다양한 데이터 시각화 예제

R을 이용하는 가장 큰 목적 중 하나는 데이터 시각화가 뛰어나기 때문이다.

최근 콰르토로 파이썬 등 다양한 언어를 넣어서도 코딩을 할 수 있기 때문에

적절하게 사용하면서 연습해보려고 한다. 

 

 

 

 

Data Visualization for Engineers

Author

Choi Pro

원그래프

원 그래프는 특정 변수에 범주별 비율을 보여주는 시각화 방법 중 하나이다. 아래는 다이아몬드의 ggplot을 통해 절단품질 비율을 시각화한 결과이다. 최상급 품질과 프리미엄 품질이 절반 이상을 차지하는 것을 알 수 있다.

도넛 그림

도넛 그림 또한 원 그래프와 마찬가지로 특정 변수에 범주별 비율을 보여주는 시각화 방법 중 하나이다. 도넛 그래프는 여러 변수의 비율을 한번에 보여줄 수 있다는 장점이 있다. 투명도가 나쁠수록 절단품질이 안 좋은 것을 확인할 수 있으며, 투명도가 높을수록 절단품질이 최상급인 자료가 많다는 것을 알 수 있다.

막대그래프

막대 그래프는 한 변수 혹은 여러 변수에 대한 빈도나 비율을 보여주는 시각화 방법 중 하나이다.

히스토그램

히스토그램은 어떤 변수에 대한 구간별 빈도수를 시각화하는 방법이다.

밀도분포 그림

밀도 분포 그림은 히스토그램과 유사하나 커널밀도 추정을 통해 자료의 분포를 시각화하는 방법이다. 커널밀도추정은 커널밀도함수를 활용하여 히스토그램을 부드럽게 선으로 나타내는 방법이다. 큰 다이아몬드들은 대체로 투명도가 좋지 않음을 확인할 수 있다.

상자그림

3사분위(자료 중 75%에 위치한 자료)와 1사분위(자료 중 25%에 위치한 자료)자료의 차이를 기준으로 특정 범위를 산출하여, 그 범위를 넘어서는 자료를 점으로 표기하여 시각화해주는 방법 중 하나이다.

바이올린 그림

바이올린 그림 또한 상자그림과 마찬가지로 자료의 분포나 치우침, 이상자료, 대칭성 등을 쉽게 볼 수 있으며, 커널밀도추정을 통해 자료의 분포를 좀 더 정확하게 파악할 수 있다는 특징이 있다.

산점도

산점도란 직교좌표계를 이용해 좌표 상의 점들을 표시함으로써 두 변수 사이의 관계를 직관적으로 시각화하는 방법이다.

시계열 그림

시계열 그림은 시간의 변화에 따른 변수의 변화를 시각화하는 방법 중 하나이다.

Registered S3 method overwritten by 'quantmod':
  method            from
  as.zoo.data.frame zoo 

Loading required package: viridisLite

모자이크 그림

모자이크 그림은 둘 혹은 새개의 범주형 변수들의 빈도를 가시화하는 방법이다.

히트맵 그림

히트맵 그림은 색상으로 표현할 수 있는 다양한 정보를 열분포 그림으로 시각화하는 방법이다.

Loading required package: sp

상관성 그림

상관성그림은 두 변수 사이의 선형적인 상관성의 정도를 시각화하는 방법이다.

워드클라우드

워드클라우드는 자료의 핵심이 되는 단어를 직관적으로 파악할 수 있도록 시각화하는 기법이다.

사회관계망

사회관계망은 점들 사이의 연관성을 직관적으로 파악할 수 있도록 점 사이의 연관성을 선의 굵기로 시각화하는 기법이다.

Attaching package: 'ggraph'

The following object is masked from 'package:sp':

    geometry

Attaching package: 'tidygraph'

The following object is masked from 'package:raster':

    select

The following objects are masked from 'package:plyr':

    arrange, mutate, rename

The following object is masked from 'package:stats':

    filter

퀴버플롯

퀴버플롯은 방향과 크기를 가지는 벡터의 흐름을 직관적으로 시각화하는 방법으로, 풍향/풍속, 유향/유속 등의 자료를 시각화 할 때 주로 활용한다.

