초보자를 위한 Python 데이터 시각화

데이터 시각화는 데이터를 분석하고 데이터를 더 명확하고 모두가 이해하기 쉽게 만드는 데 중요한 역할을 합니다. Python과 같은 데이터 시각화 도구를 사용한 정보의 시각적 표현은 그렇지 않으면 발견하지 못했을 수도 있는 추세, 패턴 및 상관관계를 식별하는 데 도움이 되며, 미국 컴퓨터 과학자 Ben Schneiderman이 말했듯이 ''시각화는 당신이 몰랐던 질문에 대한 답을 제공합니다''.

이 블로그에서는 Python에서의 데이터 시각화가 무엇인지, Python의 시각화 라이브러리를 사용하여 Python에서 데이터를 시각화하는 방법을 논의하고, 데이터 시각화의 강력함과 Python이 이를 활용하는 데 어떻게 도움이 될 수 있는지 더 잘 이해하는 데 도움이 되는 몇 가지 Python 시각화 예제를 제시합니다.

Python에서의 시각화란 무엇입니까?

Python은 고급 데이터 구조, 동적 타이핑 및 동적 바인딩, 그리고 복잡한 애플리케이션 개발을 가치 있고 유용하게 만드는 다양한 기타 기능을 포함하는 범용 프로그래밍 언어입니다.

지난 2십년 동안 데이터 시각화의 중요성이 증가하면서 Python은 단순한 프로그래밍 언어 이상이 되었습니다. 데이터 과학을 위해 가장 많이 사용되는 프로그래밍 언어로 성장했으며, 개발자들에게 데이터를 시각화하고 원본 데이터만으로는 제공할 수 없는 인사이트를 얻을 수 있는 수많은 옵션을 제시합니다.

간단히 말해, Python을 사용하여 데이터 시각화를 만들면 형식화되지 않은 데이터를 표 형식으로 분석하고 이해하는 데 초 또는 심지어 분을 소비하는 것과 비교하여 사용자가 밀리초 내에 데이터 인사이트를 얻을 수 있습니다. 더욱이, Python에서 데이터 시각화 도구를 사용하면 색상, 추세선, 마커, 주석 및 기타 많은 시각적 단서를 추가할 수 있어서 시각화 뷰어가 자신의 데이터 스토리를 즉시 이해하도록 도와줍니다.

Slingshot 시도

Python 시각화 라이브러리

Python을 위한 수많은 오픈 소스 및 상용 시각화 라이브러리가 있으며, 비즈니스 차트, 과학 차트, 금융 차트, 지리공간 매핑 등을 제공합니다. 개발자로서 이러한 라이브러리를 Python 프로젝트에 쉽게 가져올 수 있으며, 보유한 데이터의 유형에 따라 몇 줄의 코드로 시각화를 렌더링할 수 있습니다.

다음은 5가지 가장 인기 있는 Python 데이터 시각화 라이브러리입니다:

