[AITech][Visualization] 20220214 - Plotly Express

학습 내용

Interactive를 사용하는 이유

Interactive visualization을 사용하는 이유는 무엇일까요? 여러가지가 있겠지만, 대표적인 이유로 공간의 활용을 들 수 있습니다. 먄약 10개 feature간의 상관관계를 보고 싶다면, 정적 시각화의 경우 총 10x9/2=45개의 그래프를 그려야 하겠죠. 이는 너무 공간적 낭비가 크며, 이런 경우에 동적 시각화를 사용한다면 하나의 그래프에 사용자가 원하는 정보만 띄우도록 설정할 수 있습니다.

물론, 항상 동적 시각화가 좋은 것은 아닙니다. 가령 다른 사람들에게 발표/설득을 하는 자리에서 본인의 메세지를 함축해서 담는 것은 정적 시각화의 장점입니다.

Interactive의 종류에는 Select, Explore, Reconfigure… 등의 많은 종류가 있는데, 여기서 다루지는 않고 더 많은 정보가 궁금하신 분들은 맨 아래 ‘참고 자료’를 참조하시기 바랍니다.

Interactive visualization을 실현시킬 수 있는 라이브러리로는 크게 Plotly, Bokeh, Altair가 있으며, 여기서는 현재 그 사용성이 가장 높은 Plotly, 그 중에서도 seaborn과 유사하게 만들어져 문법이 익숙하고 다양한 함수를 제공하는 Plotly Express에 대해 실습 코드와 함께 살펴보겠습니다.

Plotly

Plotly는 인터랙티브 시각화에 가장 많이 사용되는 시각화 라이브러리입니다. Python 뿐만이 아니라 R, JS에서도 제공되어 그 호환성이 높죠.

Plotly의 장점으로는 다음과 같은 것들이 있습니다.

• 예시+문서화가 잘 되어 있음
• 통계 시각화 외에도 지리 시각화 + 3D 시각화 + 금융 시각화 등 다양한 시각화 기능 제공
• JS 시각화 라이브러리 D3js를 기반으로 만들어져 웹에서 사용 가능
• 형광 Color가 인상적

Plotly Express

Ployly Express에 대한 설명으로는 다음과 같은 것들이 있습니다.

• plotly의 단순화 버전
  • 간단한 interactive
• 유연한 input (list, dict, DataFrame, GeoDataFrame)
• 적절한 color encoding
• Facet 등 seaborn의 기능 대다수 제공
• 그 외 다수 plotly에서 제공하는 유용한 시각화 제공
• 3D, animation 제공

Plotly를 설치해주고 Plotly Express를 px로 import합니다.

# !pip install plotly statsmodels
import plotly
import plotly.express as px 
import seaborn as sns

Scatter, Bar, Line

먼저 기본 플롯들인 Scatter, Bar, Line plot에 대해 알아보겠습니다. 데이터는 iris 데이터를 사용합니다.

iris = px.data.iris() 
iris.head()

Scatter

우선, seaborn과 마찬가지로 기본요소 4가지를 사용할 수 있습니다.

• x
• y
• size
• color

fig = px.scatter(iris, 
                 x='sepal_length',
                 y='petal_length',
                 size='sepal_length',
                 color='species',             
            )

fig.show()

그리고 다음의 인자들로 커스텀할 수 있습니다.

