[Python] 13. Python의 "데이터 분석 및 시각화"

Python 학습: 데이터 분석 및 시각화

Python은 데이터 분석과 시각화를 위한 강력한 도구를 제공합니다. 이번 글에서는 Numpy를 사용한 배열 연산, Pandas를 사용한 데이터 프레임과 데이터 조작, Matplotlib과 Seaborn을 사용한 데이터 시각화, 그리고 Jupyter Notebook을 사용한 대화형 데이터 분석에 대해 알아보겠습니다.

---

1. Numpy: 배열 연산

Numpy는 수치 데이터를 다루기 위한 강력한 라이브러리로, 배열 연산을 효율적으로 처리할 수 있습니다. Numpy 배열은 리스트보다 빠르고 다양한 수학적 연산을 지원합니다.

 

Numpy 설치 : pip install numpy

 

Numpy 사용 예제:

import numpy as np

# 배열 생성
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]

# 배열 연산
print(arr + 5)  # [ 6  7  8  9 10]
print(arr * 2)  # [ 2  4  6  8 10]

# 다차원 배열
matrix = np.array([[1, 2], [3, 4]])
print(matrix)
# [[1 2]
#  [3 4]]

# 행렬 곱셈
result = np.dot(matrix, matrix)
print(result)
# [[ 7 10]
#  [15 22]]

 

위의 예제에서 Numpy를 사용하여 배열을 생성하고, 다양한 수학적 연산을 수행할 수 있습니다. Numpy는 대규모 데이터 처리에 적합한 성능을 제공합니다.

---

2. Pandas: 데이터 프레임, 데이터 조작

Pandas는 데이터 분석을 위한 라이브러리로, 데이터 프레임(DataFrame)을 사용하여 데이터를 조작하고 분석할 수 있습니다.

 

Pandas 설치 : pip install pandas

 

Pandas 사용 예제:

import pandas as pd

# 데이터 프레임 생성
data = {
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [25, 30, 35],
    'city': ['New York', 'Los Angeles', 'Chicago']
}
df = pd.DataFrame(data)
print(df)
#       name  age         city
# 0    Alice   25     New York
# 1      Bob   30  Los Angeles
# 2  Charlie   35      Chicago

# 데이터 접근
print(df['name'])  # 열 접근
print(df.iloc[1])  # 행 접근

# 데이터 조작
df['age'] += 1
print(df)

# 데이터 필터링
print(df[df['age'] > 30])

 

위의 예제에서 Pandas를 사용하여 데이터 프레임을 생성하고, 데이터를 조작하고 필터링하는 방법을 보여줍니다. Pandas는 데이터 분석을 쉽게 할 수 있는 도구를 제공합니다.

---

3. Matplotlib/Seaborn: 데이터 시각화

Matplotlib와 Seaborn은 데이터 시각화를 위한 강력한 라이브러리입니다. Matplotlib는 다양한 그래프를 그릴 수 있는 기본 도구를 제공하며, Seaborn은 Matplotlib 기반의 더 고급 시각화 도구를 제공합니다.

 

Matplotlib 설치 : pip install matplotlib

 

Seaborn 설치 : pip install seaborn

 

Matplotlib 사용 예제:

import matplotlib.pyplot as plt

# 데이터 준비
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 라인 그래프 그리기
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Line Graph')
plt.show()

# 막대 그래프 그리기
plt.bar(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Bar Chart')
plt.show()

 

 

Seaborn 사용 예제:

import seaborn as sns
import matplotlib.pyplot as plt

# 샘플 데이터셋 로드
tips = sns.load_dataset('tips')

# 히스토그램 그리기
sns.histplot(tips['total_bill'], kde=True)
plt.title('Total Bill Distribution')
plt.show()

# 상자 그림 그리기
sns.boxplot(x='day', y='total_bill', data=tips)
plt.title('Total Bill by Day')
plt.show()

# 상관 관계 히트맵 그리기
corr = tips.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('Correlation Heatmap')
plt.show()

 

위의 예제에서 Matplotlib과 Seaborn을 사용하여 다양한 형태의 그래프를 그리는 방법을 보여줍니다. 이러한 시각화 도구는 데이터를 더 잘 이해하고 분석하는 데 도움이 됩니다.

---

4. Jupyter Notebook: 대화형 데이터 분석

Jupyter Notebook은 대화형 데이터 분석을 위한 강력한 도구로, 코드, 텍스트, 시각화를 한 곳에서 실행할 수 있습니다.

 

Jupyter Notebook 설치 : pip install jupyter

 

Jupyter Notebook 실행 : jupyter notebook

 

 

Jupyter Notebook 사용 예제 : Jupyter Notebook을 실행하면 웹 브라우저에서 대화형 인터페이스가 열립니다. 여기서 Python 코드를 실행하고, 데이터 분석과 시각화를 수행할 수 있습니다.

 

Jupyter Notebook 예제 코드:

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

# 데이터 생성
data = np.random.randn(100)

# 히스토그램 그리기
plt.hist(data, bins=30)
plt.title('Histogram')
plt.show()

# 데이터 프레임 생성
df = pd.DataFrame({
    'A': np.random.rand(100),
    'B': np.random.rand(100),
    'C': np.random.rand(100)
})

# 쌍플롯 그리기
sns.pairplot(df)
plt.show()

 

위의 예제에서 Jupyter Notebook을 사용하여 데이터를 생성하고 시각화하는 방법을 보여줍니다. Jupyter Notebook은 데이터 분석 작업을 더 직관적이고 효율적으로 할 수 있게 해줍니다.

---

이 글에서는 Python을 사용한 데이터 분석 및 시각화에 대해 알아보았습니다. Numpy를 사용한 배열 연산, Pandas를 사용한 데이터 프레임과 데이터 조작, Matplotlib과 Seaborn을 사용한 데이터 시각화, 그리고 Jupyter Notebook을 사용한 대화형 데이터 분석을 이해하고 활용하면 데이터 작업을 더 효율적이고 효과적으로 수행할 수 있습니다. 다음 단계에서는 더 복잡한 데이터 분석 기법과 머신러닝을 학습해보세요. Happy Coding!