• Matplotlib – Matplotlib는 Python의 첫 번째 데이터 시각화 라이브러리이며, 다른 모든 Python 데이터 시각화 라이브러리가 구축된 기초 라이브러리입니다. 가장 많이 사용되며 2D 플로팅 라이브러리입니다. Matplotlib는 플롯, 막대 차트, 원형 차트, 히스토그램, 전력 스펙트럼, 산점도, 오류 차트 및 기타 유형의 데이터 시각화를 생성할 수 있습니다. 라이브러리는 시각화에 대한 절대적인 제어를 허용합니다. 매우 강력하지만 매우 복잡합니다 – 무엇이든 만들 수 있지만 합리적으로 보이는 그래프를 얻으려면 많은 작업과 노력이 필요합니다.
• Seaborn – Matplotlib을 기반으로 한 Seaborn은 가장 시각적으로 매력적인 Python 데이터 시각화를 만드는 것으로 알려져 있습니다. 라이브러리는 Matplotlib과 비교하여 필요한 더 적은 코드로 매력적이고 정보가 풍부한 통계 그래픽을 그리기 위한 높은 수준의 인터페이스를 제공합니다.
• ggplot – 이 라이브러리는 R 프로그래밍 언어의 ggplot2 데이터 시각화의 Python 구현입니다. ggplot은 Pandas 라이브러리와 긴밀하게 통합되어 있으며 변수를 미학으로 매핑하는 방법과 어떤 프리미티브를 사용할지를 알려진 후 기계 학습의 최고 형태 중 하나를 보여줍니다. 단순한 그래픽 표현을 생성하는 데 사용할 수 있으며 고도로 사용자 정의된 그래픽을 만드는 데는 사용할 수 없습니다.
• Plotly – Plotly는 필요한 매우 적은 수의 코드로 데이터 시각화 및 분석을 모두 만들 수 있으며, 다른 모든 라이브러리에서 매우 드문 등고선 플롯을 가지고 있습니다. 산점도, 라인 차트, 막대 차트, 오류 바, 부분도, 히스토그램, 상자 플롯 등과 같은 많은 시각화를 생성할 수 있습니다. 또한 Plotly는 대량의 데이터 포인트에서 이상값 또는 이상을 탐지할 수 있는 호버 도구 기능을 가지고 있습니다.
• Pandas – 시각화 라이브러리는 아니지만 Pandas는 Python 시각화 라이브러리에서 사용하기 위한 빠르고 유연한 데이터 조작 및 데이터 변환 기능을 제공하는 오픈 소스 고성능 라이브러리입니다. Pandas 높은 수준의 API를 데이터 처리에 사용하면 길고 복잡한 Python 코드로 달성하는 동일한 결과를 얻기 위해 더 적은 Python 코드를 작성할 수 있습니다.

Python 대화형 시각화

Python 대화형 시각화 도구를 찾고 있다면 Bokeh를 고려해야 합니다.

Bokeh는 HTML과 JavaScript를 사용하여 그래픽을 렌더링하는 대화형 시각화 라이브러리입니다. 그러나 Bokeh는 JavaScript 코드를 작성할 필요 없이 또는 필요로 하지 않고 D3.js에서 대화형 시각화를 만들기 위한 Python API를 제공합니다. 크거나 스트리밍되는 데이터 자산에 적합하며 대화형 웹 기반 플롯, 애플리케이션 및 대시보드를 개발하는 데 사용할 수 있습니다. Bokeh는 데이터를 탐색하고 이해하며 프로젝트 또는 보고서를 위한 매력적인 사용자 정의 차트를 만드는 매우 강력한 도구입니다. Python 데이터 시각화 공간에서 Bokeh는 대화형 시각화를 구축하기 위한 #1 후보입니다.

라이브러리는 또한 PyData 도구와 밀접하게 작동하며, 플로팅을 위해 표준 Pandas 및 NumPy 객체의 사용을 허용합니다.

Python 시계열 시각화

시계열 데이터는 시간 순서로 나열된 일련의 데이터 포인트입니다. 시간에서 연속적인 동일한 간격 포인트의 시퀀스이며 의미 있는 인사이트 및 데이터의 기타 유용한 특성을 추출하기 위해 분석하기 위한 방법을 구성합니다. 시계열 유형의 데이터는 제약, 소매, 교통, 금융 및 심지어 소셜 미디어 및 이메일 마케팅 회사뿐만 아니라 많은 다른 산업에서 중요합니다.

다음은 모두 시계열 데이터의 예입니다:

• 의약품: 심박수 모니터링, 체중 추적, 혈압 추적 등.
• 소매: 24시간 또는 48시간 기간 동안 시간당 판매된 항목의 수
• 교통: 1주일 또는 1개월 기간 동안 여행하는 여행자의 수
• 경제: 국내 총생산, 소비자 물가 지수 등.