바람장미도

바람장미도는 특정 관측지점의 특정 기간동안의 각 방위별 풍향/풍속에 대한 출현 빈도를 방사모양의 그래프로 시각화하는 기법이다.

2차원 밀도 그림

2차원 밀도그림으로 산점도의 밀도를 색으로 시각화하는 방법이다.

파이썬(회오리 그래프)

회오리 그래프

import numpy as np
import matplotlib.pyplot as plt

r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
fig, ax = plt.subplots(
  subplot_kw = {'projection': 'polar'} 
)
ax.plot(theta, r)
ax.set_rticks([0.5, 1, 1.5, 2])
ax.grid(True)
plt.show()

r

array([0.  , 0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1 ,
       0.11, 0.12, 0.13, 0.14, 0.15, 0.16, 0.17, 0.18, 0.19, 0.2 , 0.21,
       0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29, 0.3 , 0.31, 0.32,
       0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39, 0.4 , 0.41, 0.42, 0.43,
       0.44, 0.45, 0.46, 0.47, 0.48, 0.49, 0.5 , 0.51, 0.52, 0.53, 0.54,
       0.55, 0.56, 0.57, 0.58, 0.59, 0.6 , 0.61, 0.62, 0.63, 0.64, 0.65,
       0.66, 0.67, 0.68, 0.69, 0.7 , 0.71, 0.72, 0.73, 0.74, 0.75, 0.76,
       0.77, 0.78, 0.79, 0.8 , 0.81, 0.82, 0.83, 0.84, 0.85, 0.86, 0.87,
       0.88, 0.89, 0.9 , 0.91, 0.92, 0.93, 0.94, 0.95, 0.96, 0.97, 0.98,
       0.99, 1.  , 1.01, 1.02, 1.03, 1.04, 1.05, 1.06, 1.07, 1.08, 1.09,
       1.1 , 1.11, 1.12, 1.13, 1.14, 1.15, 1.16, 1.17, 1.18, 1.19, 1.2 ,
       1.21, 1.22, 1.23, 1.24, 1.25, 1.26, 1.27, 1.28, 1.29, 1.3 , 1.31,
       1.32, 1.33, 1.34, 1.35, 1.36, 1.37, 1.38, 1.39, 1.4 , 1.41, 1.42,
       1.43, 1.44, 1.45, 1.46, 1.47, 1.48, 1.49, 1.5 , 1.51, 1.52, 1.53,
       1.54, 1.55, 1.56, 1.57, 1.58, 1.59, 1.6 , 1.61, 1.62, 1.63, 1.64,
       1.65, 1.66, 1.67, 1.68, 1.69, 1.7 , 1.71, 1.72, 1.73, 1.74, 1.75,
       1.76, 1.77, 1.78, 1.79, 1.8 , 1.81, 1.82, 1.83, 1.84, 1.85, 1.86,
       1.87, 1.88, 1.89, 1.9 , 1.91, 1.92, 1.93, 1.94, 1.95, 1.96, 1.97,
       1.98, 1.99])

