Matplotlip&seaborn 기본적인 차트, 파이차트

PYTHON PROGRAMMING FUNDAMENTALS¶

In [ ]:

# 해당 내용은 numpy ,pandas 와 연계되므로 사전 내용을 숙지 후 보시기를 바랍니다.

In [ ]:

Tidy Data¶

• each variable is a column
• each observation is a row
• each type of observational unit is a table

In [ ]:

In [ ]:

다음 토픽을 설명합니다.

• Matplotlib

ref:

https://matplotlib.org/gallery.html#scales

https://seaborn.pydata.org/

In [ ]:

가장기본적인 Plot¶

In [1]:

import matplotlib.pyplot as plt

In [2]:

import numpy as np

In [5]:

x = np.arange(0, 9 + 1)

In [6]:

x

Out[6]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [7]:

y = x

In [8]:

y

Out[8]:

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

In [12]:

# 기본적인 차트.
plt.plot(x, y)
plt.savefig("test1.jpg") # 사진을 저장하라. (항상 show 위에)
plt.show()      # 메모리상태를 지움. (보기좋게)

In [ ]:

Bar Charts¶

In [ ]:

In [13]:

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

%matplotlib inline           # 주피터 노트북안에서 차트를 잘나오게 한다?

In [14]:

pd.read_csv("../data/pokemon.csv")

Out[14]:

	id	species	generation_id	height	weight	base_experience	type_1	type_2	hp	attack	defense	speed	special-attack	special-defense
0	1	bulbasaur	1	0.7	6.9	64	grass	poison	45	49	49	45	65	65
1	2	ivysaur	1	1.0	13.0	142	grass	poison	60	62	63	60	80	80
2	3	venusaur	1	2.0	100.0	236	grass	poison	80	82	83	80	100	100
3	4	charmander	1	0.6	8.5	62	fire	NaN	39	52	43	65	60	50
4	5	charmeleon	1	1.1	19.0	142	fire	NaN	58	64	58	80	80	65
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
802	803	poipole	7	0.6	1.8	189	poison	NaN	67	73	67	73	73	67
803	804	naganadel	7	3.6	150.0	243	poison	dragon	73	73	73	121	127	73
804	805	stakataka	7	5.5	820.0	257	rock	steel	61	131	211	13	53	101
805	806	blacephalon	7	1.8	13.0	257	fire	ghost	53	127	53	107	151	79
806	807	zeraora	7	1.5	44.5	270	electric	NaN	88	112	75	143	102	80

807 rows × 14 columns

In [157]:

df = pd.read_csv("../data/pokemon.csv")

In [17]:

df.shape

Out[17]:

(807, 14)

In [18]:

df.describe()

Out[18]:

	id	generation_id	height	weight	base_experience	hp	attack	defense	speed	special-attack	special-defense
count	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000	807.000000
mean	404.000000	3.714994	1.162454	61.771128	144.848823	68.748451	76.086741	71.726146	65.830235	69.486989	70.013631
std	233.105126	1.944148	1.081030	111.519355	74.953116	26.032808	29.544598	29.730228	27.736838	29.439715	27.292344
min	1.000000	1.000000	0.100000	0.100000	36.000000	1.000000	5.000000	5.000000	5.000000	10.000000	20.000000
25%	202.500000	2.000000	0.600000	9.000000	66.000000	50.000000	55.000000	50.000000	45.000000	45.000000	50.000000
50%	404.000000	4.000000	1.000000	27.000000	151.000000	65.000000	75.000000	67.000000	65.000000	65.000000	65.000000
75%	605.500000	5.000000	1.500000	63.000000	179.500000	80.000000	95.000000	89.000000	85.000000	90.000000	85.000000
max	807.000000	7.000000	14.500000	999.900000	608.000000	255.000000	181.000000	230.000000	160.000000	173.000000	230.000000

In [19]:

# 제너레이션 아이디는 카테고리컬 데이터이므로, 확인

In [20]:

df["generation_id"].nunique()

Out[20]:

7

In [21]:

df["generation_id"].unique()

Out[21]:

array([1, 2, 3, 4, 5, 6, 7], dtype=int64)

In [25]:

# 제너레이션 아이디별로 각각 몇개씩 있는지 확인

Out[25]:

7

In [46]:

df["generation_id"].value_counts()

Out[46]:

5    156
1    151
3    135
4    107
2    100
7     86
6     72
Name: generation_id, dtype: int64

In [30]:

# 위의 결과를 차트로 그리는 방법

In [ ]:

