Python 데이터분석 심화 3강: matplotlib·seaborn·plotly 시각화 완전 가이드

3강 개요

“그래프 하나가 테이블 천 개보다 낫다”는 말이 있습니다. 데이터 시각화는 패턴을 발견하고, 이해관계자에게 인사이트를 전달하는 핵심 스킬입니다. matplotlib으로 기초를 잡고, seaborn으로 통계 시각화를, plotly로 인터랙티브 대시보드를 구현합니다.

---

어떤 차트를 써야 하는가?

시각화에서 가장 중요한 것은 차트 선택입니다.

목적	추천 차트	라이브러리
분포 보기	히스토그램, KDE, 박스플롯	seaborn
비교	막대 차트, 박스플롯	seaborn, matplotlib
관계 파악	산점도, 히트맵	seaborn
시계열 추세	선 그래프	matplotlib, plotly
비율	파이 차트, 누적 막대	matplotlib
대시보드	인터랙티브 차트	plotly

---

1. matplotlib 기초

import matplotlib.pyplot as plt
import numpy as np

# 기본 선 그래프
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(x, y, color='steelblue', linewidth=2, label='실적')
ax.set_title('월별 매출 추이', fontsize=14, fontweight='bold')
ax.set_xlabel('월')
ax.set_ylabel('매출 (백만원)')
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

# 여러 서브플롯
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
axes[0, 0].hist(df['age'], bins=30, color='steelblue', alpha=0.7)
axes[0, 0].set_title('나이 분포')
axes[0, 1].scatter(df['age'], df['income'], alpha=0.5)
axes[0, 1].set_title('나이 vs 소득')
plt.tight_layout()

---

2. seaborn: 통계 시각화

seaborn은 matplotlib 위에서 동작하며 통계 시각화에 최적화되어 있습니다.

import seaborn as sns

# 히스토그램 + KDE
sns.histplot(df['score'], kde=True, bins=30)

# 박스플롯 — 분포와 이상값 한눈에
sns.boxplot(x='dept', y='score', data=df, palette='Set2')

# 바이올린플롯 — 분포 모양까지 보여줌
sns.violinplot(x='dept', y='score', data=df)

# 산점도 + 회귀선
sns.regplot(x='experience', y='salary', data=df, scatter_kws={'alpha': 0.5})

# 상관관계 히트맵 — EDA 필수
corr = df.corr()
sns.heatmap(corr, annot=True, fmt='.2f', cmap='RdYlGn', center=0)

# pairplot — 모든 컬럼 쌍 관계 한번에
sns.pairplot(df[['age', 'income', 'score', 'dept']], hue='dept')

FacetGrid — 조건별 다중 플롯

g = sns.FacetGrid(df, col='dept', hue='gender', height=4)
g.map(sns.scatterplot, 'experience', 'salary')
g.add_legend()

---

3. plotly: 인터랙티브 시각화

대시보드나 Jupyter Notebook에서 상호작용하며 탐색할 때 사용합니다.

import plotly.express as px
import plotly.graph_objects as go

# 기본 산점도
fig = px.scatter(df, x='experience', y='salary', color='dept',
                 hover_data=['name'], size='score',
                 title='경력 vs 연봉')
fig.show()

# 시계열 라인 차트
fig = px.line(df_time, x='date', y='value', color='category',
              title='카테고리별 시계열 추이')
fig.update_traces(mode='lines+markers')

# 인터랙티브 막대 차트
fig = px.bar(df.groupby('dept')['score'].mean().reset_index(),
             x='dept', y='score', color='dept',
             title='부서별 평균 점수')
fig.show()

---

실무 시각화 체크리스트

1. 제목과 레이블: 모든 축, 범례에 명확한 설명 추가
2. 색상: 색맹 친화적 팔레트 사용 (colorblind 또는 Set2)
3. 스케일: 0에서 시작하지 않는 y축은 오해를 유발할 수 있음
4. 밀도 vs 빈도: 비율로 비교할 때는 density 사용
5. 적절한 해상도: plt.savefig('plot.png', dpi=300, bbox_inches='tight')

---

자주 묻는 질문

Q: seaborn과 plotly 중 어느 것을 배워야 하나요? A: 보고서·논문용 정적 이미지는 seaborn, 웹 대시보드·탐색적 분석은 plotly입니다. 데이터 분석 실무에서는 둘 다 필요합니다.

Q: 대용량 데이터(100만 행)를 시각화하면 느린가요? A: 100만 개 점을 그리면 느립니다. 샘플링, 집계, 히트맵/2D 히스토그램 등으로 요약해서 시각화하세요. plotly의 datashader 연동도 방법입니다.