[python시각화] seaborn, pandas plot 정리

사용 데이터셋 

https://www.data.go.kr/dataset/3035522/fileData.do

현재 이 데이터셋은 폐기 되었다고 나온다. 

 

위 공공데이터를 사용하여 인프런강의 (공공데이터로 파이썬 데이터 분석) (https://bit.ly/3sISk6Z) 의 방법으로 전처리한 데이터로 시각화 정리 진행한다. 

사용할 데이터

 

cf1) figure, axes 생성

fig=plt.figure(figsize=(10,3), dpi=100)
ax1=fig.subplots()

 

cf2) 모든 x tick 표현하기 

_=plt.xticks(ticks=np.arange(len(df)), labels=df.index)

 

cf3) x축 소수점 제거

from matplotlib.ticker import MaxNLocator
ax1.xaxis.set_major_locator(MaxNLocator(integer=True))

 

(cf4) 그래프의 밖에 Legend 표시하도록 설정

plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)

 

 

 

 lineplot 

---

1. pandas plot

(1) pandas plot의 기본 plot - lineplot 

- df의 index 또는 column 값을 기준으로 그려짐 

df.plot(figsize=(10,3))

지역별 평당분양가격 , gropuby 사용

cf) 모든 x tick 표현하기 

_=plt.xticks(ticks=np.arange(len(g)), labels=g.index)

- df 의 column이 여러 개 존재할 때  (df의 column이 seaborn의 hue역할)

연도별 지역별 평당분양가격

 

2. seaborn plot 

sns.lineplot(data=df, x="연도", y="평당분양가격", hue="지역명", ci=None, ax=ax1)
ax1.legend(bbox_to_anchor=(1.02, 1), loc=2)

연도별 지역별 평당분양가격

 

 

 

 pointplot 

sns.pointplot(data=df, x="연도", y="평당분양가격", hue="지역명", ci=None, ax=ax2)
ax2.legend(bbox_to_anchor=(1.02, 1), loc=2)

연도별 지역별 평당분양가격

 

 

 

 

 barplot 

---

1. pandas plot 

(1) df.plot(kind='bar')

- df의 index 또는 columm 값을 기준으로 그려짐

df.plot.bar(rot=0, figsize=(10, 3))
# or
df.plot(kind='bar',rot=0, ax=ax1)

지역 별 평당분양가격 , groupby 사용

(2) df.plot.bar()

df.plot.bar(color='g',rot=0, figsize=(10,3)) # cmap='Pastel1' 또한 가능

지역별 평당분양가격

 

- column 여러개일 때 ( df의 column이 seaborn의 hue와 같은 역할)

ax=df2.plot.bar(figsize=(10,3), rot=0)
ax.set_ylabel('평당분양가격')

지역별 연도별 평당분양가격

 

 

2. seaborn plot 

sns.barplot(data=df, x="지역명", y="평당분양가격")
# estimator default: mean
# color changable
# palette (https://seaborn.pydata.org/tutorial/color_palettes.html)
# ci: bootstrap resampling (with replacement), sorted means

palette 색 모음 링크

지역별 평당 분양가격 (확실히 seaborn이 더 예쁘긴 하다)

 

- hue 지정 

sns.barplot(data=df, x="지역명", y="평당분양가격", hue='연도', ci=None)

 

 

 histplot 

---

1. pandas plot

(1) df.plot(kind='hist') or df.plot.hist()

df.plot(kind='hist', figsize=(10, 3), title='평당분양가격')
# or
ax=df.plot(kind='hist', figsize=(10, 3))
ax.set_title('평당분양가격')

평당분양가격의 분포

df["평당분양가격"].plot.hist(bins=50)

 

 

(2) df.hist(bins=)

df["평당분양가격"].hist(bins=50)

axs=df.hist(bins=50, figsize=(10,10))
ax1,ax2,ax3,ax4=axs.flatten()
ax2.set_title('ax별 제목 지정 가능')

 

 

 

 

 

2. seaborn plot 

sns.histplot(df["평당분양가격"], kde=True)

 

 

 

 kdeplot 

---

1. seaborn plot 

sns.kdeplot(data=df['평당분양가격'])

sns.kdeplot(data=df[['평당분양가격','분양가격']])

 

 

 

 

 

 boxplot 

---

1. pandas plot

(1) df.plot(kind='box')

df.plot(kind='box', figsize=(5, 5))

 

(2) df.plot.box()

- df 의 column이 x축 

df.plot.box(fontsize=15)

 

월별 연도별 평당분양가격

- 이중 column일 경우 

df.plot.box(figsize=(15, 3), rot=30)

월별 연도별 전용면적별 평당분양가격

(3) df.boxplot(column='', by='')

- by: x축 

df.boxplot(column='평당분양가격',by='연도', figsize=(5,3), rot=30)

연도별 평당분양가격

- by가 리스트일 때 

df.boxplot(column='평당분양가격',by=['연도','전용면적'], figsize=(20,3), rot=30)

연도별 전용면적별 평당분양가격

 

 

 

2. seaborn plot 

sns.boxplot(data=df, x="연도", y="평당분양가격")

연도별 평당분양가격

 

- hue 지정

plt.figure(figsize=(12, 3))
sns.boxplot(data=df_last, x="연도", y="평당분양가격", hue="전용면적")

 

 

 violinplot 

1. seaborn plot 

sns.violinplot(data=df, x="연도", y="평당분양가격")

연도별 평당분양가격

- hue 지정

plt.figure(figsize=(12, 3))
sns.violinplot(data=df, x="연도", y="평당분양가격", hue="전용면적")

연도별 전용면적별 평당분양가격

 

 

 

 heatmap 

1. seaborn plot 

plt.figure(figsize=(15, 7), dpi=100)
ax=sns.heatmap(df, cmap="Blues", annot=True, fmt=".0f")

연도별 지역별 평당분양가격, pivot_table로 전처리 해준 df에 적용해야 함

 

 

2. matplotlib pcolor  

fig=plt.figure(figsize=(15,5), dpi=100)
ax=fig.subplots()

t2=t.iloc[::-1]
t2
hm1=ax.pcolor(t2, cmap="Blues")
_=fig.colorbar(hm1, ax=ax)

col_len=len(t2.columns)
row_len=len(t2.index)
for r in range(row_len):
    for c in range(col_len):
        _=ax.text(c+0.5, r+0.5, int(t2.iloc[r, c]),ha="center", va="center", color="k", fontsize=11)

_=ax.set_xticks(np.arange(col_len)+0.5)
_=ax.set_xticklabels(t2.columns)

_=ax.set_yticks(np.arange(row_len)+0.5)
_=ax.set_yticklabels(t2.index)