2022/01/15/SAT

import numpy as np 
import pandas as pd 
import warnings
from IPython.display import HTML
def show(fig): 
    return HTML(fig.to_html(include_plotlyjs='cdn',include_mathjax=False, config=dict({'scrollZoom':False})))

pie

예제1 (matplotlib)

df = pd.read_csv('https://raw.githubusercontent.com/kalilurrahman/datasets/main/mobilephonemktshare2020.csv')
df # 지금은 인덱스가 0~12로 되어있으니 아래 셀에서 Date로 인덱스를 변경해줄것임

	Date	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
0	2019-10	31.49	22.09	10.02	7.79	4.10	3.15	2.41	2.40	9.51	0.54	2.35	0.95	0.96	0.70	0.84	0.74
1	2019-11	31.36	22.90	10.18	8.16	4.42	3.41	2.40	2.40	9.10	0.78	0.66	0.97	0.97	0.73	0.83	0.75
2	2019-12	31.37	24.79	9.95	7.73	4.23	3.19	2.50	2.54	8.13	0.84	0.75	0.90	0.87	0.74	0.77	0.70
3	2020-01	31.29	24.76	10.61	8.10	4.25	3.02	2.42	2.40	7.55	0.88	0.69	0.88	0.86	0.79	0.80	0.69
4	2020-02	30.91	25.89	10.98	7.80	4.31	2.89	2.36	2.34	7.06	0.89	0.70	0.81	0.77	0.78	0.80	0.69
5	2020-03	30.80	27.03	10.70	7.70	4.30	2.87	2.35	2.28	6.63	0.93	0.73	0.72	0.74	0.78	0.76	0.66
6	2020-04	30.41	28.79	10.28	7.60	4.20	2.75	2.51	2.28	5.84	0.90	0.75	0.69	0.71	0.80	0.76	0.70
7	2020-05	30.18	26.72	10.39	8.36	4.70	3.12	2.46	2.19	6.31	1.04	0.70	0.73	0.77	0.81	0.78	0.76
8	2020-06	31.06	25.26	10.69	8.55	4.65	3.18	2.57	2.11	6.39	1.04	0.68	0.74	0.75	0.77	0.78	0.75
9	2020-07	30.95	24.82	10.75	8.94	4.69	3.46	2.45	2.03	6.41	1.13	0.65	0.76	0.74	0.76	0.75	0.72
10	2020-08	31.04	25.15	10.73	8.90	4.69	3.38	2.39	1.96	6.31	1.18	0.63	0.74	0.72	0.75	0.73	0.70
11	2020-09	30.57	24.98	10.58	9.49	4.94	3.50	2.27	1.88	6.12	1.45	0.63	0.74	0.67	0.81	0.69	0.67
12	2020-10	30.25	26.53	10.44	9.67	4.83	2.54	2.21	1.79	6.04	1.55	0.63	0.69	0.65	0.85	0.67	0.64

df.set_index('Date')

	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
Date
2019-10	31.49	22.09	10.02	7.79	4.10	3.15	2.41	2.40	9.51	0.54	2.35	0.95	0.96	0.70	0.84	0.74
2019-11	31.36	22.90	10.18	8.16	4.42	3.41	2.40	2.40	9.10	0.78	0.66	0.97	0.97	0.73	0.83	0.75
2019-12	31.37	24.79	9.95	7.73	4.23	3.19	2.50	2.54	8.13	0.84	0.75	0.90	0.87	0.74	0.77	0.70
2020-01	31.29	24.76	10.61	8.10	4.25	3.02	2.42	2.40	7.55	0.88	0.69	0.88	0.86	0.79	0.80	0.69
2020-02	30.91	25.89	10.98	7.80	4.31	2.89	2.36	2.34	7.06	0.89	0.70	0.81	0.77	0.78	0.80	0.69
2020-03	30.80	27.03	10.70	7.70	4.30	2.87	2.35	2.28	6.63	0.93	0.73	0.72	0.74	0.78	0.76	0.66
2020-04	30.41	28.79	10.28	7.60	4.20	2.75	2.51	2.28	5.84	0.90	0.75	0.69	0.71	0.80	0.76	0.70
2020-05	30.18	26.72	10.39	8.36	4.70	3.12	2.46	2.19	6.31	1.04	0.70	0.73	0.77	0.81	0.78	0.76
2020-06	31.06	25.26	10.69	8.55	4.65	3.18	2.57	2.11	6.39	1.04	0.68	0.74	0.75	0.77	0.78	0.75
2020-07	30.95	24.82	10.75	8.94	4.69	3.46	2.45	2.03	6.41	1.13	0.65	0.76	0.74	0.76	0.75	0.72
2020-08	31.04	25.15	10.73	8.90	4.69	3.38	2.39	1.96	6.31	1.18	0.63	0.74	0.72	0.75	0.73	0.70
2020-09	30.57	24.98	10.58	9.49	4.94	3.50	2.27	1.88	6.12	1.45	0.63	0.74	0.67	0.81	0.69	0.67
2020-10	30.25	26.53	10.44	9.67	4.83	2.54	2.21	1.79	6.04	1.55	0.63	0.69	0.65	0.85	0.67	0.64

