Matplotlib Axes (1)

2020-03-31

2020-11-27

matplotlib, python, visualization

Matplotlib은 자유도가 높은 만큼 건드릴 곳이 많아서 익숙해지기가 영 만만치 않습니다.
저도 이 바람에 Matplotlib을 버릴까 했으나 Matplotlib에 의존하는 라이브러리가 너무 많더군요.
피할 수 없다면, 헷갈리지 않게 그리는 방법을 익혀봅시다.
1
2
3
4
import matplotlib.pyplot as plt
import matplotlib as mpl
%matplotlib inline
print(mpl.__version__)
- 실행결과: 버전은 3.2.1. 기준입니다.
  그 새 공식 버전이 올라갔습니다.
  1
  '3.2.1'

References

matplotlib: The Lifecycle of a Plot
matplotlib: Pyplot tutorial
루나 brunch: 파이썬으로 빅데이터 시각화의 문을 열다, 존 헌터

matplotlib이 헷갈리는 이유 중 하나는 두 가지 방식이 혼재한다는 것입니다.
보통 pyplot으로 입문하지만 이 문법은 pandas와의 연계용으로만 사용합시다.
matplotlib에서 그림을 그리겠다면 object oriented에 집중하는 것이 효과적입니다.

1. matplotlib.pyplot

하나는 MATLAB 과 유사한 스타일의 pyplot입니다.
데이터를 즉석에서 그려보기 편하며, 간단한 예는 다음과 같습니다.
1
2
3
4
import matplotlib.pyplot as plt
plt.plot([1, 4, 9, 16])
plt.ylabel('some numbers')
plt.show()
- 실행결과: x축도 정의하지 않았는데 그래프가 금방 그려집니다.

bar, scatter plot과 더불어 화면을 나누는 subplot도 가능합니다.

names = ['group_a', 'group_b', 'group_c']
values = [1, 10, 100]

plt.figure(figsize=(9, 3))

plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle('Categorical Plotting')

실행결과: 여러 종류의 plot을 동시에 그리고, suptitle도 달았습니다.
각 subplot은 plt.subplot()으로 정의됩니다.

pyplot은 그 자체로 상당한 기능이 있지만 우리는 앞으로 Object Oriented에 집중하겠습니다.
Object Oriented가 더 기능이 많고, 세부적인 제어가 가능하며, 둘 다 익숙해지기엔 헷갈리기 때문입니다.

2. Object Oriented

matplotlib.figure.Figure
matplotlib.axes.Axes

저는 Object Oriented plot을 통상적으로 아래와 같이 진행합니다.
seaborn이 기본적인 설정을 잘 잡아주기 때문에 seaborn을 함께 이용하고,
fontdict를 사용해서 label과 title 등 text가 들어가는 부분의 형식을 처리합니다.

2.1. figure and axes

Customizing Matplotlib with style sheets and rcParams
seaborn.set_context

하얀 도화지를 펼치는 것으로 시작합니다.
Figure와 Axes를 동시에 생성하는데 Figure는 캔바스 자체, Axes는 그림의 여러 부분을 담고 있습니다.
Object Oriented interface에서는 Axes를 통해서 시각화 요소들을 제어합니다.
1
fig, ax = plt.subplots()
- 실행결과: 도화지가 하나 깔립니다.
font, fontsize, axis range, grid style 등이 plt.rcParams에 기본값으로 정의되어 있습니다.
그래프를 그린 후 일일이 설정할 수도 있으나 손이 두 번 가는 경우가 많습니다.
효율적인 방법 하나는 사전에 설정을 하고 나서 plot을 하는 것입니다. 일일이 하기보다 저장된 값을 불러오면 더 좋습니다.

background color, grid color 등은 plt.style.use()를 사용하면 설정이 용이합니다.
fontsize, linewidth 등은 seaborn의 seaborn.set_context()를 사용하면 좋습니다.
그림의 크기를 함께 바꿔봅시다. plt.subplots() 안에 figsize=(가로, 세로)를 넣으면 됩니다.
단위는 inch입니다.
1
2
3
4
5
6
import seaborn as sns

plt.style.use('seaborn-whitegrid')
sns.set_context('talk')

fig, ax = plt.subplots(figsize=(7,3))
- 실행결과: 시각화 기본 설정이 변경되었습니다.

