[Data Analysis] 고급 차트 유형 & 인터렉티브 시각화

고급 차트 유형 및 사용법

• 이번에는 기본적인 차트가 아닌, 더 자세한 데이터의 간의 상관관계, 빈도등의 파악 목적을 위한 차트들에 데하여 알아보겠습니다.

---

히트맵 (Heatmap)

• 히트맵은 행렬 형식의 데이터를 색상으로 시각화하여 데이터의 크기나 빈도 등을 파악하기 위해 사용되는 도구입니다.
• 색상이 짙어질수록 데이터 값이 크거나 빈도가 높음을 나타냅니다.
• 예시
  • 상관 행렬: 변수들 간의 상관 관계 시각화
  • 웹사이트 클릭: 웹페이지의 사용자 클릭 빈도를 시각화

 

히트맵 예시 (Heatmap Example)

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

# 샘플 데이터 생성
data = np.random.rand(10, 12)

# 히트맵 생성
plt.figure(figsize=(10, 8))
sns.heatmap(data, annot=True, cmap='coolwarm')
plt.title('Sample Heatmap')
plt.show()

---

트리맵 (Treemap)

• 트리맵은 계층적 데이터를 직사각형으로 시각화하여 데이터의 크기와 비율을 나타냅니다.
• 각 직사각형의 크기는 해당 데이터의 크기를 나타내며 계층 구조 내의 비율을 비교하는 데 탁월합니다.
• 예시: 파일 시스템: 디스크 사용량을 시각화하여 폴더와 파일의 크기를 비교

트리맵 예시 (Treemap Example)

import plotly.express as px
import numpy as np
df = px.data.gapminder().query("year == 2007")
fig = px.treemap(df, path=[px.Constant("world"), 'continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.update_layout(margin = dict(t=50, l=25, r=25, b=25))
fig.show()

---

버블차트 (Bubble Chart)

• 버블 차트는 산점도의 확장된 형태로, 데이터 포인트의 크기를 추가 변수로 시각화합니다.
• 각 버블의 위치는 두 변수의 값을 나타내고, 크기는 세 번째 변수를 나타냅니다.
• 예시:
  • GDP와 기대 수명: 각 국가의 GDP와 기대 수명을 시각화하고, 버블 크기로 인구 수를 나타냄
  • 매출과 이익률: 제품별 매출과 이익률을 시각화하고, 버블 크기로 시장 점유율을 나타냄

버블차트 예시 (Bubble Chart Example)

import matplotlib.pyplot as plt

# 샘플 데이터 정의
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]
sizes = [100, 200, 300, 400, 500]

# 버블 차트 생성
plt.figure(figsize=(10, 6))
plt.scatter(x, y, s=sizes, alpha=0.5, c=sizes, cmap='viridis')
plt.title('Sample Bubble Chart')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.colorbar()
plt.show()

---

레이더 차트 (Radar Chart)

• 레이더 차트는 여러 변수를 축으로 하여 다각형으로 시각화하는 방법입니다.
• 각 축은 하나의 변수를 나타내며, 중앙에서 각 축까지의 거리는 변수의 값을 나타냅니다.
• 예시:
  • 선수의 성과 평가: 다양한 성과 지표를 시각화하여 선수의 강점과 약점 파악
  • 제품 비교: 여러 제품의 다양한 특성을 시각화하여 비교

레이더 차트 예시(Radar Chart )

import matplotlib.pyplot as plt
import numpy as np

# 샘플 데이터 정의
labels = ['Shots', 'Speeds', 'Touches', 'Dribbles', 'Heading']
values = [4, 3, 2, 5, 4]
values += values[:1]
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()
angles += angles[:1]

# 레이더 차트 생성
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
ax.fill(angles, values, color='red', alpha=0.4)
ax.plot(angles, values, color='black', linewidth=2)
ax.set_yticklabels([])
ax.set_xticks(angles[:-1])
ax.set_xticklabels(labels)
plt.title('Football Player A')
plt.show()

---

생키 다이어그램 (Sankey Diagram)

• 생키 다이어그램은 데이터의 흐름과 비율을 시각화하는 방법입니다.
• 흐름의 두께가 데이터의 크기를 나타냅니다.
• 예시:
  • 에너지 소비 흐름: 에너지의 생산부터 소비까지의 흐름 시각화
  • 재정 흐름: 자금의 유입과 유출 시각화

생키 다이어그램 예시 (Sankey Diagram Example)

import plotly.graph_objects as go

# 샘플 데이터 정의
fig = go.Figure(go.Sankey(
    node=dict(
        pad=15,
        thickness=20,
        line=dict(color="black", width=0.5),
        label=["A", "B", "C", "D", "E", "F"],
        color=["blue", "blue", "blue", "blue", "blue", "blue"]
    ),
    link=dict(
        source=[0, 1, 0, 2, 3, 3],
        target=[2, 3, 3, 4, 4, 5],
        value=[8, 4, 2, 8, 4, 2]
    )
))

fig.update_layout(title_text="Sample Sankey Diagram", font_size=10)
fig.show()

---

데이터의 형태에 따른 시각화

종종 우리는 데이터의 형태, 관계에 따라서 다른 데이터 시각화 방법을 사용해야 하는 경우가 있습니다. 한번 알아보겠습니다.

