18. 데이터 시각화 기초
데이터 시각화는 복잡한 숫자 정보를 그래프와 차트로 변환하여 한눈에 이해할 수 있게 만드는 기술입니다. 파이썬의 matplotlib 라이브러리를 사용하면 간단한 코드만으로도 전문가 수준의 시각화를 만들 수 있어요. 이번 챕터에서는 기본적인 그래프부터 실무에서 활용할 수 있는 고급 차트까지 단계별로 배워보겠습니다.
학습 목표
이번 챕터를 완료하면 다음과 같은 능력을 갖게 됩니다:
- matplotlib 라이브러리의 기본 사용법 이해
- 선 그래프, 막대 그래프, 산점도 등 기본 차트 생성
- 차트의 제목, 축 레이블, 범례 등 요소 커스터마이징
- 실제 데이터를 활용한 분석 시각화 구현
- 여러 개의 서브플롯을 조합한 대시보드 제작
18-1. matplotlib 라이브러리 소개
matplotlib는 파이썬에서 가장 널리 사용되는 데이터 시각화 라이브러리입니다. MATLAB의 그래프 기능을 파이썬에서 구현한 것으로, 강력하면서도 직관적인 API를 제공합니다. 과학 연구부터 비즈니스 분석까지 다양한 분야에서 활용되고 있어요.
matplotlib 설치 및 한글 폰트 설정
먼저 matplotlib를 설치해보겠습니다:
pip install matplotlib
또는 uv를 사용하는 경우:
uv add matplotlib
한글 폰트 설정:
import matplotlib.pyplot as plt
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
첫 번째 그래프 그리기
가장 간단한 선 그래프부터 시작해보겠습니다:
import matplotlib.pyplot as plt
# 데이터 준비
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
# 그래프 그리기
plt.plot(x, y)
plt.title('첫 번째 그래프')
plt.xlabel('X축')
plt.ylabel('Y축')
plt.show()
이 코드는 간단한 직선 그래프를 생성합니다. plt.plot()이 실제 그래프를 그리는 함수이고, 나머지는 제목과 축 레이블을 설정하는 부분입니다.
18-2. 기본 그래프 그리기
데이터의 특성에 따라 적절한 그래프 유형을 선택하는 것이 중요합니다. 시간의 변화를 보려면 선 그래프, 카테고리별 비교는 막대 그래프, 두 변수의 관계는 산점도가 효과적이에요.
선 그래프 (Line Plot)
시간에 따른 변화를 표현할 때 가장 적합한 그래프입니다:
import matplotlib.pyplot as plt
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
# 한 달간 온도 변화 데이터
days = list(range(1, 31))
temperature = [15, 18, 22, 25, 28, 30, 32, 31, 29, 26,
23, 20, 18, 16, 19, 22, 26, 29, 31, 28,
25, 22, 19, 17, 20, 24, 27, 29, 26, 23]
plt.figure(figsize=(10, 6))
plt.plot(days, temperature, marker='o', linewidth=2, color='red')
plt.title('한 달간 일일 기온 변화', fontsize=16)
plt.xlabel('날짜', fontsize=12)
plt.ylabel('온도 (°C)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()
막대 그래프 (Bar Chart)
카테고리별 데이터 비교에 최적화된 그래프입니다:
import matplotlib.pyplot as plt
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
# 과목별 점수 데이터
subjects = ['수학', '영어', '과학', '국어', '사회']
scores = [88, 92, 85, 90, 87]
plt.figure(figsize=(8, 6))
bars = plt.bar(subjects, scores, color=['skyblue', 'lightgreen', 'coral', 'gold', 'lightpink'])
plt.title('과목별 성적', fontsize=16)
plt.xlabel('과목', fontsize=12)
plt.ylabel('점수', fontsize=12)
plt.ylim(80, 95)
# 막대 위에 점수 표시
for bar, score in zip(bars, scores):
plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 0.5,
str(score), ha='center', va='bottom')
plt.show()
산점도 (Scatter Plot)
두 변수 간의 상관관계를 시각화하는 데 사용됩니다:
import matplotlib.pyplot as plt
import random
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
# 공부 시간과 성적 데이터 생성
study_hours = [random.uniform(1, 10) for _ in range(30)]
test_scores = [h * 8 + random.uniform(-10, 10) for h in study_hours]
plt.figure(figsize=(8, 6))
plt.scatter(study_hours, test_scores, alpha=0.7, s=50, color='purple')
plt.title('공부 시간과 시험 점수의 관계', fontsize=16)
plt.xlabel('공부 시간 (시간)', fontsize=12)
plt.ylabel('시험 점수', fontsize=12)
plt.grid(True, alpha=0.3)
plt.show()
18-3. 데이터 분석과 시각화
실제 데이터를 활용한 분석에서는 여러 개의 그래프를 함께 사용하여 데이터의 다양한 측면을 보여주는 것이 효과적입니다. 서브플롯을 활용하면 하나의 화면에 여러 그래프를 배치할 수 있어요.