2.2. Data Preparation

시각화에 사용할 예제 데이터를 만듭니다. dictionary로 만들어보겠습니다.

data = {'Barton LLC': 109438.50,
        'Frami, Hills and Schmidt': 103569.59,
        'Fritsch, Russel and Anderson': 112214.71,
        'Jerde-Hilpert': 112591.43,
        'Keeling LLC': 100934.30,
        'Koepp Ltd': 103660.54,
        'Kulas Inc': 137351.96,
        'Trantow-Barrows': 123381.38,
        'White-Trantow': 135841.99,
        'Will LLC': 104437.60}
group_data = list(data.values())
group_names = list(data.keys())

2.3. Bar Plot

matplotlib.pyplot.barh

데이터를 bar plot으로 표현합니다.
1
2
fig, ax = plt.subplots(figsize=(7,4))
ax.barh(group_names, group_data)
- 실행결과: horizontal bar plot이 출력됩니다.

잠시 pandas와의 연계기를 살펴보겠습니다. (안수빈님 제안 감사드립니다)

pandas의 DataFrame.from_dict() 기능을 이용해서 dataframe을 만듭니다.

1
2
3

import pandas as pd

df = pd.DataFrame.from_dict(data, orient='index', columns=['revenue'])

dataframe에 직접 .plot()을 수행합니다. 가로방향 bar plot이니 kind='barh'를 넣습니다.
1
df.plot(kind='barh')
- 실행결과: 깔끔하게 bar plot이 나왔습니다.
  이 그래프도 여러 옵션을 통해 아름답게 만들 수 있지만, 본 글에서는 다루지 않겠습니다.

2.4. Color Setting

seaborn.barplot

bar 색상이 좀 어두워서 아쉽습니다.
ax.barh() 안에 color='blue'처럼 색상을 지정하는 식으로 색상을 변경할 수도 있지만 번거롭습니다.
앞으로 그릴 그림들의 색상을 일괄적으로 변경합시다.
seaborn의 seaborn.set_palette가 이럴 때 편리합니다.
1
2
3
4
sns.set_palette('bright')

fig, ax = plt.subplots(figsize=(7,4))
ax.barh(group_names, group_data)
- 실행결과: bar 색상이 변경되었습니다.

barplot 자체를 seaborn으로 그릴 수도 있습니다.
1
2
fig, ax = plt.subplots(figsize=(7,4))
sns.barplot(group_data, group_names)
- 실행결과: bar마다 다른 색상이 적용되었습니다.
  자세히 보니 matplotlib과는 y축 label 순서가 뒤집혀 있네요.

2.5. Titles and Axes Labels

matplotlib.axes.Axes.set_xlabel
matplotlib.axes.Axes.set_title
matplotlib: Text properties and layout
Pega Devlog: Matplotlib Defaults & Fonts

x와 y축에 label을 붙이고 plot title을 설정합니다.

x축 label은 set_xlabel()로, plot title은 set_title()로 설정할 수 있습니다.

fig, ax = plt.subplots(figsize=(7,4))
sns.barplot(group_data, group_names)

ax.set_xlabel('Total Revenue')
ax.set_ylabel('Company')
ax.set_title('Company Revenue')

font size, color 등을 변경하고 싶을 때는 fontdict를 사용하면 편리합니다.
dictionary 형식으로 설정값을 정리한 후 넣어주는 방식입니다.
label, title과 ticklabels와의 거리는 추가 인자로 지정할 수 있습니다.

