924482

student.describe()

image-20220211115922523


Categorical API

Count Plot

Categorical API의 대표적인 시각화로 Count Plot이 있습니다. Count plot은 범주를 이산적으로 세서 막대 그래프로 그려주는 함수입니다.

기본적으로 다음과 같은 파라미터들이 있습니다. Count plot에서 사용되는 파라미터들은 다른 categorial API plots에도 사용되니 이를 잘 알아두는 것이 좋습니다.

  • x(y), data, order, hue(hue_order), palette, color, saturation, ax, ...
fig, axes = plt.subplots(1, 2, figsize=(12, 5))

sns.countplot(y='race/ethnicity',                                  # y: 가로로 그림
              data=student,                                        # data: 사용할 데이터
              order=sorted(student['race/ethnicity'].unique()),    # order: 막대 순서
              hue='gender',                                        # hue: 색으로 구분할 feature
              palette='Set2',                                      # palette: 색깔 팔레트
              saturation=0.3,                                      # saturation: 채도(0~1)
              ax=axes[0]                                           # ax: 그릴 subplot
             )

sns.countplot(x='gender',                                          # x: 세로로 그림
              data=student,                                        # data: 사용할 데이터
              order=sorted(student['gender'].unique()),            # order: 막대 순서
              hue='race/ethnicity',                                # hue: 색으로 구분할 feature
              hue_order=sorted(student['race/ethnicity'].unique()),# hue_order: 색깔을 매칭할 순서
              color='red',                                         # color: 사용할 단일 색상 지정(그래디언트하게 표현)
              saturation=1,                                        # saturation: 채도(0~1)
              ax=axes[1]                                           # ax: 그릴 subplot
             )

plt.show()

image-20220211115703849

Box Plot

Box plot은 분포를 살피는 대표적인 시각화 방법으로 중간의 사각형은 왼쪽부터 25%, 50%, 75% 값을 의미합니다. 이 때 사각형의 길이를 IQR이라고 하고 양 쪽의 선의 길이는 min(1.5*IQR, min(max) value)를 나타냅니다.

image-20220211125730377

Box plot은 기본적으로 count plot에 있었던 파라미터 외에 다음과 같은 파라미터들을 가집니다.

  • width, linewidth, fliersize 
fig, ax = plt.subplots(1,1, figsize=(10, 5))

sns.boxplot(x='race/ethnicity', y='math score', data=student,
            hue='gender', 
            order=sorted(student['race/ethnicity'].unique()),
            width=0.3,    # width: 가운데 박스의 너비
            linewidth=2,  # linewidth: 박스플롯 외부 선들의 굵기
            fliersize=10, # outlier를 나타내는 범위 밖 점들의 크기
            ax=ax)

plt.show()

image-20220211130553298

Violin Plot

Box plot은 대푯값을 잘 보여주지만 실제 분포를 표현하기에는 부족합니다. Violin plot은 이런 분포에 대한 정보를 더 제공해주기에 적합한 방식입니다.

가운데 흰 점이 50%를 나타내고 중간의 굵은 검은색 막대가 IQR 범위를 의미합니다.

fig, ax = plt.subplots(1,1, figsize=(12, 5))
sns.violinplot(x='math score', data=student, ax=ax)
plt.show()

image-20220211130944012

그러나 violin plot은 오해가 생기기 충분한 표현 방식입니다.

  • 데이터는 연속적이지 않습니다. (kernel density estimate를 사용합니다.)
  • 또한 연속적 표현에서 생기는 데이터의 손실과 오차가 존재합니다.
  • 데이터의 범위가 없는 데이터까지 표시됩니다.

이런 오해를 줄이고 정보량을 높이는 방법은 다음과 같은 방법이 있습니다.

  • bw : 분포 표현을 얼마나 자세하게 보여줄 것인가(0~1)
    • ‘scott’, ‘silverman’, float
  • cut : 끝부분을 얼마나 자를 것인가?
    • float
  • inner : 내부를 어떻게 표현할 것인가
    • “box”, “quartile”, “point”, “stick”, None
fig, ax = plt.subplots(1,1, figsize=(12, 5))
sns.violinplot(x='math score', data=student, ax=ax,
               bw=0.1,
               cut=0,
               inner='quartile'
              )

plt.show()

image-20220211132113472

그리고 이외에도 다음과 같은 파라미터들이 있습니다.

