[Pandas] 차트 그리기-plot

DataFrame Plot 주요 차트

• Line/Bar/Area : trend & 비교
• Hist/Box : 분포
• Scatter : 상관관계
• Pie : 비율

DataFrame.plot.* 과 Series.plot.*는 같은 백엔드(matplotlib)를 사용.

• line, bar, barh, hist, box, area, pie는 Series에도 동일하게 사용 가능.
• 단, scatter는 Series에는 없음 (왜냐하면 scatter는 최소 2개 축(x, y)이 필요하기 때문).

아래에 나온 방식외에도 다음의 방식도 사용되기도함:

# df.iloc[:20, :4].plot(title="Default df.plot() = Line Plot")
df.plot(kind="line")      # 선 그래프 (기본값)
df.plot(kind="bar")       # 막대 그래프
df.plot(kind="barh")      # 가로 막대
df.plot(kind="hist")      # 히스토그램
df.plot(kind="box")       # 박스 플롯
df.plot(kind="area")      # 면적 그래프
df.plot(kind="scatter", x="A", y="B")  # 산점도
df.plot(kind="pie", y="C")             # 파이 차트

 

df.plot(kind="...")은 곧바로
df.plot.XXX()를 호출하는 shortcut

---

각 차트 plot의 Signature & 주요 옵션

• 차트 종류마다 전용 옵션 존재.
• 각 함수는 kwargs를 통해 크기(figsize), 제목(title), 색상(color), 투명도(alpha), 범례(legend) 같은 공통 옵션을 제어: kwargs로
  모든 차트에서 인자로 받는 kwargs는 결국 matplotlib 인자를 그대로 넘기고 있음.

다음은 EDA에서 많이 쓰는 것들 위주로 정리함.

1. Line Plot (기본값)

DataFrame.plot.line(x=None, y=None, **kwargs)

• x: x축 column (기본: index)
• y: y축 column (리스트 가능, 기본: 모든 수치형 column)

자주 쓰는 kwargs

• figsize=(w,h) : 그래프 크기
• title="..." : 제목
• style="--o" : 선 스타일/마커 (matplotlib 표기법)
• color=["r","g","b"] : 선 색상 지정
• grid=True : 격자 표시

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

iris = load_iris(as_frame=True)
df = iris.frame
df["species"] = df["target"].map(dict(enumerate(iris.target_names)))

# 첫 20개 샘플만
df.iloc[:20, :4].plot.line(
    figsize=(7,4),
    title="Line Plot of First 20 Samples",
    grid=True,
    style="--o"
)
plt.show()

• style="--o" : 점 + 점선
• grid=True : 격자 표시

---

2. Bar Plot (세로)

DataFrame.plot.bar(x=None, y=None, **kwargs)

• x: x축 (보통 범주형 column)
• y: y축 (수치형 column)

자주 쓰는 kwargs

• stacked=True : 누적 막대
• width=0.8 : 막대 두께
• color=["skyblue","salmon"] : 막대 색상
• legend=True/False : 범례 표시 여부

df.groupby("species").mean().plot.bar(
    figsize=(7,5),
    stacked=False,
    title="Mean Feature Values by Species",
    rot=0
) # 목적: 그룹별 평균 값 비교
plt.show()

• stacked=False : 독립 막대
• rot=0 : x축 레이블 회전 각도

---

3. Barh Plot (가로)

DataFrame.plot.barh(x=None, y=None, **kwargs)

• `bar와 동일하지만 가로 방향

자주 쓰는 kwargs

• stacked=True : 누적 막대
• height=0.8 : 막대 높이
• color="lightgreen" : 색상

df.groupby("species").mean().plot.barh(
    figsize=(7,5),
    stacked=True,
    title="Mean Feature Values by Species (Horizontal)"
) # 목적: 가로 방향에서 그룹 비교
plt.show()

• stacked=True : 누적 막대

---

4. Histogram

DataFrame.plot.hist(column=None, by=None, bins=10, **kwargs)