[ 주의 ] 거리를 지정하는 인자 이름이 label에서는 labelpad, title은 pad입니다.

font_label = {
    'color': 'gray',
    'weight': 'bold'
}

font_title = {
    'family': 'serif',
    'size': 20,
#     'backgroundcolor': 'yellow',
    'color': 'brown',
    'weight': 'bold',
    'verticalalignment': 'baseline',
    'horizontalalignment': 'center'
}

fig, ax = plt.subplots(figsize=(7,4))
sns.barplot(group_data, group_names)

ax.set_xlabel('Total Revenue ($)', fontdict=font_label, labelpad=20)
ax.set_ylabel('Company', fontdict=font_label, labelpad=20)
ax.set_title('Company Revenue', fontdict=font_title, pad=12)

plt.show()

2.6. Axis Range and Tick Format

matplotlib.axes.Axes.set_xlim

예제 데이터의 X축인 Total Revenue의 범위가 모두 100000 이상입니다.
데이터간 차이를 집중해서 보여주기 힘들고, 공간이 낭비되는 경향이 있으니 바꿔봅시다.
아래 줄을 위 코드에 추가합니다.
1
ax.set_xlim(75000, 150000)

이번엔 x축에 있는 숫자가 영 헷갈리네요. 0이 너무 많아 헷갈립니다. x축 숫자를 돌려보겠습니다.
set_xticklabels()에 rotation=45를 넣으면 되는데, label을 함께 넣어야 합니다.
labels=[8000, 10000, 12000, 140000] 처럼 넣을 수도 있지만 기존 ticklabel을 그대로 살려보겠습니다.

plot에 있는 데이터를 추출할 때는 get_()형식의 함수를 사용하고, 여기선 get_xticks()명령을 사용합니다.

xlabels = ax.get_xticks()
print(f'xlabels type={type(xlabels)}, \nxlabels={xlabels}')
ax.set_xticklabels(xlabels.astype('int'), rotation=45, 
                   horizontalalignment='right')

실행결과: xticks는 numpy.array로 추출되었습니다.
float type이기 때문에 .astype('int')를 붙여 정수로 변환하고 소수점을 떼냅니다.
1
2
xlabels type=<class 'numpy.ndarray'>,
xlabels=[ 60000. 80000. 100000. 120000. 140000. 160000.]

45도로 돌리니 조금 나은 듯도 하지만 여전히 0이 너무 많습니다. K를 붙이고 0 세 개를 떼냅시다.
공식 tutorial에서는 ticker.Funcformatter()를 사용하고 있습니다만, 좀 복잡합니다.

간단하게 list comprehension으로 처리해 보겠습니다.

1	ax.set_xticklabels([f'{xlabel/1000:0.0f}K' for xlabel in xlabels])

2.7. Additional Information

matplotlib.axes.Axes.axvline
matplotlib: Text properties and layout
matplotlib.axes.Axes.annotate

종종 데이터 외에도 데이터를 읽기 좋은 부가 정보를 추가해야 할 때가 있습니다.
예를 들면, 데이터들의 평균 값을 표시하거나 데이터에 레이블을 달아야 할 때가 있습니다.
예제 데이터(회사별 수익)의 평균과 신규 업체를 표시해 보겠습니다.

평균 수익은 전체 수익의 평균을 구해서 수직선을 그어 표시합니다: ax.axvline()
수직선이 평균이라는 것을 알려주기 위해 화살표와 텍스트를 추가합니다: ax.annotate()

신규 업체는 bar 위에 글자를 써서 표시합니다: ax.text()

import numpy as np

font_text = {
    'size': 10,
    'color': 'white',
    'weight': 'bold',
    'horizontalalignment': 'left',
    'verticalalignment': 'center'
}

# Add a vertical line, here we set the style in the function call
group_mean = np.mean(group_data)
ax.axvline(group_mean, ls='-', lw=3, color='#8C87')

# Add average
arrowprops = {
    'arrowstyle': '->'
}
ax.annotate("average", (group_mean, 2.5), xytext=(125000, 2.5),
          color='green', fontfamily='serif', fontstyle='italic', fontsize=15,
          arrowprops=arrowprops)

# Annotate new companies
for group in [3, 5, 8]:
    ax.text(80000, group, "New Company", fontdict=font_text)

전체 코드가 담긴 노트북은 여기에서 다운로드 가능합니다.

도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다

PythonData Science