df.set_index('Date').plot.pie(y='Apple')

<AxesSubplot:ylabel='Apple'>

---

df.set_index('Date').plot.pie(x='2019-10')

이렇게 하면 y축도 내놓으라해서 그냥 아래로 T변환후에 시각화해주는 듯

---

df.set_index('Date').T

Date	2019-10	2019-11	2019-12	2020-01	2020-02	2020-03	2020-04	2020-05	2020-06	2020-07	2020-08	2020-09	2020-10
Samsung	31.49	31.36	31.37	31.29	30.91	30.80	30.41	30.18	31.06	30.95	31.04	30.57	30.25
Apple	22.09	22.90	24.79	24.76	25.89	27.03	28.79	26.72	25.26	24.82	25.15	24.98	26.53
Huawei	10.02	10.18	9.95	10.61	10.98	10.70	10.28	10.39	10.69	10.75	10.73	10.58	10.44
Xiaomi	7.79	8.16	7.73	8.10	7.80	7.70	7.60	8.36	8.55	8.94	8.90	9.49	9.67
Oppo	4.10	4.42	4.23	4.25	4.31	4.30	4.20	4.70	4.65	4.69	4.69	4.94	4.83
Mobicel	3.15	3.41	3.19	3.02	2.89	2.87	2.75	3.12	3.18	3.46	3.38	3.50	2.54
Motorola	2.41	2.40	2.50	2.42	2.36	2.35	2.51	2.46	2.57	2.45	2.39	2.27	2.21
LG	2.40	2.40	2.54	2.40	2.34	2.28	2.28	2.19	2.11	2.03	1.96	1.88	1.79
Others	9.51	9.10	8.13	7.55	7.06	6.63	5.84	6.31	6.39	6.41	6.31	6.12	6.04
Realme	0.54	0.78	0.84	0.88	0.89	0.93	0.90	1.04	1.04	1.13	1.18	1.45	1.55
Google	2.35	0.66	0.75	0.69	0.70	0.73	0.75	0.70	0.68	0.65	0.63	0.63	0.63
Nokia	0.95	0.97	0.90	0.88	0.81	0.72	0.69	0.73	0.74	0.76	0.74	0.74	0.69
Lenovo	0.96	0.97	0.87	0.86	0.77	0.74	0.71	0.77	0.75	0.74	0.72	0.67	0.65
OnePlus	0.70	0.73	0.74	0.79	0.78	0.78	0.80	0.81	0.77	0.76	0.75	0.81	0.85
Sony	0.84	0.83	0.77	0.80	0.80	0.76	0.76	0.78	0.78	0.75	0.73	0.69	0.67
Asus	0.74	0.75	0.70	0.69	0.69	0.66	0.70	0.76	0.75	0.72	0.70	0.67	0.64

df.set_index('Date').T.plot.pie(y='2019-10',legend=False)

