Seaborn을 활용한 통계 시각화 기법: 데이터 통찰력을 얻는 방법

 

Seaborn은 파이썬의 고급 시각화 라이브러리로, 데이터 분석과 통계 시각화를 위한 강력한 도구입니다.

Matplotlib을 기반으로 하며, Pandas와 잘 통합되어 복잡한 통계 시각화도 간단하게 구현할 수 있습니다.

이번 글에서는 Seaborn을 활용한 주요 통계 시각화 기법을 공부한 내용을 중심으로 기록하고 공유하려합니다.

---

1. Seaborn 이란?

 

1.1 Seaborn의 특징

 

Seaborn은 Python의 인기 있는 데이터 시각화 라이브러리로, 통계 데이터를 시각화하기에 강력한 기능을 제공합니다.

 

• 통계 데이터 시각화를 위한 고급 플롯 제공
• 데이터프레임(Pandas)과 긴밀한 연동
• 미적 스타일과 색상 테마 제공
• 복잡한 시각화도 간단한 코드로 구현 가능

장점 :

- 고급통계시각화 지원

- Pandas 데이터 프레임과의 긴밀한 연동

- 스타일과 디자인이 세련됨

- 다변량 데이터 시각화에 강점

- 쉽고 간결한 코드

- 색상 팔레트 제공

- Matplotlib와의 통합

 

단점:

-  복잡한 시각화의 한계

- 대규모 데이터 처리 제한

- 플롯 종류의 제한

- 복잡한 레이아웃 구성 어려움

- 한정된 학습 자료

---

2. Seaborn 설치 및 기본 설정

 

2.1 Seaborn 설치

pip install seaborn

 

2.2 기본 임포트 및 스타일 설정

import seaborn as sns
import matplotlib.pyplot as plt

sns.set(style="whitegrid") #스타일 설정

 

---

3. 주요 통계 시각화 기법

 

3.1 분포 플롯 (Distribution Plot)

데이터의 분포를 시각화하고 이해할 때 유용합니다.

 

• 히스토그램과 KDE(커널 밀도 추정)

import numpy as np
data = np.random.normal(size=1000)  # 정규분포 데이터 생성

sns.histplot(data, kde=True, bins=30, color="blue", alpha=0.7)
plt.title("Histogram with KDE")
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

histogram

3.2 관계 플롯 (Relational Plot)

변수 간의 관계를 시각화 합니다.

 

• 산점도 (Scatter Plot)

import pandas as pd
df = pd.DataFrame({
    "Age": np.random.randint(20, 60, 100),
    "Salary": np.random.randint(30000, 120000, 100)
})

sns.scatterplot(x="Age", y="Salary", data=df)
plt.title("Age vs Salary")
plt.xlabel("Age")
plt.ylabel("Salary")
plt.show()

Scatter Plot

•  선형 관계 (Line Plot)

sns.lineplot(x="Age", y="Salary", data=df)
plt.title("Line Plot of Age vs Salary")
plt.show()

Line Plot

 

3.3 범주형 데이터 시각화 (Categorical Data Visualization)

• 막대 그래프 (Bar Plot)

sns.barplot(x="Age", y="Salary", data=df, ci=None)
plt.title("Average Salary by Age")
plt.show()

Bar Plot

• 박스 플롯 (Box Plot)

sns.boxplot(x="Age", y="Salary", data=df)
plt.title("Salary Distribution by Age")
plt.show()

Box Plot

3.4 상관관계 히트맵 (correlation Heatmap)

데이터 변수 간의 상관관계를 시각적으로 나타냅니다.

correlation = df.corr()
sns.heatmap(correlation, annot=True, cmap="coolwarm", fmt=".2f")
plt.title("Correlation Heatmap")
plt.show()

Correlation Heatmap

 

3.5 페어 플롯 (Pair Plot)

모든 변수 간의 관계를 한눈에 시각화 할 수 있습니다.

sns.pairplot(df)
plt.show()

Pairplot

 

---

4. Seaborn 통계 시각화 실용예제

 

4.1 다변량 데이터 시각화

df = pd.DataFrame({
    "Age": np.random.randint(20, 60, 200),
    "Salary": np.random.randint(30000, 120000, 200),
    "Gender": np.random.choice(["Male", "Female"], 200)
})

sns.scatterplot(x="Age", y="Salary", hue="Gender", data=df, palette="coolwarm")
plt.title("Salary vs Age by Gender")
plt.show()

4.2 타임 시리즈 데이터 분석

dates = pd.date_range("2024-01-01", periods=100)
values = np.cumsum(np.random.randn(100))

time_series_df = pd.DataFrame({"Date": dates, "Value": values})

sns.lineplot(x="Date", y="Value", data=time_series_df)
plt.title("Time Series Data")
plt.xticks(rotation=45)
plt.show()

 

4.3 이상탐지

박스 플롯을 사용하여 이상치를 탐지합니다.

sns.boxplot(x=df["Salary"])
plt.title("Salary Outliers")
plt.show()

 

[참고]

• Seaborn 과 Matplotlib의 차이점

- Seaborn : 통계 시각화에 특화, 데이터프레임과 긴밀히 연동, 스타일링 강점

- Matplotlib : 저수준 라이브러리 , 커스터마이징 가능

 

• 요약

 

Seaborn을 활용하면 데이터 통찰력을 얻는 데 필요한 고급 통계 시각화를 간단한 코드로 구현할 수 있습니다.

이번 글에서 다룬 내용을 활용해 데이터를 분석하고, 더 나아가 실무에서 시각화를 적용해 보세요~ 😊