시각화 이용한 탐색적 데이터 분석(4)

6. 범주형 데이터의 요약(탐색)

1. 수준 별로 데이터 분류하기
2. 수준 별로 데이터 갯수 세기 (count)
   
   • 절대 빈도: 절대 갯수, 상대 빈도: 각 수준의 비율(%)
3. 시각화 하기 (빈도표, frequency table)

6.1. 수준 별로 데이터 분류하기

data = {
'year': ['2017', '2017', '2019', '2020', '2021', '2021'],
'grade': ['C', 'C', 'B', 'A', 'B', 'E'],
}
df = pd.DataFrame(data)

df1 = df.groupby("grade").count()
df2 = df.groupby("year").count()

df1

df2

 

6.2. 수준 별로 데이터 갯수 세기 (count)

• size : 사이즈 반환
• count() : 데이터가 없는 경우를 뺀 사이즈 반환
• unique(): 유일한 값만 반환
• value_counts(): 데이터가 없는 경우를 제외하고, 각 값의 갯수를 반환

df['year'].value_counts()

df['year'].size

6

df['year'].count()

6

df['year'].unique()

array(['2017', '2019', '2020', '2021'], dtype=object)

 

 

7. 분석 타입에 따른 그래프 종류 이해: 범주형 데이터 분석을 위해 주로 사용되는 그래프 종류

1. 막대 그래프 (절대 빈도)
2. 원 그래프 (상대 빈도)

iplot() 사용 전 항상 사전 선언해줘야 함

import chart_studio.plotly as py
import cufflinks as cf
cf.go_offline(connected=True)
import pandas as pd

# 다시 사전 작업
data = {
'year': ['2017', '2017', '2019', '2020', '2021', '2021'],
'grade': ['C', 'C', 'B', 'A', 'B', 'E'],
}
df = pd.DataFrame(data)
df1 = df.groupby("grade").count()
df2 = df.groupby("year").count()

7.1. 막대그래프

iplot 으로 그려보기

df2.iplot(kind='bar')

plotly.graph_objects 로 그려보기

• https://plotly.com/python/bar-charts/

df1

df2

import plotly.graph_objects as go
fig = go.Figure()
fig.add_trace(
		go.Bar(
				x=df1.index, y=df1['year'], name='A'
		)
)
fig.show()

7.2. 원 그래프

iplot 으로 그려보기

• iplot(kind='pie') 시에는 labels에 lavels(수준)으로 분류될 컬럼 명, values에 각 수준(분류)의 값이 될 카운트 값을 가진 컬럼 명을 넣어 줘야 함

df1 = df1.reset_index() # 인덱스로 되어 있는 컬럼을 컬럼으로 바꿔줌
df1

df1.iplot(kind='pie', labels='grade', values='year') # 보통 원 그래프를 통해 상대빈도 값을 확인

plotly.graph_objects 로 그려보기

• https://plotly.com/python/pie-charts/

import plotly.graph_objects as go
fig = go.Figure()
fig.add_trace(
		go.Pie(
				labels=df1['grade'], values=df1['year']
		)
)
fig.show()