Visualization-Seaborn Basic

KyungHyun Lim

ML/AI/SW Developer

Visualization-Seaborn Basic

Aug 26, 2021

Visualize
ML_AI

향후.. plot 추가 예정

1. Intro

1.1 seaborn?

통계 정보
Matplotlib으로 커스텀 가능
쉬운 문법과 깔끔한 디자인이 특징
아직 1.0 버전이 없음

1.2 설치방법

pip insatll seaborn==0.11
import seaborn as sns
- 왜 sns로 줄여쓰는지는…?

1.3 다양한 API

Categorical API
Distribution API
Relational API
Regression API
Multiples API
Theme API

2. Basic

2.1 공통요소

Countplot

# 수직 bar graph
# hue => gender로 grouping
# order => group의 순서 정렬
# palette => 색상변경, saturation도 조절 가능
# ax => subplot 위치 지정 가능
sns.countplot(x='column_name1', data=<DataFrame>,
			hue = 'column_name2',
			order=sorted(<DataFrame>.unique()),
			palette = 'Set2',
			ax=axes[0])
# 수평 bar graph
sns.countplot(y='column_name1', data=<DataFrame>, ax=axes[1])

2.2 Categorical API

Box Plot
- 가장 기본적인 plot

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

# 2
fig, ax = plt.subplots(1,1, figsize=(10, 5))
sns.boxplot(x='race/ethnicity', y='math score', data=student, 
            order=sorted(student['race/ethnicity'].unique()),
            ax=ax)
plt.show()

# 3
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,
            linewidth=2,
            fliersize=10,
            ax=ax)

plt.show()

Violin Plot
- box plot으론 편향성을 보기 어려움

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

#2
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',
               split=True,
               bw=0.2, cut=0
              )
plt.show()

ETC
- boxenplot
- swarmplot
- stripplot

2.3 Distribution

histplot

막대 형태

  fig, ax = plt.subplots(figsize=(12, 7))
  sns.histplot(x='math score', data=student, ax=ax,
  #			   element='poly', # step, poly
  #			   multiple='stack', # layer, dodge, stack, fill
  #              binwidth=50, 
  #              bins=100,
              )
  plt.show()

kdeplot

밀도 함수: 속을 채워서 그리자

  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=True,
              cut=0
          )
  plt.show()

  # 누적 분포
  stat='count', # proportion

ecdfplot, rugplot
결합확률 분포 표현

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

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],
#              color='orange',
             cbar=False,
             bins=(10, 20), 
            )
# 2
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()

2.4 Relation & Regression

Scatter Plot: mat 라이브러리와 동일
Line Plot: 자동으로 평균과 표준편차로 오차범위 시각화 해줌

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

Regplot: 회귀선 표현

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()

2.5 Matrix

Heatmap: 대표적으로 상관관계 시각화에 많이 사용