<AxesSubplot:ylabel='2019-10'>

df.set_index('Date').T.plot.pie(legend=False,subplots=True,layout=(4,4),figsize=(20,20))

array([[<AxesSubplot:ylabel='2019-10'>, <AxesSubplot:ylabel='2019-11'>,
        <AxesSubplot:ylabel='2019-12'>, <AxesSubplot:ylabel='2020-01'>],
       [<AxesSubplot:ylabel='2020-02'>, <AxesSubplot:ylabel='2020-03'>,
        <AxesSubplot:ylabel='2020-04'>, <AxesSubplot:ylabel='2020-05'>],
       [<AxesSubplot:ylabel='2020-06'>, <AxesSubplot:ylabel='2020-07'>,
        <AxesSubplot:ylabel='2020-08'>, <AxesSubplot:ylabel='2020-09'>],
       [<AxesSubplot:ylabel='2020-10'>, <AxesSubplot:>, <AxesSubplot:>,
        <AxesSubplot:>]], dtype=object)

boxplot

- plotly, matplotlib 백엔드 모두 지원

예제1(matplotlib)

df = pd.read_csv('https://raw.githubusercontent.com/kalilurrahman/datasets/main/mobilephonemktshare2020.csv')
df

	Date	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
0	2019-10	31.49	22.09	10.02	7.79	4.10	3.15	2.41	2.40	9.51	0.54	2.35	0.95	0.96	0.70	0.84	0.74
1	2019-11	31.36	22.90	10.18	8.16	4.42	3.41	2.40	2.40	9.10	0.78	0.66	0.97	0.97	0.73	0.83	0.75
2	2019-12	31.37	24.79	9.95	7.73	4.23	3.19	2.50	2.54	8.13	0.84	0.75	0.90	0.87	0.74	0.77	0.70
3	2020-01	31.29	24.76	10.61	8.10	4.25	3.02	2.42	2.40	7.55	0.88	0.69	0.88	0.86	0.79	0.80	0.69
4	2020-02	30.91	25.89	10.98	7.80	4.31	2.89	2.36	2.34	7.06	0.89	0.70	0.81	0.77	0.78	0.80	0.69
5	2020-03	30.80	27.03	10.70	7.70	4.30	2.87	2.35	2.28	6.63	0.93	0.73	0.72	0.74	0.78	0.76	0.66
6	2020-04	30.41	28.79	10.28	7.60	4.20	2.75	2.51	2.28	5.84	0.90	0.75	0.69	0.71	0.80	0.76	0.70
7	2020-05	30.18	26.72	10.39	8.36	4.70	3.12	2.46	2.19	6.31	1.04	0.70	0.73	0.77	0.81	0.78	0.76
8	2020-06	31.06	25.26	10.69	8.55	4.65	3.18	2.57	2.11	6.39	1.04	0.68	0.74	0.75	0.77	0.78	0.75
9	2020-07	30.95	24.82	10.75	8.94	4.69	3.46	2.45	2.03	6.41	1.13	0.65	0.76	0.74	0.76	0.75	0.72
10	2020-08	31.04	25.15	10.73	8.90	4.69	3.38	2.39	1.96	6.31	1.18	0.63	0.74	0.72	0.75	0.73	0.70
11	2020-09	30.57	24.98	10.58	9.49	4.94	3.50	2.27	1.88	6.12	1.45	0.63	0.74	0.67	0.81	0.69	0.67
12	2020-10	30.25	26.53	10.44	9.67	4.83	2.54	2.21	1.79	6.04	1.55	0.63	0.69	0.65	0.85	0.67	0.64

- 점유율의 차이를 구하자.

df.set_index('Date').diff()