• column: 분석할 column (리스트 가능)
• bins: 구간 수

자주 쓰는 kwargs

• alpha=0.7 : 투명도 (겹침 확인에 유용)
• density=True : 빈도 대신 확률밀도 표시
• stacked=True : 여러 column을 겹치지 않고 누적

df.plot.hist(
    y="petal length (cm)",
    bins=20,
    alpha=0.7,
    grid=True,
    title="Histogram of Petal Length"
) # 목적: 특정 feature의 분포 확인
plt.show()

• bins=20 : 구간 수
• alpha=0.7 : 투명도

4. Kernel Density Esitimation (KDE)

• KDE는 연속형 데이터의 확률밀도함수(PDF)를 부드러운 곡선 형태로 추정하는 기법
• hist()가 구간을 나눠 빈도를 세는 방식이라면, kde()는 이를 매끄러운 곡선으로 표현

DataFrame.plot.kde(bw_method=None, ind=None, **kwargs)

• bw_method: 대역폭(bandwidth) 조절
  • 값이 작을수록 곡선이 세밀 (과적합 위험)
  • 값이 클수록 곡선이 매끄러움 (과대평활 위험)
• ind: x축 범위나 샘플 수 지정
  • int → 해당 개수만큼 균등 분할
  • array → 사용자가 직접 지정한 좌표
• kwargs: color, style, alpha, title 등 matplotlib 옵션

df.iloc[:, :4].plot.kde(
    figsize=(7,5),
    title="KDE of Iris Features",
    lw=2  # line width
)

---

5. Box Plot

DataFrame.plot.box(by=None, **kwargs)

• by: 그룹핑 기준 column

자주 쓰는 kwargs

• grid=True : 격자 표시
• notch=True : 중위수 notch 표시
• vert=False : 가로 box plot

df.plot.box(
    figsize=(6,5),
    grid=True,
    title="Box Plot of Iris Features"
) # 목적: 분포 범위, 이상치 탐지
plt.show()

• grid=True : 격자 표시
• notch=True : 중위수 notch 표시

---

6. Area Plot

DataFrame.plot.area(x=None, y=None, stacked=True, **kwargs)

• stacked=True : 기본 누적 면적

자주 쓰는 kwargs

• alpha=0.4 : 투명도
• stacked=False : 독립 면적 표시
• colormap="viridis" : 색상 팔레트

df.iloc[:20, :4].plot.area(
    alpha=0.4,
    stacked=False,
    figsize=(7,4),
    title="Area Plot (Non-Stacked)"
)
plt.show() # 목적: feature 크기 비교

• alpha=0.4 : 투명도
• stacked=False : 독립 면적

---

7. Scatter Plot

DataFrame.plot.scatter(x, y, s=None, c=None, **kwargs)

• x, y: 필수 (두 column)
• s: 점 크기
• c: 색상 (Series나 값 가능)

자주 쓰는 kwargs

• colormap="viridis" : 색상 맵핑
• alpha=0.6 : 점 투명도
• marker="x" : 점 모양

df.plot.scatter(
    x="sepal length (cm)",
    y="petal length (cm)",
    c="petal width (cm)",
    colormap="viridis",
    alpha=0.7,
    title="Scatter Plot: Sepal vs Petal"
) # 목적: feature 간 상관관계 확인
plt.show()

• c="petal width (cm)" : 색상 변수
• colormap="viridis" : 컬러맵

---

8. Pie Chart

DataFrame.plot.pie(y=None, subplots=True, labels=None, **kwargs)

• y: 단일 column 지정
• subplots=True : 여러 column을 각각 pie로 그림

자주 쓰는 kwargs

• autopct="%.1f%%" : 비율 표시
• startangle=90: 시작 각도 (보통 90도로 설정)
• legend=False : 범례 표시 여부
• shadow=True : 그림자 효과

df.groupby("species")["petal length (cm)"].count().plot.pie(
    autopct="%.2f%%",
    ylabel="",
    startangle=90,
    title="Sample Count by Species"
) # 목적: 범주별 비율 비교
plt.show()

• autopct="%.2f%%" : 퍼센트 표시
• startangle=90 : 위쪽부터 시작

---

같이보면 좋은 자료

2025.05.16 - [Python/pandas] - [ML] pandas.DataFrame 에서 EDA에 적합한 메서드 요약

[ML] pandas.DataFrame 에서 EDA에 적합한 메서드 요약