여러 그래프 조합하기
import matplotlib.pyplot as plt
import random
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
# 가상의 판매 데이터 생성
months = ['1월', '2월', '3월', '4월', '5월', '6월']
product_a = [120, 135, 148, 162, 180, 195]
product_b = [80, 88, 95, 110, 125, 140]
product_c = [200, 190, 185, 175, 170, 165]
# 2x2 서브플롯 생성
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(12, 10))
# 선 그래프 - 제품별 판매 추이
ax1.plot(months, product_a, marker='o', label='제품 A')
ax1.plot(months, product_b, marker='s', label='제품 B')
ax1.plot(months, product_c, marker='^', label='제품 C')
ax1.set_title('월별 제품 판매 추이')
ax1.set_ylabel('판매량')
ax1.legend()
ax1.grid(True, alpha=0.3)
# 막대 그래프 - 6월 제품별 판매량
june_sales = [195, 140, 165]
products = ['제품 A', '제품 B', '제품 C']
ax2.bar(products, june_sales, color=['blue', 'green', 'red'])
ax2.set_title('6월 제품별 판매량')
ax2.set_ylabel('판매량')
# 파이 차트 - 전체 판매 비율
total_sales = [sum(product_a), sum(product_b), sum(product_c)]
ax3.pie(total_sales, labels=products, autopct='%1.1f%%', startangle=90)
ax3.set_title('전체 판매 비율')
# 히스토그램 - 일일 판매량 분포
daily_sales = [random.randint(50, 200) for _ in range(100)]
ax4.hist(daily_sales, bins=15, alpha=0.7, color='orange')
ax4.set_title('일일 판매량 분포')
ax4.set_xlabel('판매량')
ax4.set_ylabel('빈도')
plt.tight_layout()
plt.show()
18-4. 차트 커스터마이징
전문적이고 보기 좋은 차트를 만들기 위해서는 색상, 폰트, 스타일 등을 세심하게 조정해야 합니다. matplotlib는 다양한 커스터마이징 옵션을 제공하여 원하는 스타일의 차트를 만들 수 있어요.
고급 스타일링
import matplotlib.pyplot as plt
import numpy as np
# 한글 폰트 설정 (macOS)
plt.rc('font', family='Apple SD Gothic Neo')
plt.rcParams['axes.unicode_minus'] = False
# 데이터 준비
categories = ['마케팅', '개발', '영업', '디자인', '기획']
budget_2023 = [300, 500, 250, 200, 150]
budget_2024 = [350, 600, 280, 250, 180]
# 스타일 설정
plt.style.use('seaborn-v0_8')
fig, ax = plt.subplots(figsize=(10, 6))
# 막대 위치 설정
x = np.arange(len(categories))
width = 0.35
# 막대 그래프 생성
bars1 = ax.bar(x - width/2, budget_2023, width, label='2023년',
color='#3498db', alpha=0.8)
bars2 = ax.bar(x + width/2, budget_2024, width, label='2024년',
color='#e74c3c', alpha=0.8)
# 차트 꾸미기
ax.set_title('부서별 예산 비교', fontsize=18, fontweight='bold', pad=20)
ax.set_xlabel('부서', fontsize=14)
ax.set_ylabel('예산 (만원)', fontsize=14)
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend(fontsize=12)
# 격자 설정
ax.grid(True, axis='y', alpha=0.3, linestyle='--')
ax.set_axisbelow(True)
# 막대 위에 값 표시
def add_value_labels(bars):
for bar in bars:
height = bar.get_height()
ax.text(bar.get_x() + bar.get_width()/2., height + 5,
f'{int(height)}', ha='center', va='bottom', fontsize=10)
add_value_labels(bars1)
add_value_labels(bars2)
plt.tight_layout()
plt.show()
실습: 성적 분석 차트 만들기
학생들의 성적 데이터를 종합적으로 분석하는 시각화 프로그램을 만들어보겠습니다. 이 실습에서는 여러 과목의 성적을 다양한 관점에서 시각화해볼 거예요.
