[데이터 분석] Seaborn 데이터 시각화 기초

1. 데이터 시각화가 필요한 이유

데이터가 많아지면 사람이 원본을 눈으로 모두 해석할 수 없다. 이때 통계 함수와 시각화를 사용한다. 하지만 평균·분산·표준편차가 같아도 실제 데이터의 모양은 전혀 다를 수 있으므로, 통계값만 보고 분석을 끝내면 위험하다.

1-1. 앤스컴의 4분할 그래프

그림 1. 앤스컴 4분할 그래프

앤스컴의 네 데이터셋은 평균, 분산, 상관계수 등 주요 통계값이 거의 같지만 산점도로 그리면 분포와 이상치가 완전히 다르게 보인다. 이는 ‘통계가 틀렸다’는 뜻이 아니라, 요약 통계만으로는 데이터의 구조를 충분히 설명할 수 없다는 뜻이다.

데이터 분석은 통계 + 시각화를 기본 세트로 진행한다. 특히 머신러닝·딥러닝에서는 분포와 이상치가 전처리 및 모델 선택에 직접 영향을 준다.

 

2. 그래프를 그리기 전에 확인할 것

확인 항목	확인 방법	이유
행·열 수	df.shape	데이터 규모와 피처 수를 파악
결측치	df.info(), df.isna().sum()	그래프 왜곡과 전처리 필요 여부 확인
자료형	df.info(), df.dtypes	수치형·범주형에 따라 그래프가 달라짐
기초 통계	df.describe()	범위·중심·산포를 먼저 파악
샘플	df.head(), df.tail()	컬럼의 실제 값과 형태를 확인

그래프 읽기 순서 : 제목보다 먼저 x축과 y축이 무엇을 의미하는지 확인하고, 범례·색상·단위·분포·이상치를 차례로 본다.

 

3. Seaborn과 Matplotlib의 관계

Seaborn은 Matplotlib을 기반으로 동작한다. Seaborn은 적은 코드로도 보기 좋은 기본 결과를 만들기 쉽고, Matplotlib은 세부 요소를 자유롭게 조정할 때 유리하다. 그림은 한 번에 완성되는 것이 아니라 배경, 축, 데이터, 범례처럼 레이어가 차례로 쌓인다고 이해하면 쉽다.

밥 로스의 오일 페인팅처럼 큰 배경부터 만들고 세부 요소를 덧붙인다. 프로젝트도 최소 구조를 먼저 만든 뒤 기능과 디테일을 단계적으로 추가하는 편이 안정적이다.

 

4. 목적별 그래프 선택 기준

분석 목적	주요 데이터	대표 함수	해석 포인트
관계	수치형 x + 수치형 y	sns.relplot()	두 변수의 추세·패턴·상관
분포	수치형 1개 이상	sns.histplot(), sns.kdeplot()	값이 어디에 몰렸는지
범주 비교	범주형 x + 수치형 y	sns.catplot()	그룹별 크기·분포 차이
이상치	범주형 x + 수치형 y	sns.boxplot() / catplot(kind='box')	중앙값·IQR·이상치

 

5. 관계형 그래프 : relplot

그림 2. event에 따른 FMRI 선 그래프

 

fmri = sns.load_dataset("fmri") sns.relplot( data=fmri, kind="line", x="timepoint", y="signal", hue="event" )

• x, y: 관계를 비교하므로 기본적으로 수치형 데이터
• hue, style: 색·선 모양으로 그룹을 나누므로 범주형 데이터
• col, row: 그래프 자체를 여러 칸으로 분할하므로 범주형 데이터
• Jupyter에서 마지막 출력 문구가 거슬리면 그래프 함수 끝에 세미콜론(;)을 붙일 수 있다.

 

6. 분포형 그래프

그림 3. 히스토그램과 KDE를 함께 표시한 분포

 

6-1. 히스토그램

penguins = sns.load_dataset("penguins") sns.displot(penguins, x="flipper_length_mm", bins=20) sns.displot( penguins, x="flipper_length_mm", hue="species", multiple="stack" )

히스토그램	막대그래프
x축이 연속적인 수치형 데이터	x축이 범주형 데이터
막대가 붙어 있으며 구간이 이어짐	범주 사이가 분리되어 막대가 떨어짐
bins로 구간 개수를 바꿀 수 있음	범주 개수에 따라 막대 수가 정해짐

막대 모양이 비슷해도 데이터 유형과 질문이 다르다. 연봉 구간, 길이, 나이처럼 연속적인 값의 분포를 볼 때는 히스토그램을 사용한다.

6-2. KDE(확률밀도)와 2차원 분포

sns.displot( penguins, x="flipper_length_mm", hue="species", kind="kde", fill=True ) sns.displot( penguins, x="bill_length_mm", y="bill_depth_mm", kind="kde", thresh=.2, levels=4 )

KDE는 값이 어느 구간에서 나타날 가능성이 높은지 부드러운 곡선으로 표현한다. 2차원 KDE는 히트맵이나 등고선처럼 두 변수의 밀집 구간을 보여준다. 확률밀도 그래프의 y값 자체보다 곡선 아래 전체 면적이 1이라는 점에 주의한다.

 

7. 범주형 그래프와 점 겹침

그림 4. 요일별 total_bill swarm 그래프

sns.catplot(data=tips, x="day", y="total_bill") sns.catplot( data=tips, x="day", y="total_bill", kind="swarm" )

기본 점 그래프에서 같은 위치의 점이 겹치면 실제 관측치 수를 알기 어렵다. swarm 형태는 점을 옆으로 벌려 겹침을 줄이므로 데이터가 얼마나 몰렸는지 더 정확히 볼 수 있다. 데이터가 매우 많으면 swarm은 느리거나 복잡해질 수 있어 stripplot의 jitter나 box/violin plot을 고려한다.