# 특정 컬럼이 카테고리컬 데이터일때,
# 각 value 별로 몇개씩 있는지를 차트로 나타내고 싶을때
# seaborn 의 countplot 함수 사용

In [40]:

sb.color_palette()          # 색을 바꾸자 , 칼라의 리스트 

Out[40]:

In [44]:

base_color = sb.color_palette()[3]

In [37]:

sb.countplot(data = df, x = 'generation_id' )
plt.savefig("generation.png")
plt.show()

In [47]:

sb.countplot(data = df, x = 'generation_id' , color = base_color )
plt.show()

In [49]:

df["generation_id"].value_counts().index

Out[49]:

Int64Index([5, 1, 3, 4, 2, 7, 6], dtype='int64')

In [50]:

base_order = df["generation_id"].value_counts().index

In [51]:

base_order

Out[51]:

Int64Index([5, 1, 3, 4, 2, 7, 6], dtype='int64')

In [ ]:

In [55]:

sb.countplot(data = df, x = 'generation_id' , color = base_color , order = base_order )
plt.show()

In [62]:

base_order = base_order[ : : -1]

In [63]:

sb.countplot(data = df, x = 'generation_id' , color = base_color , order = base_order )
plt.show()

In [ ]:

# type_1 컬럼이 있습니다. 이컬럼도 카테고리컬 데이터인가요 ?
# 카테고리컬 데이터이면, 각 value별로 몇개씩 데이터가 있는지 차트로 표시

In [64]:

df

Out[64]:

	id	species	generation_id	height	weight	base_experience	type_1	type_2	hp	attack	defense	speed	special-attack	special-defense
0	1	bulbasaur	1	0.7	6.9	64	grass	poison	45	49	49	45	65	65
1	2	ivysaur	1	1.0	13.0	142	grass	poison	60	62	63	60	80	80
2	3	venusaur	1	2.0	100.0	236	grass	poison	80	82	83	80	100	100
3	4	charmander	1	0.6	8.5	62	fire	NaN	39	52	43	65	60	50
4	5	charmeleon	1	1.1	19.0	142	fire	NaN	58	64	58	80	80	65
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
802	803	poipole	7	0.6	1.8	189	poison	NaN	67	73	67	73	73	67
803	804	naganadel	7	3.6	150.0	243	poison	dragon	73	73	73	121	127	73
804	805	stakataka	7	5.5	820.0	257	rock	steel	61	131	211	13	53	101
805	806	blacephalon	7	1.8	13.0	257	fire	ghost	53	127	53	107	151	79
806	807	zeraora	7	1.5	44.5	270	electric	NaN	88	112	75	143	102	80

807 rows × 14 columns

In [66]:

df["type_1"].nunique()

Out[66]:

18

In [67]:

df["type_1"].value_counts()

Out[67]:

water       114
normal      105
grass        78
bug          72
fire         53
psychic      53
rock         46
electric     40
poison       34
ground       32
dark         29
fighting     29
ghost        27
dragon       27
steel        24
ice          23
fairy        18
flying        3
Name: type_1, dtype: int64

In [ ]:

In [78]:

sb.countplot(data = df, x = "type_1" , color= base_color)
plt.show()

In [104]:

sb.color_palette()

Out[104]:

In [105]:

base_color = sb.color_palette()[1]

In [92]:

df["type_1"].value_counts().index

Out[92]:

Index(['water', 'normal', 'grass', 'bug', 'fire', 'psychic', 'rock',
       'electric', 'poison', 'ground', 'dark', 'fighting', 'ghost', 'dragon',
       'steel', 'ice', 'fairy', 'flying'],
      dtype='object')

In [98]:

base_order = df["type_1"].value_counts().index

In [100]:

base_order[ : : -1]

Out[100]:

Index(['flying', 'fairy', 'ice', 'steel', 'dragon', 'ghost', 'fighting',
       'dark', 'ground', 'poison', 'electric', 'rock', 'psychic', 'fire',
       'bug', 'grass', 'normal', 'water'],
      dtype='object')

In [101]:

base_order = base_order[ : : -1]

In [107]:

# 첫번째 글자가 겹치는 문제 해결 
sb.countplot(data = df, x = "type_1" , color= base_color , order = base_order)
plt.xticks(rotation = 60)  # 각도 회전
plt.yticks(rotation = 60)
plt.show()

In [114]:

# 두번째 차트의 y축을 활용하는 방법
sb.countplot(data = df, y = "type_1" , color= base_color , order = base_order)
# plt.yticks(rotation = 45)
plt.show()

In [142]:

df['type_1'].nunique()

Out[142]:

18

In [158]:

base_order2 =df['type_1'].value_counts().index[:5+1]

In [143]:

