(4-3) Seaborn 심화

210830

4-3. Seaborn Advanced

이번에는 여러 차트를 사용하여 정보량을 높이는 방법에 대해 다뤄보도록 하겠습니다.

이전에는 ax에 하나를 그리는 방법이었다면, 이제는 Figure-Level로 전체적인 시각화를 그리는 API입니다.

  • jointplot

  • pairplot

  • FacetGrid

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

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

1. Joint Plot

이미 distribution api에서 결합확률 분포를 시각화하는 다양한 함수를 살펴보았습니다.

joint plot은 그런 2개 피처의 결합확률 분포와 함께 각각의 분포도 살필 수 있는 시각화를 제공합니다.

sns.jointplot(x='math score', y='reading score',data=student,
             height=7)
<seaborn.axisgrid.JointGrid at 0x1a42db5d748>

hue를 사용하여 구분할 수 있습니다.

sns.jointplot(x='math score', y='reading score',data=student,
              hue='gender'
             )
<seaborn.axisgrid.JointGrid at 0x1a435e17948>

다양한 종류로 분포를 확인할 수 있습니다.

sns.jointplot(x='math score', y='reading score',data=student,
#               hue='gender', 
              kind='reg', # { “scatter” | “kde” | “hist” | “hex” | “reg” | “resid” }, 
#               fill=True
             )
<seaborn.axisgrid.JointGrid at 0x1a437f98bc8>

2. Pair Plot

데이터셋의 pair-wise 관계를 시각화하는 함수입니다.

iris.head()

Id

SepalLengthCm

SepalWidthCm

PetalLengthCm

PetalWidthCm

Species

0

1

5.1

3.5

1.4

0.2

Iris-setosa

1

2

4.9

3.0

1.4

0.2

Iris-setosa

2

3

4.7

3.2

1.3

0.2

Iris-setosa

3

4

4.6

3.1

1.5

0.2

Iris-setosa

4

5

5.0

3.6

1.4

0.2

Iris-setosa

sns.pairplot(data=iris)
<seaborn.axisgrid.PairGrid at 0x1a43815cc88>
sns.pairplot(data=iris, hue='Species')
<seaborn.axisgrid.PairGrid at 0x1a438163cc8>

2가지 변수를 사용하여 시각화 방법을 조정할 수 있습니다.

kind는 전체 서브플롯, diag_kind는 대각 서브플롯을 조정합니다.

  • kind : {‘scatter’, ‘kde’, ‘hist’, ‘reg’}

  • diag_kind : {‘auto’, ‘hist’, ‘kde’, None}

sns.pairplot(data=iris, hue='Species', kind='hist')
<seaborn.axisgrid.PairGrid at 0x1a43b40c4c8>

기본적으로 pairwise로 하게 되면 모양이 대각선을 기준으로 대칭입니다. 상삼각행렬의 plot은 보지 않는 방법도 있습니다.

sns.pairplot(data=iris, hue='Species', corner=True)
<seaborn.axisgrid.PairGrid at 0x1a43d7f95c8>

3. Facet Grid 사용하기

pairplot과 같이 다중 패널을 사용하는 시각화를 의미합니다.

다만 pairplot은 feature-feature 사이를 살폈다면, Facet Grid는 feature-feature 뿐만이 아니라 feature's category-feature's category의 관계도 살펴볼 수 있습니다.

단일 시각화도 가능하지만, 여기서는 최대한 여러 pair를 보며 관계를 살피는 것을 위주로 보면 좋습니다.

총 4개의 큰 함수가 Facet Grid를 기반으로 만들어졌습니다.

  • catplot : Categorical

  • displot : Distribution

  • relplot : Relational

  • lmplot : Regression

3-1. catplot

이미 수 많은 방법을 앞에서 살펴보았기에 각각에 대한 설명은 생략하도록 하겠습니다. catplot은 다음 방법론을 사용할 수 있습니다.

  • Categorical scatterplots:

    • stripplot() (with kind="strip"; the default)

    • swarmplot() (with kind="swarm")

  • Categorical distribution plots:

    • boxplot() (with kind="box")

    • violinplot() (with kind="violin")

    • boxenplot() (with kind="boxen")

  • Categorical estimate plots:

    • pointplot() (with kind="point")

    • barplot() (with kind="bar")

    • countplot() (with kind="count")

student.head()

gender

race/ethnicity

parental level of education

lunch

test preparation course

math score

reading score

writing score

0

female

group B

bachelor's degree

standard

none

72

72

74

1

female

group C

some college

standard

completed

69

90

88

2

female

group B

master's degree

standard

none

90

95

93

3

male

group A

associate's degree

free/reduced

none

47

57

44

4

male

group C

some college

standard

none

76

78

75

sns.catplot(x="race/ethnicity", y="math score", hue="gender", data=student)
<seaborn.axisgrid.FacetGrid at 0x1a43d7347c8>

기본은 stripplot이고, 다른 플롯도 사용할 수 있습니다.

sns.catplot(x="race/ethnicity", y="math score", hue="gender", data=student,
            kind='box'
           )
<seaborn.axisgrid.FacetGrid at 0x1a43e8cb688>

FacetGrid는 행(Row)과 열(Column)을 조정하는 것이 중요합니다.

각 행과 열의 category를 기반으로 해당 그래프의 개수가 조정됩니다.

sns.catplot(x="race/ethnicity", y="math score", hue="gender", data=student,
            kind='box', col='lunch', row='test preparation course'
           )
<seaborn.axisgrid.FacetGrid at 0x1a43ea69548>

3-2. displot

displot은 다음 방법론을 사용할 수 있습니다.

  • histplot() (with kind="hist"; the default)

  • kdeplot() (with kind="kde")

  • ecdfplot() (with kind="ecdf"; univariate-only)

sns.displot(x="math score", hue="gender", data=student)
<seaborn.axisgrid.FacetGrid at 0x1a43f51e448>
sns.displot(x="math score", hue="gender", data=student,
           col='race/ethnicity', # kind='kde', fill=True
            col_order=sorted(student['race/ethnicity'].unique())
           )
<seaborn.axisgrid.FacetGrid at 0x1a43f79f4c8>

3-3. relplot

relplot은 다음 방법론을 사용할 수 있습니다.

  • scatterplot() (with kind="scatter"; the default)

  • lineplot() (with kind="line")

sns.relplot(x="math score", y='reading score', hue="gender", data=student,
           col='lunch')
<seaborn.axisgrid.FacetGrid at 0x1a440f6d1c8>

3-4. lmplot

lmplot은 다음 방법론을 사용할 수 있습니다.

  • regplot()

sns.lmplot(x="math score", y='reading score', hue="gender", data=student)
<seaborn.axisgrid.FacetGrid at 0x1a441025308>
Previous[S]Data VizNext(4-2) Seaborn 기초

Last updated

Was this helpful?