theta

array([ 0.        ,  0.06283185,  0.12566371,  0.18849556,  0.25132741,
        0.31415927,  0.37699112,  0.43982297,  0.50265482,  0.56548668,
        0.62831853,  0.69115038,  0.75398224,  0.81681409,  0.87964594,
        0.9424778 ,  1.00530965,  1.0681415 ,  1.13097336,  1.19380521,
        1.25663706,  1.31946891,  1.38230077,  1.44513262,  1.50796447,
        1.57079633,  1.63362818,  1.69646003,  1.75929189,  1.82212374,
        1.88495559,  1.94778745,  2.0106193 ,  2.07345115,  2.136283  ,
        2.19911486,  2.26194671,  2.32477856,  2.38761042,  2.45044227,
        2.51327412,  2.57610598,  2.63893783,  2.70176968,  2.76460154,
        2.82743339,  2.89026524,  2.95309709,  3.01592895,  3.0787608 ,
        3.14159265,  3.20442451,  3.26725636,  3.33008821,  3.39292007,
        3.45575192,  3.51858377,  3.58141563,  3.64424748,  3.70707933,
        3.76991118,  3.83274304,  3.89557489,  3.95840674,  4.0212386 ,
        4.08407045,  4.1469023 ,  4.20973416,  4.27256601,  4.33539786,
        4.39822972,  4.46106157,  4.52389342,  4.58672527,  4.64955713,
        4.71238898,  4.77522083,  4.83805269,  4.90088454,  4.96371639,
        5.02654825,  5.0893801 ,  5.15221195,  5.2150438 ,  5.27787566,
        5.34070751,  5.40353936,  5.46637122,  5.52920307,  5.59203492,
        5.65486678,  5.71769863,  5.78053048,  5.84336234,  5.90619419,
        5.96902604,  6.03185789,  6.09468975,  6.1575216 ,  6.22035345,
        6.28318531,  6.34601716,  6.40884901,  6.47168087,  6.53451272,
        6.59734457,  6.66017643,  6.72300828,  6.78584013,  6.84867198,
        6.91150384,  6.97433569,  7.03716754,  7.0999994 ,  7.16283125,
        7.2256631 ,  7.28849496,  7.35132681,  7.41415866,  7.47699052,
        7.53982237,  7.60265422,  7.66548607,  7.72831793,  7.79114978,
        7.85398163,  7.91681349,  7.97964534,  8.04247719,  8.10530905,
        8.1681409 ,  8.23097275,  8.29380461,  8.35663646,  8.41946831,
        8.48230016,  8.54513202,  8.60796387,  8.67079572,  8.73362758,
        8.79645943,  8.85929128,  8.92212314,  8.98495499,  9.04778684,
        9.1106187 ,  9.17345055,  9.2362824 ,  9.29911425,  9.36194611,
        9.42477796,  9.48760981,  9.55044167,  9.61327352,  9.67610537,
        9.73893723,  9.80176908,  9.86460093,  9.92743279,  9.99026464,
       10.05309649, 10.11592834, 10.1787602 , 10.24159205, 10.3044239 ,
       10.36725576, 10.43008761, 10.49291946, 10.55575132, 10.61858317,
       10.68141502, 10.74424688, 10.80707873, 10.86991058, 10.93274243,
       10.99557429, 11.05840614, 11.12123799, 11.18406985, 11.2469017 ,
       11.30973355, 11.37256541, 11.43539726, 11.49822911, 11.56106097,
       11.62389282, 11.68672467, 11.74955652, 11.81238838, 11.87522023,
       11.93805208, 12.00088394, 12.06371579, 12.12654764, 12.1893795 ,
       12.25221135, 12.3150432 , 12.37787506, 12.44070691, 12.50353876])

Source Code

---
title: "Data Visualization for Engineers"
author: "Choi Pro"
format:
  html:
    theme: architect
    toc_float : true 
    code-tools:
      source: true
      toggle: true
      caption: none
    embed-resources: true
editor: visual
execute: 
  enabled: true
---

## 원그래프

원 그래프는 특정 변수에 범주별 비율을 보여주는 시각화 방법 중 하나이다. 아래는 다이아몬드의 ggplot을 통해 절단품질 비율을 시각화한 결과이다. 최상급 품질과 프리미엄 품질이 절반 이상을 차지하는 것을 알 수 있다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=as.data.frame(table(diamonds$cut))
colnames(data)=c("cut_type", "count")
ggplot(data=data, aes(x="", y=count, fill=cut_type)) +
  geom_bar(stat="identity", width=1) + 
  coord_polar("y",  start=0)
```

## 도넛 그림

도넛 그림 또한 원 그래프와 마찬가지로 특정 변수에 범주별 비율을 보여주는 시각화 방법 중 하나이다. 도넛 그래프는 여러 변수의 비율을 한번에 보여줄 수 있다는 장점이 있다. 투명도가 나쁠수록 절단품질이 안 좋은 것을 확인할 수 있으며, 투명도가 높을수록 절단품질이 최상급인 자료가 많다는 것을 알 수 있다.

