(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>