DATA - 29. 이변량 (Bivariate) 데이터 시각화

지난 글인 단변량 데이터 시각화에서는 가장 단순한 히스토그램과 막대 그래프에 대해 알아봤습니다. 이번 챕터에서는 변수가 두개인 이변량 데이터를 시각화하는 그래프에 대해 알아보겠습니다.

제 깃헙에서 전체 코드와 데이터를 받으실 수 있습니다.

import

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sb

%matplotlib inline

fuel_econ = pd.read_csv('./fuel-econ.csv')

두개의 수치형 데이터 (Two numeric)

두개의 수치형 데이터를 시각화 하는 방법에는 scatter plot, heat map, line plot이 있습니다. 각각에 대해 알아보겠습니다. 데이터는 수치형 데이터와 카테고리형 데이터로 나뉘는데 자세한 것은 DATA - 5. 데이터의 종류 (양적 데이터, 질적 데이터)을 참고하시기 바랍니다.

Scatter plot

plt.scatter

plt.scatter(data = fuel_econ, x = 'city', y = 'highway', alpha = 1/8)
plt.xlabel('City Fuel Eff. (mpg)')
plt.ylabel('Highway Fuel Eff. (mpg)');

sb.regplot

sb.regplot(data=fuel_econ, x='city', y='highway', fit_reg=False,
          scatter_kws={'alpha': 0.2})
plt.xlabel('City Fuel Eff. (mpg)')
plt.ylabel('Highway Fuel Eff. (mpg)');

Heat map

bins_x = np.arange(0.6, fuel_econ['displ'].max()+0.4, 0.4)
bins_y = np.arange(0, fuel_econ['co2'].max()+50, 50)
plt.hist2d(data = fuel_econ, x = 'displ', y = 'co2', bins = [bins_x, bins_y], 
           cmap = 'viridis_r', cmin = 0.5)
plt.colorbar()
plt.xlabel('Displacement (l)')
plt.ylabel('CO2 (g/mi)');

아래는 Heat map에 수치 데이터를 포현하는 코드입니다.

bins_x = np.arange(0.6, fuel_econ['displ'].max()+0.4, 0.4)
bins_y = np.arange(0, fuel_econ['co2'].max()+50, 50)
h2d = plt.hist2d(data = fuel_econ, x = 'displ', y = 'co2', bins = [bins_x, bins_y], 
           cmap = 'viridis_r', cmin = 0.5)
plt.colorbar()
plt.xlabel('Displacement (l)')
plt.ylabel('CO2 (g/mi)')

counts = h2d[0]

# loop through the cell counts and add text annotations for each
for i in range(counts.shape[0]):
    for j in range(counts.shape[1]):
        c = counts[i,j]
        if c >= 250: # increase visibility on darkest cells
            plt.text(bins_x[i]+0.2, bins_y[j]+25, int(c),
                     ha = 'center', va = 'center', color = 'white')
        elif c > 0:
            plt.text(bins_x[i]+0.2, bins_y[j]+25, int(c),
                     ha = 'center', va = 'center', color = 'black')

Line plot

# set bin edges, compute centers
bin_size = 10.0
xbin_edges = np.arange(10.0, fuel_econ['city'].max()+bin_size, bin_size)
xbin_centers = (xbin_edges + bin_size/2)[:-1]

# compute statistics in each bin
data_xbins = pd.cut(fuel_econ['city'], xbin_edges, right=False, include_lowest=True)
y_means = fuel_econ['highway'].groupby(data_xbins).mean()
y_sems = fuel_econ['highway'].groupby(data_xbins).sem()

# plot the summarized data
plt.errorbar(x=xbin_centers, y=y_means.values, yerr=y_sems.values)
plt.xlabel('city')
plt.ylabel('highway');

 

한개의 수치형 데이터, 한개의 카테고리형 데이터

하나는 수치형 데이터고, 나머지 하나는 카데고리형 데이터일 때는 violin plot, box plot을 통해 표현할 수 있습니다.

Violin plot (basic form)

sb.violinplot(data=fuel_econ, x='fuelType', y='displ')
plt.xticks(rotation=15);

Violin plot (데이터 타입 변경)

sedan_classes = ['Minicompact Cars', 'Subcompact Cars', 'Compact Cars', 'Midsize Cars', 'Large Cars']
pd_ver = pd.__version__.split(".")
if (int(pd_ver[0]) > 0) or (int(pd_ver[1]) >= 21): # v0.21 or later
    vclasses = pd.api.types.CategoricalDtype(ordered=True, categories=sedan_classes)
    fuel_econ['VClass'] = fuel_econ['VClass'].astype(vclasses)
else: # pre-v0.21
    fuel_econ['VClass'] = fuel_econ['VClass'].astype('category', ordered=True,
                                                     categories=sedan_classes)

base_color = sb.color_palette()[0]
sb.violinplot(data=fuel_econ, x='VClass', y='displ', 
              color=base_color, inner='quartile')
plt.xticks(rotation=15);

Box plot

sb.boxplot(data=fuel_econ, x='VClass', y='displ', color=base_color)
plt.xticks(rotation=15);

두개의 카테고리형 데이터

Clustered bar chart

fuel_econ_sub = fuel_econ.loc[fuel_econ['fuelType'].isin(['Premium Gasoline', 'Regular Gasoline'])]

ax = sb.countplot(data=fuel_econ_sub, x='VClass', hue='fuelType')
ax.legend(loc=4, framealpha=1, title='fuelType') # lower right, no transparency
plt.xticks(rotation=15);

Heat map

type_counts = fuel_econ_sub.groupby(['VClass', 'fuelType']).size()
type_counts = type_counts.reset_index(name = 'count')
type_counts = type_counts.pivot(index='fuelType', columns='VClass', values='count')
sb.heatmap(type_counts, annot = True, fmt = 'd');

Faceting

THRESHOLD = 80
make_frequency = fuel_econ['make'].value_counts()
idx = np.sum(make_frequency > THRESHOLD)

most_makes = make_frequency.index[:idx]
fuel_econ_sub = fuel_econ.loc[fuel_econ['make'].isin(most_makes)]

make_means = fuel_econ_sub.groupby('make').mean()
comb_order = make_means.sort_values('comb', ascending=False).index

# plotting
g = sb.FacetGrid(data=fuel_econ_sub, col='make', col_wrap=6, height=2,
                 col_order=comb_order)
g.map(plt.hist, 'comb', bins=np.arange(12, fuel_econ_sub['comb'].max()+2, 2))
g.set_titles('{col_name}');

여기서 idx = 18입니다. make_frequency > THRESHOLD를 하면 각 row별로 True, False가 나오고 True=1, False=0으로 계산해서, sum을 구해줍니다. 따라서 idx는 frequency가 THRESHOLD 이상인 make의 개수를 구해준 것입니다.