```{r , echo=FALSE ,warning=F  }
# 핸들링 방법 1
library(data.table)
data=diamonds
data=setDT(data)[ , .(count=.N), by=c("cut", "clarity")]
data=data[ ,per:=count/sum(count)*100, by=c("cut")]

# 핸들링 방법 2
library(plyr)
data=ddply(diamonds, .(cut, clarity), summarise, count=length(cut))
data=ddply(data, .(cut), mutate, per = count/sum(count)*100)

library(ggplot2)
#data=as.data.frame(table(diamonds$cut))
#colnames(data)=c("cut_type", "count")
ggplot(data=data, 
aes(x=cut, y=per, fill= clarity, color = cut)) + 
  geom_col() + 
  coord_polar("y")
```

## 막대그래프

막대 그래프는 한 변수 혹은 여러 변수에 대한 빈도나 비율을 보여주는 시각화 방법 중 하나이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data=data, aes(x=cut))+
  geom_bar()

library(ggplot2)
data=diamonds
data=setDT(data)[ ,.(count=.N), by=c("cut")]
ggplot(data=data, aes(x=cut, y=count, fill=cut)) +
  geom_bar(stat="identity") +
  coord_flip()

library(ggplot2)
data=diamonds
data=setDT(data)[ , .(count=.N), by=c("cut", "clarity")]
data=data[ ,per:=count/sum(count)*100, by=c("cut")]
ggplot(data=data, aes(x=cut, y=per, fill=clarity))+
  geom_bar(stat="identity", position=position_dodge( ))
```

## 히스토그램

히스토그램은 어떤 변수에 대한 구간별 빈도수를 시각화하는 방법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data, aes(x=price, fill="")) + 
  geom_histogram(bins=30)+
  scale_fill_viridis_d()


library(ggplot2)
data=diamonds
data=data[data$color %in% c("J", "D"), ]  ## 특정 COLOR만 사용, Filter 기능
ggplot(data=data, aes(x=price, fill=color))+
  geom_histogram(bins=30, alpha=0.6) +
  scale_fill_viridis_d( )
```

## 밀도분포 그림

밀도 분포 그림은 히스토그램과 유사하나 커널밀도 추정을 통해 자료의 분포를 시각화하는 방법이다. 커널밀도추정은 커널밀도함수를 활용하여 히스토그램을 부드럽게 선으로 나타내는 방법이다. 큰 다이아몬드들은 대체로 투명도가 좋지 않음을 확인할 수 있다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data, aes(x=carat, fill=clarity)) + 
  geom_density(color="#e9ecef", alpha=0.6)
```

## 상자그림

3사분위(자료 중 75%에 위치한 자료)와 1사분위(자료 중 25%에 위치한 자료)자료의 차이를 기준으로 특정 범위를 산출하여, 그 범위를 넘어서는 자료를 점으로 표기하여 시각화해주는 방법 중 하나이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data, aes(x=clarity, y=carat, fill=clarity)) + 
  geom_boxplot(alpha=0.3)+
  scale_fill_viridis_d( )
```

## 바이올린 그림

바이올린 그림 또한 상자그림과 마찬가지로 자료의 분포나 치우침, 이상자료, 대칭성 등을 쉽게 볼 수 있으며, 커널밀도추정을 통해 자료의 분포를 좀 더 정확하게 파악할 수 있다는 특징이 있다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data, aes(x=clarity, y=carat, fill=clarity)) + 
  geom_violin(alpha=0.3)+
  scale_fill_viridis_d( )
```

## 산점도

산점도란 직교좌표계를 이용해 좌표 상의 점들을 표시함으로써 두 변수 사이의 관계를 직관적으로 시각화하는 방법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
data=diamonds
ggplot(data, aes(x=carat, y=price, color=color)) + 
  geom_point( )
```

## 시계열 그림

시계열 그림은 시간의 변화에 따른 변수의 변화를 시각화하는 방법 중 하나이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
library(forecast)
library(stringr)
library(viridis)
data=AirPassengers
data=data.frame(
    values= as.numeric(data),
    date=as.Date(
      paste0(trunc(time(AirPassengers)), "-",
        str_pad(cycle(AirPassengers), 2, pad="0"), "-01")))

ggplot(data=data)+
geom_line(aes(x=date, y=values, color=""))+
scale_color_viridis_d( )
```

## 모자이크 그림

모자이크 그림은 둘 혹은 새개의 범주형 변수들의 빈도를 가시화하는 방법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
library(ggmosaic)
library(data.table)
data=diamonds
data=setDT(data)[ ,.(count=.N), by=c("color", "clarity")]
data=data[ ,per:=count/sum(count)*100, by=c("color")]

ggplot(data)+
  geom_mosaic(
    aes(x=product(color), fill=clarity, weight=per))
```

## 히트맵 그림

히트맵 그림은 색상으로 표현할 수 있는 다양한 정보를 열분포 그림으로 시각화하는 방법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
library(raster)

grid = getData("SRTM", lon=126, lat=37)
grid=aggregate(grid, fact =50)
data=as.data.frame(grid, xy=T)
colnames(data)=c("x", "y", "z")
ggplot(data, aes(x, y, fill= z)) +
  geom_tile( )
```

