🐍 파이썬 초보자 가이드 : 📊데이터 시각화(예제 : Matplotlib, Seaborn)

 

안녕하세요! 데이터를 다루는 멋진 여정에 오신 것을 환영합니다! 😊 복잡한 숫자들을 한눈에 이해하기 쉽게 만들어주는 데이터 시각화는 데이터 과학의 꽃이라고 할 수 있습니다. 이 글에서는 Python을 활용하여 데이터를 시각화하는 방법을 초보자 눈높이에 맞춰 예제 중심으로 쉽고 재미있게 알려드릴게요.

Python에는 여러 시각화 라이브러리가 있지만, 가장 기본적이고 널리 사용되는 두 가지, Matplotlib과 Seaborn을 중점적으로 다뤄보겠습니다.

---

1. 🐍 기본 중의 기본: Matplotlib

Matplotlib은 Python 시각화의 근간을 이루는 라이브러리입니다. 마치 그림을 그릴 때 도화지와 붓을 준비하는 것처럼, Matplotlib은 우리가 원하는 거의 모든 종류의 그래프를 그릴 수 있게 해줍니다.

📈 예제 1: 단순한 선 그래프(Line Plot)

가장 기본인 선 그래프를 그려봅시다. 예를 들어, 시간의 흐름에 따른 온도 변화를 시각화한다고 가정해볼게요.

Python

import matplotlib.pyplot as plt

# 데이터 준비
time = [1, 2, 3, 4, 5, 6, 7] # 시간 (예: 일)
temperature = [20, 21, 22, 23, 22, 21, 20] # 온도 (단위: ℃)

# 선 그래프 생성
plt.plot(time, temperature, marker='o', linestyle='-', color='b')

# 그래프 제목과 축 레이블 추가
plt.title('시간에 따른 온도 변화')
plt.xlabel('시간 (일)')
plt.ylabel('온도 (℃)')

# 격자 추가 (선택 사항)
plt.grid(True)

# 그래프 보여주기
plt.show()

• plt.plot(): 데이터를 시각화하는 핵심 함수입니다. marker='o'는 각 데이터 포인트에 원 모양 표시를, linestyle='-'는 선을 실선으로, color='b'는 파란색으로 지정합니다.

• plt.title(), plt.xlabel(), plt.ylabel(): 그래프에 제목과 축 설명을 추가하여 정보 전달력을 높입니다.

• plt.show(): 작성된 그래프를 화면에 출력합니다.

📊 예제 2: 막대 그래프(Bar Chart)

범주형 데이터의 비교에 유용한 막대 그래프입니다. 예를 들어, 좋아하는 과일별 투표 수를 시각화해봅시다.

Python

import matplotlib.pyplot as plt

# 데이터 준비
fruits = ['사과', '바나나', '딸기', '포도']
votes = [15, 30, 25, 10]

# 막대 그래프 생성
plt.bar(fruits, votes, color=['red', 'yellow', 'pink', 'purple'])

# 제목과 레이블
plt.title('가장 좋아하는 과일 투표 결과')
plt.xlabel('과일')
plt.ylabel('투표 수')

# 그래프 보여주기
plt.show()

---

2. 🎨 더 아름답고 통계적인 시각화: Seaborn

Seaborn은 Matplotlib을 기반으로 하지만, 통계적 시각화에 특화되어 있으며, 훨씬 아름답고 세련된 디자인을 기본으로 제공합니다. 복잡한 코드를 줄이고 빠르게 통계 분석 그래프를 만들 수 있어요! ✨

Seaborn을 사용하려면 일반적으로 Pandas 라이브러리를 함께 사용하여 데이터를 데이터프레임(DataFrame) 형태로 다룹니다.

📦 예제 3: 히스토그램(Histogram) - 데이터 분포 확인

데이터가 어떻게 분포되어 있는지 확인할 때 히스토그램이 유용합니다. 예를 들어, 학생들의 시험 점수 분포를 살펴봅시다.