  • scale : 각 바이올린의 종류
    • “area”, “count”, “width”
  • split : 동시에 비교
fig, ax = plt.subplots(1,1, figsize=(12, 7))
sns.violinplot(x='race/ethnicity', y='math score', data=student, ax=ax,
               order=sorted(student['race/ethnicity'].unique()),
               hue='gender', 
               bw=0.2, 
               cut=0, 
               inner="quartile", 
               scale="area",
               split=True
              )

plt.show()

image-20220211132647227

ETC

boxen plot, swarmplot, stripplot 등의 바리에이션들이 있습니다.

fig, axes = plt.subplots(3,1, figsize=(12, 21))

sns.boxenplot(x='race/ethnicity', y='math score', data=student, ax=axes[0],
               order=sorted(student['race/ethnicity'].unique()))

sns.swarmplot(x='race/ethnicity', y='math score', data=student, ax=axes[1],
               order=sorted(student['race/ethnicity'].unique()))

sns.stripplot(x='race/ethnicity', y='math score', data=student, ax=axes[2],
               order=sorted(student['race/ethnicity'].unique()))

plt.show()

image-20220211132906555


Distribution API

Distribution API는 범주형/연속형 모두 살펴볼 수 있습니다.

Univariate Distribution

하나의 feature에 대한 분포를 보여주는 plot입니다.

  • histplot : 히스토그램
  • kdeplot : Kernel Density Estimate
  • ecdfplot : 누적 밀도 함수
  • rugplot : 선을 사용한 밀도함수

hist plot

  • binwidth: 막대 하나의 너비
  • bins: 총 생성할 막대 개수
    • binwidth와 bins는 동시에 사용할 수 없음
  • element: 히스토그램 표현 방식
    • bars, step, poly
  • multiple: feature 분포 내에서 다른 feature의 분포도 표현하고 싶을 때 사용할 방법
    • hue 등을 지정 시 사용
fig, ax = plt.subplots(figsize=(12, 7))

sns.histplot(x='math score', data=student, ax=ax,
             hue='gender', 
             bins=20,
             element='step', # bars, step, poly
             multiple='stack', # layer, dodge, stack, fill
            )

plt.show()

image-20220211133857220

kde plot

kdeplot은 연속확률밀도를 보여주는 함수로 앞서 살펴봤던 violin plot의 반쪽이라고 생각할 수 있습니다. Seaborn의 다양한 smoothing 및 분포 시각화에 보조 정보로도 많이 사용됩니다.

  • fill: kde plot 내부를 채워줍니다.
  • bw_method: violin plot의 bw 파라미터와 동일합니다.
  • multiple: 여러 개의 분포를 나타낼 때 사용할 방식
    • layer, stack, fill
    • layer를 사용하는 것이 가장 권장됩니다.
  • cumalative: 값의 누적을 보여줍니다.
fig, ax = plt.subplots(figsize=(12, 7))

sns.kdeplot(x='math score', data=student, ax=ax,
            fill=True, 
            hue='race/ethnicity', 
            hue_order=sorted(student['race/ethnicity'].unique()),
            multiple="layer", # layer, stack, fill
            cumulative=False,
            cut=0
           )

plt.show()

image-20220211134541350

ecdf plot

ecdf plot은 누적되는 양을 표현합니다. kde plot에서 cumulative=True로 설정한 것과 같습니다.

fig, ax = plt.subplots(figsize=(12, 7))
sns.ecdfplot(x='math score', data=student, ax=ax,
             hue='gender',
             stat='count', # count, proportion
             # complementary=True
            )
plt.show()

image-20220211135115416

rugplot

rugplot은 조밀한 정도를 통해 밀도를 표현합니다. 많이 사용하지는 않지만 한정된 공간 내에서 분포를 표현하기에 적합합니다.

fig, ax = plt.subplots(figsize=(12, 7))
sns.rugplot(x='math score', data=student, ax=ax)
plt.show()

image-20220211135215665

Bivariate Distribution

두 변수 간의 분포를 보여줄 수 있습니다.

함수는 histplot과 kdeplot을 사용하고, 입력에 1개의 축만 넣는 게 아닌 2개의 축 모두 입력을 넣어주는 것이 특징입니다.

hist plot

일반 scatter plot의 alpha 값을 조정한 분포와 2차원 hist plot을 비교해보겠습니다.

fig, axes = plt.subplots(1,2, figsize=(12, 7))

axes[0].scatter(student['math score'], student['reading score'], alpha=0.2)

sns.histplot(x='math score', y='reading score', 
             data=student, ax=axes[1],
             cbar=False,
             bins=(10, 20), 
            )

plt.show()

image-20220211135608420

kde plot

2차원 kde plot을 활용하면 다음과 같이 등고선 형태의 분포를 나타낼 수 있습니다.

fig, ax = plt.subplots(figsize=(7, 7))
ax.set_aspect(1)

sns.kdeplot(x='math score', y='reading score', 
             data=student, ax=ax,
            fill=True,
#             bw_method=0.1
            )

plt.show()

image-20220211135717659


Relation&Regression API

Scatter plot

산점도는 다음과 같은 요소를 사용할 수 있습니다.

