[CRIME] 11. seaborn

 

 

 

서울시 범죄 현황 데이터 분석 프로젝트
11. seaborn

---

 

 

 

Seaborn은 Matplotlib을 기반으로 다양한 색상 테마와 통계용 차트 등의 기능을 추가한 시각화 패키지이다. 기본적인 시각화 기능은 Matplotlib 패키지에 의존하며 통계 기능은 Statsmodels 패키지에 의존한다.

 

 

 

 

 

1.

 - seaborn은 matplotlib과 함께 실행된다.

!conda install -y seaborn

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

plt.rcParams["axes.unicode_minus"] = False 
rc("font", family="Malgun Gothic")
get_ipython().run_line_magic("matplotlib", "inline")

 

 

2.

 - seaborn은 import하는 것만으로도 효과를 준다.

x = np.linspace(0, 14, 100)
y1 = np.sin(x)
y2 = 2 * np.sin(x + 0.5)
y3 = 3 * np.sin(x + 1.0)
y4 = 4 * np.sin(x + 1.5)

plt.figure(figsize=(10, 6))
plt.plot(x, y1, x, y2, x, y3, x, y4)
plt.show()

 

 

 

 

3. 스타일 주기

  - sns.set_style()
  - "white", "whitegrid", "dark", "darkgrid"

sns.set_style("white")
plt.figure(figsize=(10, 6))
plt.plot(x, y1, x, y2, x, y3, x, y4)
plt.show()

 

sns.set_style("whitegrid")
plt.figure(figsize=(10, 6))
plt.plot(x, y1, x, y2, x, y3, x, y4)
plt.show()

 

 

sns.set_style("dark")
plt.figure(figsize=(10, 6))
plt.plot(x, y1, x, y2, x, y3, x, y4)
plt.show()

 

 

sns.set_style("darkgrid")
plt.figure(figsize=(10, 6))
plt.plot(x, y1, x, y2, x, y3, x, y4)
plt.show()

 

 

 

 

4.

 - seaborn에는 실습용 데이터가 몇 개 내장되어 있다.

 - 이 중 하나인 tips를 불러보자

tips = sns.load_dataset("tips")
tips

 

 

5.

 - tips의 정보 불러오기

tips.info()

 

 

6.

 - boxplot을 그려볼 수 있다.

 boxplot이란? 기술 통계학에서 '상자 수염 그림' 또는 '상자 그림'은 수치적 자료를 표현하는 그래프이다. 이 그래프는 가공하지 않은 자료 그대로를 이용하여 그린 것이 아니라, 자료로부터 얻어낸 통계량인 5가지 요약 수치를 가지고 그린다.

plt.figure(figsize=(8, 6))
sns.boxplot(x=tips["total_bill"])
plt.show()

 

 

7. boxplot에 컬럼을 지정하자.

tips["day"].unique()

plt.figure(figsize=(8, 6))
sns.boxplot(x="day", y="total_bill", data=tips)
plt.show()

 

 

 

8. 칼럼을 지정하고 구분을 지을 수 있다.

tips.head(2)

plt.figure(figsize=(8, 6))
sns.boxplot(x="day", y="total_bill", data=tips, hue="smoker", palette="Set1") # Set 1 ~ 3 
plt.show()

 

 

 

9. swarmplot

 - Strip plot과 violin plot의 조합이다.

 - 데이터 포인트 수와 함께 각 데이터의 분포도 제공한다.

 - Strip Plot에 비해 분포도를 확인하기 쉽다.

 - color: 0~1 사이 검은색부터 흰색 사이 값을 조절 

plt.figure(figsize=(8, 6))
sns.swarmplot(x="day", y="total_bill", data=tips, color="0.5") 
plt.show()

 

 

 

10.

 - boxplot을 swarmplot의 콜라보

plt.figure(figsize=(8, 6))
sns.boxplot(x="day", y="total_bill", data=tips)
sns.swarmplot(x="day", y="total_bill", data=tips, color="0.25")
plt.show()

 

 

 

11. 

 lmplot

 - total bill과 tip 사이의 관계 파악

sns.set_style("darkgrid")
sns.lmplot(x="total_bill", y="tip", data=tips, height=7)
plt.show()

 

 

12. 

- implot에서 hue옵션을 사용해보자

sns.set_style("darkgrid")
sns.lmplot(x="total_bill", y="tip", data=tips, height=7, hue="smoker")
plt.show()

 

 

 

13.

 flights data(기본으로 담겨있는 데이터)

 - heatmap

 - heatmap은 열을 의미하는 heat와 지도를 뜻하는 map을 합친 단어이다. 데이터들의 배열을 색상으로 표현해주는 그래프이다.

 - heatmap을 사용하면 두 개의 카테고리 값에 대한 값 변화를 한 눈에 알기 쉽다.

 - 대용량 데이터도 heatmap을 이용해 시각화한다면 이미지 몇장으로 표현이 가능하다.

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

 

 

 

14. pivot 옵션을 사용할 수도 있다.

flights = flights.pivot(index="month", columns="year", values="passengers")
flights.head()

 

 

 

15. heatmap을 이용하면 전체 경향을 알 수 있다.

plt.figure(figsize=(10, 8))
sns.heatmap(data=flights, annot=True, fmt="d")
plt.show()

 

 

 

16. colormap을 조금 다르게 보자

plt.figure(figsize=(10, 8))
sns.heatmap(flights, annot=True, fmt="d", cmap="YlGnBu")
plt.show()

 

 

 

17. iris data

 - pairplot

  데이터에 들어 있는 각 컬럼(열)들의 모든 상관 관계를 출력

  3차원 이상의 데이터라면 pairplot 함수를 사용해 분포도를 그립니다.
  pairplot은 그리도(grid) 형태로 각 집합의 조합에 대해 히스토그램과 분포도를 그립니다.

iris = sns.load_dataset("iris")
iris.tail()

 

 

 

18. 다수의 컬럼을 비교하는 pairplot

sns.set_style("ticks")
sns.pairplot(iris)
plt.show()

pairplot에서도 hue 옵션을 사용해보자

sns.pairplot(iris, hue = "species")
plt.show()

 

 

 

 

19. 원하는 컬럼만 pairplot

sns.pairplot(iris, 
             x_vars=["sepal_width", "sepal_length"], 
             y_vars=["petal_width", "petal_length"])
plt.show()

 

 

 

20. anscombe 데이터를 가져와보자

anscombe = sns.load_dataset("anscombe")
anscombe.tail()

 

 

sns.set_style("darkgrid")
sns.lmplot(x="x", y="y", data=anscombe.query("dataset == 'I'"), ci=None, height=7)
plt.show()

 

sns.set_style("darkgrid")
sns.lmplot(
    x="x",
    y="y", 
    data=anscombe.query("dataset == 'I'"), 
    ci=None, 
    height=7, 
    scatter_kws={"s": 80}
)

 

sns.set_style("darkgrid")
sns.lmplot(
    x="x", 
    y="y", 
    data=anscombe.query("dataset == 'II'"), 
    order=1,
    ci=None, 
    height=7, 
    scatter_kws={"s": 80})
plt.show()

 

 

sns.set_style("darkgrid")
sns.lmplot(
    x="x", 
    y="y", 
    data=anscombe.query("dataset == 'II'"),
    order=2, 
    ci=None, 
    height=7, 
    scatter_kws={"s": 80}) 
plt.show()

 

sns.set_style("darkgrid")
sns.lmplot(
    x="x", 
    y="y", 
    data=anscombe.query("dataset == 'III'"), 
    ci=None, 
    height=7, 
    scatter_kws={"s": 80}) 
plt.show()