	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
Date
2019-10	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
2019-11	-0.13	0.81	0.16	0.37	0.32	0.26	-0.01	0.00	-0.41	0.24	-1.69	0.02	0.01	0.03	-0.01	0.01
2019-12	0.01	1.89	-0.23	-0.43	-0.19	-0.22	0.10	0.14	-0.97	0.06	0.09	-0.07	-0.10	0.01	-0.06	-0.05
2020-01	-0.08	-0.03	0.66	0.37	0.02	-0.17	-0.08	-0.14	-0.58	0.04	-0.06	-0.02	-0.01	0.05	0.03	-0.01
2020-02	-0.38	1.13	0.37	-0.30	0.06	-0.13	-0.06	-0.06	-0.49	0.01	0.01	-0.07	-0.09	-0.01	0.00	0.00
2020-03	-0.11	1.14	-0.28	-0.10	-0.01	-0.02	-0.01	-0.06	-0.43	0.04	0.03	-0.09	-0.03	0.00	-0.04	-0.03
2020-04	-0.39	1.76	-0.42	-0.10	-0.10	-0.12	0.16	0.00	-0.79	-0.03	0.02	-0.03	-0.03	0.02	0.00	0.04
2020-05	-0.23	-2.07	0.11	0.76	0.50	0.37	-0.05	-0.09	0.47	0.14	-0.05	0.04	0.06	0.01	0.02	0.06
2020-06	0.88	-1.46	0.30	0.19	-0.05	0.06	0.11	-0.08	0.08	0.00	-0.02	0.01	-0.02	-0.04	0.00	-0.01
2020-07	-0.11	-0.44	0.06	0.39	0.04	0.28	-0.12	-0.08	0.02	0.09	-0.03	0.02	-0.01	-0.01	-0.03	-0.03
2020-08	0.09	0.33	-0.02	-0.04	0.00	-0.08	-0.06	-0.07	-0.10	0.05	-0.02	-0.02	-0.02	-0.01	-0.02	-0.02
2020-09	-0.47	-0.17	-0.15	0.59	0.25	0.12	-0.12	-0.08	-0.19	0.27	0.00	0.00	-0.05	0.06	-0.04	-0.03
2020-10	-0.32	1.55	-0.14	0.18	-0.11	-0.96	-0.06	-0.09	-0.08	0.10	0.00	-0.05	-0.02	0.04	-0.02	-0.03

df.set_index('Date').diff().dropna().boxplot(figsize=(20,5))

<AxesSubplot:>

예제2 (plotly)

- 위와 동일한 그림을 plotly backend로도 그릴수 있음 (plotly가 조금 융통성이 있음)

# show(fig)

- 회사를 색깔별로 구분하여 범주를 만들고 싶다?

df.set_index('Date').diff().dropna()

	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
Date
2019-11	-0.13	0.81	0.16	0.37	0.32	0.26	-0.01	0.00	-0.41	0.24	-1.69	0.02	0.01	0.03	-0.01	0.01
2019-12	0.01	1.89	-0.23	-0.43	-0.19	-0.22	0.10	0.14	-0.97	0.06	0.09	-0.07	-0.10	0.01	-0.06	-0.05
2020-01	-0.08	-0.03	0.66	0.37	0.02	-0.17	-0.08	-0.14	-0.58	0.04	-0.06	-0.02	-0.01	0.05	0.03	-0.01
2020-02	-0.38	1.13	0.37	-0.30	0.06	-0.13	-0.06	-0.06	-0.49	0.01	0.01	-0.07	-0.09	-0.01	0.00	0.00
2020-03	-0.11	1.14	-0.28	-0.10	-0.01	-0.02	-0.01	-0.06	-0.43	0.04	0.03	-0.09	-0.03	0.00	-0.04	-0.03
2020-04	-0.39	1.76	-0.42	-0.10	-0.10	-0.12	0.16	0.00	-0.79	-0.03	0.02	-0.03	-0.03	0.02	0.00	0.04
2020-05	-0.23	-2.07	0.11	0.76	0.50	0.37	-0.05	-0.09	0.47	0.14	-0.05	0.04	0.06	0.01	0.02	0.06
2020-06	0.88	-1.46	0.30	0.19	-0.05	0.06	0.11	-0.08	0.08	0.00	-0.02	0.01	-0.02	-0.04	0.00	-0.01
2020-07	-0.11	-0.44	0.06	0.39	0.04	0.28	-0.12	-0.08	0.02	0.09	-0.03	0.02	-0.01	-0.01	-0.03	-0.03
2020-08	0.09	0.33	-0.02	-0.04	0.00	-0.08	-0.06	-0.07	-0.10	0.05	-0.02	-0.02	-0.02	-0.01	-0.02	-0.02
2020-09	-0.47	-0.17	-0.15	0.59	0.25	0.12	-0.12	-0.08	-0.19	0.27	0.00	0.00	-0.05	0.06	-0.04	-0.03
2020-10	-0.32	1.55	-0.14	0.18	-0.11	-0.96	-0.06	-0.09	-0.08	0.10	0.00	-0.05	-0.02	0.04	-0.02	-0.03