• range_x, range_y: x, y 축의 범위
• marginal_x, marginal_y: 각 축에 대한 분포
  • seaborn의 jointplot에서 사용한 것과 동일
• hover_data, hover_name: 마우스를 데이터 위에 올려놨을 때 x, y 외에 추가로 보여줄 데이터와 hover 이름 지정
• trendline: 회귀선
• facet_col, facet_row: Facet grid 기능

fig = px.scatter(iris,
                 x='sepal_length', y='petal_length',
                 color='species',
                 range_x=[4, 8], range_y=[0, 7],
                 marginal_x="box",
                 # marginal_y="violin",
                 hover_data=['sepal_width', 'petal_width'],
                 hover_name='species',
                 trendline='ols',
                 # facet_row='species'
                 facet_col='species'
                 )

fig.show()

Bar

Bar plot에서는 아래와 같은 데이터를 사용합니다.

medals = px.data.medals_long()
medals

기본적으로 아래와 같이 사용합니다.

fig = px.bar(medals, 
             x="nation", 
             y="count", 
             color="medal")

fig.show()

다른 데이터를 사용해보겠습니다.

medals_wide = px.data.medals_wide()
medals_wide

fig = px.bar(medals_wide, 
             x="nation", 
             y=["gold", "silver", "bronze"], 
             )

fig.show()

기본은 Stacked bar plot이고, barmode 인자를 통해 다른 형태로도 그릴 수 있습니다. 아래는 Grouped bar plot을 그린 것입니다.

fig = px.bar(medals, 
             x="nation", 
             y="count", 
             color="medal",
             barmode="group",
            )

fig.show()

Line

flights = sns.load_dataset('flights')
flights.head()

fig = px.line(flights, 
              x='year',
              y='passengers',
              color='month',
            )

fig.show()

Various Charts

seaborn의 다양한 내용과 겹치고. 필요에 따라 보면 좋습니다.

• hist : histogram, density_heatmap
• kdeplot : density_contour
• boxplot : box
• violinplot : violin
• stripplot : strip
• heatmap : imshow
• pairplot : scatter_matrix

plotly에서만 제공하거나, 사용하기 편리한 내용을 살펴보겠습니다.

Part-of-Whole

데이터를 트리 구조로 살필 때 유용한 시각화 방법론입니다.

• Sunburst
• Treemap

tips = px.data.tips()
tips.head()

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

fig = px.sunburst(tips, 
                  path=['day', 'time', 'sex'], 
                  values='total_bill')
fig.show()

fig = px.treemap(tips, 
                  path=['day', 'time', 'sex'], 
                  values='total_bill')
fig.show()

3-Dimensional

fig = px.scatter_3d(iris, 
                    x='sepal_length',
                    y='sepal_width', 
                    z='petal_width',
                    symbol='species',
                    color='species')
fig.show()

Multidimensional

다차원 데이터를 시각화하는 또 다른 방법론입니다.

• parallel_coordinates
• parallel_categories

fig = px.parallel_coordinates(iris, 
                              color="species_id", 
#                              color_continuous_scale=px.colors.diverging.Tealrose,
                             )
fig.show()

tips = px.data.tips()
tips['sex'] = tips['sex'].apply(lambda x : 'red' if x=='Female' else 'gray')
fig = px.parallel_categories(tips, color='sex')
fig.show()

Geo

• scatter_geo
• choropleth

geo = px.data.gapminder()#.query("year == 2007")
geo.head()

	country	continent	year	lifeExp	pop	gdpPercap	iso_alpha	iso_num
0	Afghanistan	Asia	1952	28.801	8425333	779.445314	AFG	4
1	Afghanistan	Asia	1957	30.332	9240934	820.853030	AFG	4
2	Afghanistan	Asia	1962	31.997	10267083	853.100710	AFG	4
3	Afghanistan	Asia	1967	34.020	11537966	836.197138	AFG	4
4	Afghanistan	Asia	1972	36.088	13079460	739.981106	AFG	4

fig = px.scatter_geo(geo, 
                     locations="iso_alpha",
                     color="continent", 
                     size="pop",
                     animation_frame="year",
                     projection="natural earth")
fig.show()

fig = px.choropleth(geo, 
                     locations="iso_alpha",
                     color="continent", 
                     projection="natural earth")
fig.show()

참고 자료

• Toward a Deeper Understanding of the Role of Interaction in Information Visualization
• Plotly
• Bokeh
• Altair