라인 차트는 시계열 데이터를 시각화하는 가장 일반적인 방법이며, 보통 차트 표시는 더 상세한 시간 기반 데이터를 위해 확대하거나 데이터의 더 높은 수준의 뷰를 위해 축소하는 것과 같은 상호작용을 허용합니다.

Python 시각화 예제

데이터 시각화 및 대시보드 도구에는 다양한 차트 유형이 포함됩니다. Python과 앞서 언급한 Python 그래픽 라이브러리와 같은 도구는 제공된 차트 유형을 넘어서야 할 때 유용하고 정보가 풍부한 시각화를 구축하는 데 도움이 될 수 있습니다. 예를 들어, 대부분의 제품에는 Sankey 다이어그램, Heatmap 또는 Steamgraph와 같은 고급 시각화가 포함되지 않습니다. Slingshot은 Python에서 이러한 고급 시각화를 쉽게 추가할 수 있도록 합니다.

기본적으로 Slingshot의 Python 시각화에는 스크립트 편집기에 다음 라이브러리가 포함됩니다:

#import matplotlib
#import matplotlib.pyplot as plt
#import numpy as np
#import pandas as pd

그리고 기본적으로 스크립트 편집기에서 사용 가능한 필드는 시각화 편집기의 필드 선택기에서 선택한 내용입니다:

#data['Territory']
#data['CampaignID']
#data['Sum of Spend']

다른 기본 제공 차트처럼 시각화를 만들고 있습니다. 유일한 차이점은 이것이 몇 가지 Python 코드로 만들어진다는 것입니다:

campaignid = np.unique(np.array(data['CampaignID']))
territory = np.unique(np.array(data['Territory']))
spend = np.array(data['Sum of Spend']).reshape((7, 5))
fig, ax = plt.subplots(figsize=(5.5, 6.5))
im = ax.imshow(spend)
# Show all ticks...
ax.set_xticks(np.arange(len(territory)))
ax.set_yticks(np.arange(len(campaignid)))
# ... and label them with the respective list entries
ax.set_xticklabels(territory)
ax.set_yticklabels(campaignid)
# Loop over data dimensions and create text annotations.
for i in range(len(campaignid)):
for j in range(len(territory)):
text = ax.text(j, i, spend[i, j],
ha="center", va="center", color="w")
ax.set_title("Campaign Spend (dollars)")
fig.tight_layout()

그 결과 팀의 나머지 부분과 쉽게 공유할 수 있는 아름다운 Heatmap 시각화입니다!

최종 생각

비즈니스가 계속해서 더 나은 사실 기반 결정을 내리기 위해 데이터에 의존함에 따라, 데이터 시각화의 중요성은 계속해서 커질 것입니다. 그리고 차트 및 그래프와 같은 시각화 기법이 기존 스프레드시트 및 구식 데이터 보고서와 비교할 때 데이터를 이해하는 측면에서 더 효율적이므로, Python과 같은 도구를 사용하여 데이터 시각화를 만드는 것은 모든 교차 기능 팀에 필요합니다.

그러나 데이터와 인사이트의 중요성에도 불구하고, 단순히 그것들을 보유하는 것만으로는 더 이상 충분하지 않습니다. 데이터의 전체 잠재력을 발휘하려면 그 데이터를 일일 운영 워크플로우에 맞는 조치로 전환해야 합니다. Slingshot을 사용하면 인사이트에서 조치로 원활하게 전환할 수 있습니다.

Slingshot을 사용하면 데이터를 분석하고, 아름다운 데이터 시각화를 만들고, 조직 내의 모든 사람과 협업하고, 모든 프로젝트를 쉽게 관리할 수 있습니다. 모두 동일한 플랫폼에서.

자세히 알아보고 싶으신가요? Slingshot을 무료로 시도하고 어떻게 실행 가능한 인사이트를 활용하는 동시에 팀이 데이터를 활용하고, 데이터 기반 문화를 조성하고, 생산성을 향상시키는 것을 더 쉽게 만드는 데 도움이 될 수 있는지 확인하세요.