  • style
  • hue
  • size

앞서 차트의 요소에서 다루었기에 가볍게만 살펴보고 넘어가겠습니다.

style, hue, size에 대한 순서는 각각 style_order, hue_order, size_order로 전달할 수 있습니다.

fig, ax = plt.subplots(figsize=(7, 7))
sns.scatterplot(x='math score', y='reading score', data=student,
                style='gender', markers={'male':'s', 'female':'o'},
                hue='race/ethnicity', 
                size='writing score',
               )
plt.show()

image-20220211140014556

Line plot

선 그래프에서는 다른 데이터셋을 사용해보겠습니다.

flights = sns.load_dataset("flights")
flights_wide = flights.pivot("year", "month", "passengers")
flights_wide.head()

image-20220211140123492

자동으로 평균과 표준편차로 오차범위를 시각화해줍니다.

fig, ax = plt.subplots(1, 1, figsize=(12, 7))
sns.lineplot(data=flights, x="year", y="passengers", ax=ax)
plt.show()

image-20220211140525777

사용할 수 있는 파라미터로는 다음의 것들이 있습니다.

  • style: 어떤 feature에 따라 스타일을 구분할 지 지정합니다.
  • markers: 값이 있는 지점마다 marker를 찍어줄 지 지정합니다.
  • dashes: dash를 사용할 지 여부(False면 line 사용)
fig, ax = plt.subplots(1, 1, figsize=(12, 7))
sns.lineplot(data=flights, x="year", y="passengers", hue='month', 
             style='month', markers=True, # dashes=False,
             ax=ax)
plt.show()

image-20220211140921108

Reg plot

회귀선을 추가한 scatter plot입니다.

fig, ax = plt.subplots(figsize=(7, 7))
sns.regplot(x='math score', y='reading score', data=student,
               )
plt.show()

image-20220211141105305

다음의 파라미터들을 사용할 수 있습니다.

  • x_estimators: 한 축에 특정 값 하나만 보여주도록 설정할 수 있습니다.
  • x_bins: 축의 개수도 설정할 수 있습니다.
  • order: 다차원 회귀선을 추가할 수 있습니다.
  • logx: 로그 그래프를 그릴 수도 있습니다.
fig, ax = plt.subplots(figsize=(7, 7))
sns.regplot(x='math score', y='reading score', data=student,
            x_estimator=np.mean, 
            x_bins=20
           )
plt.show()

image-20220211141407917


Matrix API

Heat map

히트맵은 다양한 방식으로 사용될 수 있는데요, 대표적으로는 상관관계(correlation) 시각화에 많이 사용됩니다.

성적 데이터는 선형성이 강하므로 다른 데이터셋을 이용해보겠습니다.

heart = pd.read_csv('./heart.csv')
heart.corr()

image-20220211141805401

가장 기본적인 heapmap은 다음과 같습니다.

fig, ax = plt.subplots(1,1 ,figsize=(7, 6))
sns.heatmap(heart.corr(), ax=ax)
plt.show()

image-20220211141848328

heapmap에서 사용할 수 있는 파라미터에는 다음의 것들이 있습니다.

  • vmin, vmax: 값의 범위 조정
  • center 색상이 발산할 값의 기준을 정해줄 수 있습니다.
  • cmap: 사용할 color map을 지정할 수 있습니다.
  • annot: 각각의 박스 안에 값을 표시합니다.
  • fmt: annot=True 시 값을 표시할 때 사용할 포맷을 지정합니다.
    • ‘.2f’, ‘d’ 등
  • linewidth: 칸 사이를 나눌 선을 그을 수 있습니다.
  • square: True이면 히트맵을 정사각형으로 그립니다.
  • mask: boolean list를 전달하여 필요없는 부분을 지울 수 있습니다.
fig, ax = plt.subplots(1,1 ,figsize=(12, 9))
sns.heatmap(heart.corr(), ax=ax,
           vmin=-1, vmax=1, center=0,
            cmap='coolwarm',
            annot=True, fmt='.2f',
            linewidth=0.1, square=True
           )
plt.show()

image-20220211142521896

fig, ax = plt.subplots(1,1 ,figsize=(10, 9))
# masking
mask = np.zeros_like(heart.corr())
mask[np.triu_indices_from(mask)] = True

sns.heatmap(heart.corr(), ax=ax,
           vmin=-1, vmax=1, center=0,
            cmap='coolwarm',
            annot=True, fmt='.2f',
            linewidth=0.1, square=True, cbar=False,
            mask=mask
           )
plt.show()

image-20220211142555322



참고 자료


Leave a comment

You may also enjoy