여러개 변수 시각화1 : plt.scatterplots()
ㄴ Bivariate Visualization: 두 컬럼간의 관계를 표현한 차트
ㄴ 1. plt의 scatter사용
ㄴ 2. seaborn의 regplot 사용
ㄴ 3. seaborn의 pairplot 사용
- 두 컬럼간의 관계를 차트로 나타내는 방법
- 관계란: 1. 비례 관계, 2. 반비례 관계, 3. 아무 관계 없음. 3가지를 말한다.
plt.scatter(data = 데이터프레임, x = 컬럼명1, y = 컬럼명2 )
ㄴ 왜 두 컬럼비교하는 거라서, x축,y축 모두 설정해야한다.
| import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sb %matplotlib inline plt.scatter(data = df,x = 'displ', y ='comb' ) plt.title('Displ Vs Comb') plt.xlabel('Displacement(L)') plt.ylabel('Combined Fuel Eff(mpg)') plt.show() |
상관계수(= 상관분석, 상관관계분석): corr()
ㄴ correlation의 약자
데이터프레임[두 컬럼명].corr()
ㄴ 본인과 본인의 관계는 의미 없음. 대각선은 필요없는 데이터
ㄴ 마이너스로 나오면 그것이 반비례 관계.
ㄴ마이너스 1에 가까울수록 강한 반비례 관계
ㄴ 0근처로 가면 관계없을 확률이 높음
여러개 변수 시각화2 : sb.regplot()
ㄴ reg: regression(회귀)의 약자임: 데이터에 fitting 한다는 의미
| import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sb %matplotlib inline sb.regplot(data = df, x = 'displ',y = 'comb') plt.title('Displ Vs Comb') plt.xlabel('Displacement(L)') plt.ylabel('Combined Fuel Eff(mpg)') plt.show() |
여러개 변수 시각화3 : sb.pairplot()
sb.pairplot(data = 데이터프레임, vars = [컬럼명1,컬럼명2])
ㄴvars 변수를 말한다. 두개의 컬럼으로 비교해라.
ㄴvars에는 컬럼 이름을 써주자!
sb.pairplot(data=데이터프레임, kind = 'reg',
x_vars=[컬럼명1, 컬럼명2], y_vars=[컬럼명1, 컬럼명2])
ㄴ리그레이션: reg의 약자, 데이터의 피팅.
- 그러나 스케터는, 여러 데이터가 한군데 뭉치면 보기 힘들다. 이를 어떻게 해결할 것인가.
Heat Maps : plt.hist2d()
- 밀도를 나타내는 데 좋다.
plt.hist2d(data = 데이터프레임, x = 컬럼명',y= 컬럼명,cmin = 숫자, cmap = 'viridis_r'
,bins = 숫자)
ㄴ cmin 데이터 없는 부분은 빼준다.
| plt.hist2d(data = df, x = 'displ',y='comb',cmin = 0.5, cmap = 'viridis_r' ,bins = 20) plt.colorbar() plt.title('Displ Vs Comb') plt.xlabel('Displacement(L)') plt.ylabel('Combined Fuel Eff(mpg)') plt.show() |
sb.heatmap (data = crime1,cmap = 'RdPu', annot = True, fmt = '.1f', linewidths= 0.8)
plt.show()
ㄴ annot: 어노테이션: 표기, 숫자를 표기하라.
ㄴ fmt 포맷 .1f 소수점 한자리
ㄴ linewidths 각 사이의 선, 0부터 1까지 사용할 수 있다.