Python

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np # 가상의 점수 데이터 생성을 위해 사용

# 가상의 시험 점수 데이터 생성 (Pandas DataFrame 사용)
np.random.seed(42) # 결과 재현을 위해 시드 설정
scores = np.random.normal(loc=75, scale=10, size=100) # 평균 75, 표준편차 10인 정규분포
df = pd.DataFrame({'Score': scores})

# 히스토그램 생성 (Seaborn의 distplot 대신 histplot을 권장)
plt.figure(figsize=(8, 5)) # 그래프 크기 설정
sns.histplot(data=df, x='Score', kde=True, bins=15, color='teal') # kde=True는 밀도 곡선을 함께 보여줍니다.

# 제목과 레이블
plt.title('학생 시험 점수 분포')
plt.xlabel('점수')
plt.ylabel('학생 수 (빈도)')

# 그래프 보여주기
plt.show()

• sns.histplot(): 히스토그램을 그리는 Seaborn 함수입니다. Matplotlib보다 훨씬 적은 코드로 통계적 요소를 포함한 그래프를 만들 수 있습니다.

• kde=True: 확률 밀도 함수(Kernel Density Estimate) 곡선을 함께 그려 데이터 분포의 모양을 더 부드럽게 보여줍니다.

scatterplot 예제

Shutterstock

🔬 예제 4: 산점도(Scatter Plot) - 두 변수 간의 관계 파악

두 연속적인 변수 사이의 관계(상관관계)를 시각적으로 확인하는 데 산점도가 사용됩니다. 예를 들어, 공부 시간과 시험 점수 사이의 관계를 살펴봅시다.

Python

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 가상의 데이터프레임 생성
data = {
    'Study_Hours': [2, 3, 5, 4, 7, 1, 6, 8, 5, 2],
    'Exam_Score': [65, 70, 85, 78, 95, 55, 90, 98, 80, 60]
}
df_study = pd.DataFrame(data)

# 산점도 생성
plt.figure(figsize=(7, 7))
sns.scatterplot(data=df_study, x='Study_Hours', y='Exam_Score', hue='Exam_Score', size='Exam_Score', palette='viridis')

# 제목과 레이블
plt.title('공부 시간과 시험 점수의 관계')
plt.xlabel('공부 시간 (시간)')
plt.ylabel('시험 점수')

# 범례 표시
plt.legend(title='점수')

# 그래프 보여주기
plt.show()

• sns.scatterplot(): 산점도를 그립니다. hue와 size 인수를 사용하여 점수의 높낮이에 따라 색상과 크기를 다르게 표현할 수 있어 시각적인 정보를 풍부하게 만듭니다. 이 그래프를 통해 공부 시간이 길수록 점수가 높아지는 경향이 있다는 것을 한눈에 알 수 있죠! 🚀

---

💡 데이터 시각화, 왜 중요할까요?

시각화는 단순히 예쁜 그림을 그리는 것을 넘어, 데이터 분석에 있어 다음과 같은 핵심적인 역할을 합니다.

1. 패턴과 추세 파악: 숫자의 나열에서는 보기 힘든 경향이나 **특이점(Outliers)**을 쉽게 발견할 수 있습니다. (예: 주가가 갑자기 폭락한 시점, 예상치 못한 판매 증가 등)

2. 효율적인 소통: 복잡한 분석 결과를 비전문가에게도 직관적이고 설득력 있게 전달할 수 있습니다.

3. 가설 검증: 시각적인 증거를 통해 데이터에서 발견한 가설이 맞는지 빠르게 검증할 수 있습니다.

---

📌 마무리하며: 초보자를 위한 팁!

데이터 시각화는 연습이 가장 중요합니다! 🎯

• 공식 문서 참고: Matplotlib과 Seaborn의 공식 갤러리에는 정말 멋진 예제들이 많습니다. 코드를 복사해서 직접 실행해보며 익히는 것이 최고입니다.

• 데이터셋 활용: Kaggle이나 공공 데이터 포털에서 다양한 실제 데이터를 다운로드하여 오늘 배운 그래프들을 적용해보세요.

• 커스터마이징: 처음에는 기본 설정으로 그리다가, 점차 색상, 글꼴, 축 범위 등을 바꿔보며 나만의 스타일을 만들어보세요!

오늘 배운 Matplotlib과 Seaborn의 기본 예제들을 발판 삼아, 여러분도 데이터를 자유자재로 요리하는 멋진 데이터 과학자로 성장하시길 응원합니다! 🎉