기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[seaborn] 변수들의 관계 시각화(산점도와 선그래프)

변수들의 관계 시각화(산점도와 선그래프)

seaborn의 함수중 그림 수준(figure-level) 함수인 relplot()은 지정한 데이터들의 관계성을 나타냅니다. 이러한 특성은 데이터들 사이에 관계를 나타내는 과정인 통계를 시각적으로 나타내는데 적절합니다. 이 그림수준 함수인 replot() 함수는 축수준(axes-level) 함수인 scatterplot() 또는 lineplot()의 모두 작성할 수 있습니다.

  • relplot(kind="scatter") = scatterplot()
  • relplot(kind="line") = lineplot()

산점도(scatter)

데이터 tips는 연속변수와 목록변수가 모두 포함된 데이터셋입니다. 연속변수들 사이의 산점도 작성은 인수인 x, y에 각 변수를 지정하는 것으로 생성됩니다.

import numpy as np
import pandas as pd
import yfinance as yf
import matplotlib.pyplot as plt
import seaborn as sns
tips=sns.load_dataset('tips')
tips.head(3)
total_bill tip sex smoker day time size
0 16.99 1.01 Female No Sun Dinner 2
1 10.34 1.66 Male No Sun Dinner 3
2 21.01 3.50 Male No Sun Dinner 3
sns.set_theme()#기본 테마
sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter")
plt.show()

위 그림은 변수 total_bill과 tip에 대응하는 점들을 나타내고 있습니다. 각 점들은 다른 변수인 smoker와 연결되어 있습니다. 이 목록변수는 2개의 클래스(yes, no)로 구성되어 있으며 위 그림의 각 점들에 다른 색(color)를 부여하는 것으로 구분할 수 있습니다. 이 과정은 relplot()의 인수인 hue에 그 변수를 지정하는 것으로 달성할 수 있습니다.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", kind="scatter")
plt.show()

위에서 지정한 제 3의 변수인 smoker의 각 클래스에 대한 maker를 다르게 하기 위해 인수 style을 적용합니다.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker",  style="smoker", kind="scatter")
plt.show()

위에서 적용한 인수 hue와 style에 각기 다른 변수를 지정하는 것으로 4개의 변수를 함수에 참여시킬 수 있습니다. 즉, hue는 색으로 각 클래스를 분리하여 나타내는 데 반해 style은 marker의 모양에 따라 분류합니다.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker",  style="time", kind="scatter")
plt.show()

위 그래프들에서 색상은 자동으로 조정되었습니다. 이러한 색상은 인수 palette에 의해 사용자가 지정할 수 있습니다(palette의 선택 참조).

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker",  style="time", kind="scatter", palette="dark")
plt.show()

변수 값에 따른 구분은 위 그림들과 같이 색상으로 실행할 수 있습니다. 또한 인수인 sizes에 변수를 지정하는 것으로 point의 크기를 다르게 나타낼 수 있습니다. 이 인수에 의한 크기는 자동적으로 이루어지지만 관련된 인수 size에 크기의 최소와 최대를 튜플로 전달하여 크기의 범위를 지정할 수 있습니다.

sns.relplot(data=tips, x="total_bill", y="tip", size="size", sizes=(10, 180))
plt.show()

선 그래프

두 변수간의 관계를 나타내기 위해 점포도와 함께 많이 사용되는 것이 선그래프입니다. 다음은 일정기간의 코스피 주가에 대한 자료입니다.

st=pd.Timestamp(2023, 10, 17)
et=pd.Timestamp(2024, 10, 17)
kos=yf.download("^KS11",st, et)
kos=kos.drop('Adj Close', axis=1)
kos.head(3)
Open High Low Close Volume
Date
2023-10-17 2454.139893 2466.870117 2449.419922 2460.169922 508800
2023-10-18 2452.050049 2465.330078 2450.780029 2462.600098 911500
2023-10-19 2431.919922 2433.449951 2412.550049 2415.800049 756900

위 자료를 표준화하고 Open과 Close의 일일 변화량과 Volume의 일간변화량을 목록화하여 추가합니다.