import matplotlib.pyplot as plt
import numpy as np
import random
# 운영체제별 폰트 깨짐 방지 설정
# plt.rc('font', family='Apple SD Gothic Neo') # macOS
# plt.rc('font', family='DejaVu Sans') # Linux
plt.rc('font', family='Malgun Gothic') # Windows
plt.rcParams['axes.unicode_minus'] = False
class GradeAnalyzer:
def __init__(self):
self.subjects = ['수학', '영어', '과학', '국어', '사회']
self.students = [f'학생{i+1}' for i in range(20)]
self.grades = self.generate_sample_data()
def generate_sample_data(self):
"""샘플 성적 데이터 생성"""
grades = {}
for subject in self.subjects:
grades[subject] = [random.randint(60, 100) for _ in range(20)]
return grades
def create_dashboard(self):
"""성적 분석 대시보드 생성"""
fig = plt.figure(figsize=(15, 10))
# 1. 과목별 평균 점수 막대 그래프
ax1 = plt.subplot(2, 3, 1)
avg_scores = [np.mean(self.grades[subject]) for subject in self.subjects]
bars = ax1.bar(self.subjects, avg_scores, color='skyblue', alpha=0.8)
ax1.set_title('과목별 평균 점수', fontsize=14, fontweight='bold')
ax1.set_ylabel('평균 점수')
ax1.set_ylim(0, 100)
# 막대 위에 평균값 표시
for bar, avg in zip(bars, avg_scores):
ax1.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1,
f'{avg:.1f}', ha='center', va='bottom')
# 2. 성적 분포 히스토그램
ax2 = plt.subplot(2, 3, 2)
all_scores = []
for scores in self.grades.values():
all_scores.extend(scores)
ax2.hist(all_scores, bins=15, alpha=0.7, color='lightgreen', edgecolor='black')
ax2.set_title('전체 성적 분포', fontsize=14, fontweight='bold')
ax2.set_xlabel('점수')
ax2.set_ylabel('빈도')
# 3. 과목별 성적 상자 그림
ax3 = plt.subplot(2, 3, 3)
data_for_boxplot = [self.grades[subject] for subject in self.subjects]
bp = ax3.boxplot(data_for_boxplot, labels=self.subjects, patch_artist=True)
ax3.set_title('과목별 성적 분포', fontsize=14, fontweight='bold')
ax3.set_ylabel('점수')
# 상자 그림 색상 설정
colors = ['lightblue', 'lightgreen', 'lightcoral', 'lightyellow', 'lightpink']
for patch, color in zip(bp['boxes'], colors):
patch.set_facecolor(color)
# 4. 학생별 총점 순위
ax4 = plt.subplot(2, 3, 4)
total_scores = []
for i in range(20):
total = sum(self.grades[subject][i] for subject in self.subjects)
total_scores.append(total)
sorted_indices = sorted(range(20), key=lambda x: total_scores[x], reverse=True)
top_10_students = [self.students[i] for i in sorted_indices[:10]]
top_10_scores = [total_scores[i] for i in sorted_indices[:10]]
ax4.barh(top_10_students, top_10_scores, color='orange', alpha=0.8)
ax4.set_title('상위 10명 총점', fontsize=14, fontweight='bold')
ax4.set_xlabel('총점')
# 5. 과목간 상관관계 (수학 vs 과학)
ax5 = plt.subplot(2, 3, 5)
ax5.scatter(self.grades['수학'], self.grades['과학'], alpha=0.6, color='purple')
ax5.set_title('수학 vs 과학 점수 상관관계', fontsize=14, fontweight='bold')
ax5.set_xlabel('수학 점수')
ax5.set_ylabel('과학 점수')
ax5.grid(True, alpha=0.3)