다변량 데이터 시각화

다변량 데이터 시각화는 여러 변수 간의 관계와 패턴을 파악하는 시각화 방법입니다.
이를 통해 데이터 세트를 이해하고 해석하는 데 이점이 있으며, 다양한 변수들의 상호작용을 시각적으로 분석할 수 있습니다.

 

하지만 너무 많은 변수를 한 그래프에 표시하면 복잡해져서 해석이 어려울 수 있습니다.

대표적인 다변량 데이터 시각화 도구로는 산점도, 평행좌표, 히트맵, 체르노프 페이스가 있습니다.

• 산점도 (Scatter Plot): 두 변수 간의 관계를 시각화하여 상관관계를 파악할 수 있습니다.
• 평행좌표 (Parallel Coordinates): 여러 변수를 평행한 축으로 나타내어 각 변수의 값을 선으로 연결합니다.
• 히트맵 (Heatmap): 행렬 형식의 데이터를 색상으로 시각화하여 데이터의 크기나 빈도 등을 파악합니다.
• 체르노프 페이스 (Chernoff Faces): 여러 변수를 얼굴 모양으로 표현하여 데이터의 차이를 직관적으로 파악할 수 있습니다.

 

시계열 데이터 시각화

시계열 데이터 시각화는 시간에 따른 변화를 분석하여 추세, 계절성, 주기성을 파악하는 방법입니다.

 

이를 통해 데이터의 시간적 변동을 시각적으로 분석할 수 있습니다.

시계열 데이터 시각화 도구로는 선 그래프, 히트맵, 캘린더 차트가 있습니다.

• 선 그래프 (Line Chart): 시간에 따른 데이터 변화를 시각화하며, 데이터 포인트가 선으로 연결되어 추세를 나타냅니다.
• 히트맵 (Heatmap): 특정 시간대의 데이터를 색상으로 시각화하여 패턴과 분포를 파악할 수 있습니다.
• 캘린더 차트 (Calendar Chart): 날짜별 데이터를 색상으로 나타내어 특정 기간의 데이터를 분석합니다.

 

지리 데이터 시각화

지리 데이터 시각화는 공간적인 패턴과 관계를 파악하고, 특정 위치의 데이터를 분석하는 방법입니다.

 

이를 통해 공간적 분포와 위치 기반의 인사이트를 얻을 수 있습니다. 대표적인 지리 데이터 시각화 도구로는 지도가 있습니다.

• 지도 (Map): 데이터를 지도 위에 시각화하여 공간적 패턴과 관계를 파악합니다. 예를 들어, 특정 지역의 인구 분포, 기후 변화, 판매 지역 등을 시각화할 수 있습니다.

---

Interactive Visualization (인터렉티브 시각화)

인터랙티브 시각화는 사용자와 상호작용할 수 있는 데이터 시각화 방법입니다.

 

 

사용자가 직접 그래프나 차트를 클릭하거나, 확대 축소하거나, 데이터를 필터링할 수 있으며,

이를 통해 데이터를 더 깊이 탐색하고 다양한 관점에서 분석할 수 있습니다.

장점

• 이해 증진: 데이터를 다양한 방식으로 탐색할 수 있어, 복잡한 데이터를 더 쉽게 이해할 수 있습니다.
• 사용자 참여: 상호작용 요소는 사용자의 참여를 유도합니다.
• 효율적 탐색: 데이터 필터링, 확대, 축소, 세부 정보 확인이 가능해 효율적인 데이터 탐색이 가능합니다.

주의점

• 과도한 상호작용: 너무 많은 상호작용 요소는 사용자를 혼란스럽게 할 수 있습니다.
• 데이터 정확성: 실시간 데이터 분석 시 데이터의 정확성을 유지하는 것이 필수적입니다.
• 성능 최적화: 대량의 데이터를 시각화할 때는 성능을 고려해야 합니다.

 

인터랙티브 요소

 

슬라이서 (Slicer): 데이터의 특정 범위를 선택할 수 있는 슬라이드 바 형태의 컨트롤러.

• 예시: 시간 범위를 선택하여 해당 기간의 데이터를 시각화.

드롭다운 메뉴 (Dropdown Menu): 여러 옵션 중 하나를 선택할 수 있는 메뉴.

• 예시: 특정 카테고리나 지역을 선택하여 해당 데이터를 시각화.

버튼 (Buttons): 특정 동작을 실행할 수 있는 버튼.

• 예시: 특정 필터를 적용하거나, 원래 상태로 리셋.

연결된 시각화 (Linked Visualizations): 하나의 시각화에서 선택한 데이터가 다른 시각화에 반영.

• 예시: 지도에서 특정 지역을 클릭하면 해당 지역의 상세 데이터가 표에 나타남.

 

인터렉티브 시각화 예시

import plotly.express as px
import pandas as pd

# 샘플 데이터 생성
data = {
    'Month': ['January', 'February', 'March', 'April', 'May', 'June'],
    'Sales': [150, 200, 180, 220, 250, 230]
}
df = pd.DataFrame(data)

# 인터랙티브 선 그래프 생성
fig = px.line(df, x='Month', y='Sales', title='Monthly Sales')
fig.show()

결과 사진만 가지고 왔습니다. 실제 인터렉티브 하게 동작하는걸 보고 싶으시면 코드를 가져오셔서 실행하셔야 합니다.