# type_1 의 데이터를 보니까 18개인데
# 데이터수가 많은, 상위 6개만 카운트플롯으로 나타내주세요.

In [159]:

sb.countplot(data = df, y = "type_1", order = base_order2)
plt.show()

In [ ]:

In [ ]:

In [ ]:

In [ ]:

In [ ]:

In [ ]:

In [ ]:

Pie Charts¶

In [115]:

# 데이터를, 퍼센테이지로 비교해서 보고 싶을때! 사용한다.

In [ ]:

In [116]:

# generation_id 별로 데이터의 갯수를
# 퍼센테이지로 비교할 수 있도록, 파이차트로 나타내라.

In [117]:

df

Out[117]:

	id	species	generation_id	height	weight	base_experience	type_1	type_2	hp	attack	defense	speed	special-attack	special-defense
0	1	bulbasaur	1	0.7	6.9	64	grass	poison	45	49	49	45	65	65
1	2	ivysaur	1	1.0	13.0	142	grass	poison	60	62	63	60	80	80
2	3	venusaur	1	2.0	100.0	236	grass	poison	80	82	83	80	100	100
3	4	charmander	1	0.6	8.5	62	fire	NaN	39	52	43	65	60	50
4	5	charmeleon	1	1.1	19.0	142	fire	NaN	58	64	58	80	80	65
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
802	803	poipole	7	0.6	1.8	189	poison	NaN	67	73	67	73	73	67
803	804	naganadel	7	3.6	150.0	243	poison	dragon	73	73	73	121	127	73
804	805	stakataka	7	5.5	820.0	257	rock	steel	61	131	211	13	53	101
805	806	blacephalon	7	1.8	13.0	257	fire	ghost	53	127	53	107	151	79
806	807	zeraora	7	1.5	44.5	270	electric	NaN	88	112	75	143	102	80

807 rows × 14 columns

In [118]:

df["generation_id"].value_counts()

Out[118]:

5    156
1    151
3    135
4    107
2    100
7     86
6     72
Name: generation_id, dtype: int64

In [120]:

# df로는 파이차트를 바로 그릴수가 없다.
# 따라서, 제너레이션 아이디별로 데이터가 몇개인지 우리가 먼저 구해놓는다.
df2 = df["generation_id"].value_counts()

In [121]:

df2

Out[121]:

5    156
1    151
3    135
4    107
2    100
7     86
6     72
Name: generation_id, dtype: int64

In [124]:

plt.pie(df2)
plt.show()

In [128]:

plt.pie(df2, labels= df2.index)
plt.show()

In [129]:

plt.pie(df2, labels= df2.index , autopct= '%.1f')   # %.1f = 소숫점 1자리, %.2f = 소숫점 2자리
plt.show()

In [130]:

plt.pie(df2, labels= df2.index , autopct= '%.1f', startangle= 90) # startangle = 시작지점 
plt.show()

In [132]:

plt.pie(df2, labels= df2.index , autopct= '%.1f', startangle= 90,
       wedgeprops = {'width' : 0.7}) # 구멍
plt.show()

In [135]:

plt.pie(df2, labels= df2.index , autopct= '%.1f', startangle= 90,
       wedgeprops = {'width' : 0.7}) 

plt.title("Generation id pie chart")   # 한글사용은 추후 설명

plt.show()

In [140]:

plt.pie(df2, labels= df2.index , autopct= '%.1f', startangle= 90,
       wedgeprops = {'width' : 0.7}) 

plt.title("Generation id pie chart") 
plt.legend()

plt.show()

In [141]:

plt.pie(df2, labels= df2.index , autopct= '%.1f', startangle= 90,
       wedgeprops = {'width' : 0.7}) 

plt.title("Generation id pie chart") 
plt.legend(['id 5', 'id 1','id 3', 'id 4', 'id 2', 'id 6', 'id 7'])

plt.show()

In [ ]:

In [144]:

# 제너레이션 아이디값이 총 7 개인데,
# 데이터가 많은, 상위 4개만 파이차트로 나타내시오.

In [162]:

df["generation_id"].nunique()

Out[162]:

7

In [165]:

df3 = df["generation_id"].value_counts()

In [192]:

df3.head(4)

Out[192]:

5    156
1    151
3    135
4    107
Name: generation_id, dtype: int64

In [195]:

df3_head4 = df3.head(4)

In [213]:

plt.pie(df3_head4 , labels= df3_head4.index , autopct= "%.2f" , startangle= 90,
        wedgeprops= {"width" : 0.8})

plt.legend(["id 1", "id 2", 'id 3', 'id 4'])
plt.show()