from sklearn.preprocessing import StandardScaler
scaler=StandardScaler().fit(kos)
kos1=scaler.transform(kos)
kos1df=pd.DataFrame(kos1)
kos1df.columns=kos.columns

kos1df['coChg']=pd.qcut((kos1df.Close-kos1df.Open)/kos1df.Open*100, 10, range(10))
kos1df['volChg']=pd.qcut(kos1df.Volume.pct_change(), 5, range(5))
kos1df=kos1df.dropna()
kos1df.head(3)
Open High Low Close Volume coChg volChg
1 -1.442811 -1.449859 -1.297633 -1.325313 3.272987 3 4
2 -1.606734 -1.712166 -1.603687 -1.703523 2.085993 6 2
3 -1.935555 -2.031246 -1.992279 -2.033245 0.271720 6 1

seaborn의 선그래프 함수는 변수내의 클래스당 여러개의 값들이 존재할 경우 각 값에 대한 불확실성 범위를 제공합니다. 이것은 인수 errorbar에 의해 조절됩니다.

  • errorbar='ci' → 기본값, 95% 신뢰구간
  • errorbar=None → errorbar 제거
  • errorbar="sd" 또는 "se" → 표준편차와 표준오차를 나타낼 수 있습니다.
  • errorbar="pi" → 백분위수 너비

다음과 같이 x에 대응하는 값이 하나일 경우 불확실성 범위 즉, errorbar를 작성할 수 없습니다.

sns.relplot(data=kos, x=kos.index, y="Close", kind="line")
plt.show()

다음과 같이 x축의 변수에 대해 값을 그룹화할 수 있는 경우 불확실도를 나타낼 수 있으며 위에서 언급한 인수errorbar에 조정됩니다.

sns.relplot(data=kos1df, x='coChg', y="Close", kind="line")
plt.show()

axes-level 함수인 scatterplot()과 lineplot()은 여러개 그래프를 함께 나타낼 수 있습니다. 다음은 errorbar의 인수를 달리하여 lineplot()을 작성한 결과입니다(다중 플롯 작성 참조).

fig, ax=plt.subplots(3,1, figsize=(4, 7), gridspec_kw=dict(height_ratios=[2,2,2]))
sns.lineplot(x=kos1df.coChg.values, y=kos1df.Close,ax=ax[0])
sns.lineplot(x=kos1df.coChg.values, y=kos1df.Close, errorbar="se",ax=ax[1])
sns.lineplot(data=kos1df, x='coChg', y="Close", errorbar=None,ax=ax[2])
plt.show()

위 그래프들은 단순히 각 값을 선으로 연결한 것이 아닙니다. 즉, 데이터들을 그룹별로 집계하는 등의 통계적 조정에 의한 결과입니다. 이러한 조정을 완전히 차단하기 위해 다시말하면 단순히 각 값들의 연결 선을 나타내기 위해 인수 estimator=None으로 지정합니다. 그 결과는 다음과 같습니다.

fig, ax=plt.subplots(nrows=1, ncols=2, gridspec_kw=dict(width_ratios=[4,4]))
sns.scatterplot(data=kos1df, x='coChg', y="Close", ax=ax[0])
sns.lineplot(x=kos1df.coChg, y=kos1df.Close.values, estimator=None, ax=ax[1])
plt.show()

데이터의 변수 volChg를 hue와 style에 지정합니다.

sns.relplot(data=kos1df, x='coChg', y='Close', hue="volChg", col="volChg", kind="line")
plt.show()

style에 의해 선의 종류가 다르게 표현되며 선과 함께 point를 함께 나타내기 위해 markers=True로 지정합니다.

sns.relplot(data=kos1df, x='coChg', y='Close', hue="volChg", style="volChg", markers=True, errorbar=None, kind="line")
plt.show()

인수 size에 지정된 변수의 각 클래스에 따라 선의 굵기에 변화를 줍니다.

sns.relplot(data=kos1df, x='coChg', y='Close', hue="volChg", size="volChg",  errorbar=None, kind="line")
plt.show()

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...