## 상관성 그림

상관성그림은 두 변수 사이의 선형적인 상관성의 정도를 시각화하는 방법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
library(ggcorrplot)
data=data.frame(diamonds)
corr=cor(data[ , sapply(data, is.numeric)])
pmat=cor_pmat(data[ , sapply(data, is.numeric)])
ggcorrplot(
  corr, method = "circle", hc.order = TRUE, 
  type="lower", lab=TRUE, p.mat=pmat)
```

## 워드클라우드

워드클라우드는 자료의 핵심이 되는 단어를 직관적으로 파악할 수 있도록 시각화하는 기법이다.

```{r, echo=FALSE,warning=F  }
library(ggplot2)
library(ggwordcloud)
data("love_words")
set.seed(42)
ggplot( love_words, 
    aes(label = word, size = speakers, color = speakers)) +
    geom_text_wordcloud_area(
      aes(angle=45* sample(-2:2, nrow(love_words), 
        replace = TRUE, prob=c(1, 1, 4, 1, 1))),
    mask = png::readPNG(system.file("extdata/hearth.png",
      package="ggwordcloud", mustWork=TRUE)))+
    scale_size_area(max_size = 40 ) +
    theme_minimal( ) +
scale_color_gradient(low = "darkred", high = "red")
```

## 사회관계망

사회관계망은 점들 사이의 연관성을 직관적으로 파악할 수 있도록 점 사이의 연관성을 선의 굵기로 시각화하는 기법이다.

```{r, echo=FALSE,warning=F  }
library(ggraph)
library(tidygraph)

graph<-as_tbl_graph(highschool) %>%
        mutate(Popularity=centrality_degree(mode = "in" ))

ggraph(graph, layout = "kk") + 
geom_edge_fan(aes(alpha = stat(index)), show.legend = FALSE)+
geom_node_point(aes(size = Popularity)) + 
facet_edges(~ year)
```

## 퀴버플롯

퀴버플롯은 방향과 크기를 가지는 벡터의 흐름을 직관적으로 시각화하는 방법으로, 풍향/풍속, 유향/유속 등의 자료를 시각화 할 때 주로 활용한다.


```{r, echo=FALSE,warning=F  } 
library(ggraph) 
library(ggquiver) 
field = expand.grid( x= seq(0, pi , pi/12), y= seq(0, pi , pi/12)) 
ggplot(field, aes(x=x, y=y, u=cos(x), v=sin(y))) +   geom_quiver( )
```

## 바람장미도

바람장미도는 특정 관측지점의 특정 기간동안의 각 방위별 풍향/풍속에 대한 출현 빈도를 방사모양의 그래프로 시각화하는 기법이다.

```{r, echo=FALSE,warning=F  }
library(clifro) 
wind_df = data.frame(  
               wind_speeds = c(rweibull(80, 2, 4), rweibull(20, 3, 9)), 
                            wind_dirs = c(rnorm(80, 135, 55), rnorm(20, 315, 35)) %%360,  
                            station = rep(c("Station A", "Station B"), 2), rep(c(40, 10), each=2)) 
with(wind_df, windrose(wind_speeds, wind_dirs,speed_cut=c(3,6,9,12)))

```

## 2차원 밀도 그림

2차원 밀도그림으로 산점도의 밀도를 색으로 시각화하는 방법이다.

```{r, echo=FALSE,warning=F  } 
library(ggplot2) 
data=diamonds 
p = ggplot(data, aes(carat, price)) 
p + geom_bin2d( )
```


## 파이썬(회오리 그래프)

회오리 그래프

```{python}
import numpy as np
import matplotlib.pyplot as plt

r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
fig, ax = plt.subplots(
  subplot_kw = {'projection': 'polar'} 
)
ax.plot(theta, r)
ax.set_rticks([0.5, 1, 1.5, 2])
ax.grid(True)
plt.show()
r
theta


```