# 6. 과목별 등급 분포 파이 차트
ax6 = plt.subplot(2, 3, 6)
math_grades = self.grades['수학']
grade_counts = {'A': 0, 'B': 0, 'C': 0, 'D': 0}
for score in math_grades:
if score >= 90:
grade_counts['A'] += 1
elif score >= 80:
grade_counts['B'] += 1
elif score >= 70:
grade_counts['C'] += 1
else:
grade_counts['D'] += 1
ax6.pie(grade_counts.values(), labels=grade_counts.keys(),
autopct='%1.1f%%', startangle=90, colors=['gold', 'lightgreen', 'orange', 'lightcoral'])
ax6.set_title('수학 등급 분포', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()
def print_summary(self):
"""성적 요약 정보 출력"""
print("=== 성적 분석 요약 ===")
for subject in self.subjects:
scores = self.grades[subject]
print(f"{subject}: 평균 {np.mean(scores):.1f}, 최고 {max(scores)}, 최저 {min(scores)}")
# 실행
if __name__ == "__main__":
analyzer = GradeAnalyzer()
analyzer.create_dashboard()
analyzer.print_summary()
확장 과제: 인터랙티브 대시보드 만들기
더 고급 기능을 원한다면 plotly나 bokeh 같은 인터랙티브 시각화 라이브러리를 사용해보세요:
# plotly 설치 필요: pip install plotly
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import random
def create_interactive_dashboard():
"""인터랙티브 대시보드 생성"""
# 샘플 데이터
months = ['1월', '2월', '3월', '4월', '5월', '6월']
sales_data = {
'온라인': [100, 120, 140, 160, 180, 200],
'오프라인': [80, 85, 90, 88, 92, 95],
'모바일': [50, 65, 80, 100, 120, 140]
}
# 서브플롯 생성
fig = make_subplots(
rows=2, cols=2,
subplot_titles=('월별 판매 추이', '채널별 비교', '총 판매량', '성장률'),
specs=[[{"secondary_y": False}, {"type": "bar"}],
[{"type": "pie"}, {"type": "scatter"}]]
)
# 선 그래프
for channel, values in sales_data.items():
fig.add_trace(
go.Scatter(x=months, y=values, name=channel, mode='lines+markers'),
row=1, col=1
)
# 막대 그래프
fig.add_trace(
go.Bar(x=list(sales_data.keys()),
y=[sum(values) for values in sales_data.values()],
name='총 판매량'),
row=1, col=2
)
# 파이 차트
fig.add_trace(
go.Pie(labels=list(sales_data.keys()),
values=[sum(values) for values in sales_data.values()]),
row=2, col=1
)
# 산점도
growth_rates = [random.uniform(5, 25) for _ in range(6)]
fig.add_trace(
go.Scatter(x=months, y=growth_rates, mode='markers+lines',
name='성장률', marker=dict(size=10)),
row=2, col=2
)
fig.update_layout(height=600, showlegend=True, title_text="판매 분석 대시보드")
fig.show()
# 실행 (주석 해제하여 사용)
# create_interactive_dashboard()
연습문제
-
기본 연습: 자신의 일주일 공부시간을 막대그래프로 나타내보세요.
-
응용 연습: 가상의 주식 데이터를 생성하여 30일간의 주가 변동을 선 그래프로 시각화하고, 이동평균선을 추가해보세요.
-
종합 연습: 학교 동아리 활동 참여도 데이터를 만들어 다음을 포함한 대시보드를 제작하세요:
- 동아리별 회원 수 막대그래프
- 월별 활동 참여율 선 그래프
- 학년별 참여 비율 파이차트
- 활동 만족도 분포 히스토그램
핵심 포인트
- 적절한 그래프 선택: 데이터의 특성에 맞는 시각화 방법을 선택하는 것이 중요합니다
- 가독성 우선: 화려한 것보다는 명확하고 이해하기 쉬운 차트가 좋습니다
- 일관성 유지: 색상, 폰트, 스타일을 일관되게 유지하여 전문적인 느낌을 줍니다
- 스토리텔링: 데이터가 전달하고자 하는 메시지를 명확히 표현해야 합니다
데이터 시각화는 단순히 그래프를 그리는 것이 아니라, 데이터 속에 숨겨진 인사이트를 찾아내고 이를 효과적으로 전달하는 기술입니다. matplotlib를 마스터하면 데이터 분석 능력이 한 단계 향상될 거예요!