Python에서 데이터 시각화 및 탐색을 수행하는 방법

Python에서 데이터 시각화 및 탐색을 수행하는 방법

데이터 시각화 및 탐색은 데이터 분석의 중요한 측면 중 하나입니다. Python의 다양하고 강력한 라이브러리와 도구의 도움으로 데이터 시각화 및 탐색을 쉽게 수행할 수 있습니다. 이 기사에서는 Python에서 일반적으로 사용되는 데이터 시각화 라이브러리 및 기술을 소개하고 구체적인 코드 예제를 제공합니다.

1. 소개
   데이터 시각화는 추상적인 데이터를 직관적이고 이해하기 쉬운 방식으로 표시하는 방법입니다. 시각화를 통해 데이터의 분포, 관계, 특성을 더 잘 이해할 수 있습니다. Python에는 Matplotlib, Seaborn, Plotly 등과 같이 데이터 시각화를 위한 많은 라이브러리와 도구가 있습니다.
2. 데이터 준비
   데이터 시각화를 하기 전에 먼저 분석할 데이터를 준비해야 합니다. 이 문서에서는 Iris 데이터 세트를 예로 들어 보겠습니다. Iris 데이터 세트는 UCI 기계 학습 라이브러리의 클래식 데이터 세트입니다. 여기에는 세 가지 종류의 붓꽃(Setosa, Versicolor 및 Virginica)에 대한 150개의 샘플이 포함되어 있습니다. 특성(꽃받침 길이, 꽃받침 너비, 꽃잎 길이, 꽃잎 너비)이 포함됩니다.

먼저 데이터 처리 및 분석을 위해 pandas 라이브러리를 설치해야 합니다. 그런 다음 다음 코드를 사용하여 Iris 데이터 세트를 읽고 간단한 데이터 시각화를 준비합니다.

import pandas as pd

Read the Iris data set

iris_data = pd.read_csv('iris.csv')

보기 데이터 세트 처음 몇 줄

print(iris_data.head())

데이터 세트의 기본 정보 보기

print(iris_data.info())

3. 일변량 데이터 시각화
   일변량 데이터 시각화는 분포를 의미합니다. 단일 변수 시각화. 일반적으로 사용되는 방법에는 히스토그램, 히스토그램 및 상자 그림이 있습니다.

Sepal 길이를 예로 들면, Matplotlib 라이브러리를 사용하여 히스토그램을 그리는 코드 예제는 다음과 같습니다.

import matplotlib.pyplot as plt

히스토그램 그리기

plt.bar(iris_data['Species' ], iris_data['꽃받침 길이'])
plt.xlabel('Species') # x축 레이블 설정
plt.ylabel('꽃받침 길이') # y축 레이블 설정
plt.title('분포 of Sepal length') # 차트 제목 설정
plt.show()

또한 Seaborn 라이브러리를 사용하여 히스토그램과 상자 그림을 그릴 수도 있습니다. 다음은 히스토그램을 그리는 코드 예제입니다:

import seaborn as sns

Plot a histogram

sns.histplot(data=iris_data, x='Sepal length', kde=True)
plt.xlabel('Sepal length' ) # x축 라벨 설정
plt.ylabel('Count') # y축 라벨 설정
plt.title('꽃받침 길이 분포') # 차트 제목 설정
plt.show()

4. 이중변수 데이터 시각화
   이변량 ​​데이터 시각화는 두 변수 사이의 관계를 시각화하는 것을 말합니다. 일반적으로 사용되는 방법에는 산점도와 히트 맵이 포함됩니다.

꽃받침 길이와 꽃잎 길이를 예로 들면 Matplotlib 라이브러리를 사용하여 산점도를 그리는 코드 예제는 다음과 같습니다.

산점도 그리기

plt.scatter(iris_data['Sepal length'], iris_data['꽃잎 길이' ])
plt.xlabel('꽃받침 길이') # x축 레이블을 설정합니다
plt.ylabel('꽃잎 길이') # y축 레이블을 설정합니다
plt.title('사이의 관계 꽃받침 길이와 꽃잎 길이') # 차트 설정 제목
plt.show()

또한 Seaborn 라이브러리를 사용하여 히트 맵을 그려 변수 간의 상관 관계를 표시할 수도 있습니다. 다음은 히트맵을 그리는 코드 예시입니다.

변수 간 상관계수 행렬을 계산합니다

correlation_matrix = iris_data[['꽃받침 길이', '꽃받침 너비', '꽃잎 길이', '꽃잎 너비']]. corr( )

히트맵 그리기

sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm')
plt.title('Correlation Matrix')
plt.show()

5. 다변수 데이터 시각화
   Multivariable 데이터 시각화란 여러 변수 간의 관계를 시각화하는 것을 의미합니다. 일반적으로 사용되는 방법에는 산점도 행렬과 평행 좌표 도표가 포함됩니다.

Iris 데이터 세트의 네 가지 기능을 예로 들어 Seaborn 라이브러리를 사용하여 산점도 행렬을 그리는 코드 예제는 다음과 같습니다.

산점도 행렬을 그립니다.

sns.pairplot(iris_data,hue ='Species')
plt.show ()

또한 Plotly 라이브러리를 사용하여 평행 좌표 플롯을 그릴 수도 있습니다. 다음은 평행 좌표 플롯을 그리는 코드 예제입니다.

importplotly.express as px

평행 좌표 플롯 그리기

fig = px.parallel_coordinates(iris_data, color='Species')
fig.show()

Summary
이 문서에서는 Python의 데이터 시각화 및 탐색 방법을 소개하고 구체적인 코드 예제를 제공합니다. 데이터 시각화 및 탐색을 통해 데이터의 분포, 관계, 특성을 더 잘 이해할 수 있으며, 이를 통해 후속 데이터 분석 및 모델링을 위한 기반과 지침을 제공할 수 있습니다. 실제 적용에서는 특정 요구 사항과 데이터 특성에 따라 적절한 시각화 방법과 기술을 선택하여 데이터의 가치를 더 깊이 탐구할 수도 있습니다.

위 내용은 Python에서 데이터 시각화 및 탐색을 수행하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!