df.set_index('Date').diff().dropna().melt()

	variable	value
0	Samsung	-0.13
1	Samsung	0.01
2	Samsung	-0.08
3	Samsung	-0.38
4	Samsung	-0.11
...	...	...
187	Asus	-0.01
188	Asus	-0.03
189	Asus	-0.02
190	Asus	-0.03
191	Asus	-0.03

192 rows × 2 columns

#plot.box(backend='plotly',x='variable',color='variable',y='value')
#show(fig)

예제3 (plotly)

import plotly.express as px 
df = px.data.tips() # 내장된 data인가봄 
df # 타이디 데이터

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4
...	...	...	...	...	...	...	...
239	29.03	5.92	Male	No	Sat	Dinner	3
240	27.18	2.00	Female	Yes	Sat	Dinner	2
241	22.67	2.00	Male	Yes	Sat	Dinner	2
242	17.82	1.75	Male	No	Sat	Dinner	2
243	18.78	3.00	Female	No	Thur	Dinner	2

244 rows × 7 columns

- 팁은 대체로 얼마나 받는지?

# show(fig)

- 점심/저녁에 따라서 팁의 분포가 다를까?

# show(fig)

• 저녁에 좀더 잘주는것 같음

- 성별에 따라서도 팁을 주는것이 다를까?

# show(fig)

• points='all'

# show(fig)

• boxplot의 아웃라이어가 사라지고, 데이터를 더 리치하게 볼 수 있다.

- 요일에 따라서도 달라질까?

#show(fig)

- 흡연유무에 따라서도 달라질까?

#show(fig)

• tidydata로 한번 만들어 두니 너무 쉽게 생각하는 대로 구현가능

tidydata가 확실히 고차원 자료를 그리기에 유리함. matplotlib은 위와 같은 형태를 그리는것 자체가 불가능

hist, kde, density

예제1 (matplotlib)

- 시뮬레이션예제: 정규분포를 만들어서 제곱한뒤에 3개씩, 4개씩, ... , 10개까지 더함 $\to$ 카이제곱분포

- 일단 3개부터 구현해보자.

X = np.random.normal(size=(1000,3),loc=0,scale=1)
X

array([[ 1.55206654, -0.63914829,  1.57183278],
       [ 0.68304602, -0.20688318,  0.35819181],
       [ 1.47085428,  0.81133151, -0.5744874 ],
       ...,
       [ 1.40359129, -0.65010241,  0.47624468],
       [ 0.03466939, -0.7774873 ,  0.68491511],
       [-1.21877598,  0.05928286,  1.32481268]])

X**2 # 이제 카이제곱 분포를 따른다

array([[2.40891054e+00, 4.08510541e-01, 2.47065829e+00],
       [4.66551869e-01, 4.28006512e-02, 1.28301370e-01],
       [2.16341231e+00, 6.58258819e-01, 3.30035776e-01],
       ...,
       [1.97006850e+00, 4.22633142e-01, 2.26808996e-01],
       [1.20196631e-03, 6.04486503e-01, 4.69108708e-01],
       [1.48541489e+00, 3.51445752e-03, 1.75512863e+00]])

- 코드를 정리하면

# ((np.random.normal(size=(1000,4),loc=0,scale=1))**2).sum(axis=1)
# ...
# ((np.random.normal(size=(1000,10),loc=0,scale=1))**2).sum(axis=1)

_arr = [3,4,5,6,7,8,9,10] 
df= pd.DataFrame([((np.random.normal(size=(1000,_arr[i]),loc=0,scale=1))**2).sum(axis=1).tolist() for i in range(len(_arr))]).T
df

	0	1	2	3	4	5	6	7
0	5.196671	2.073253	7.256207	0.912066	6.190578	6.594515	7.069170	12.084896
1	8.763815	2.773966	3.015868	4.860482	4.146444	7.742799	16.964332	9.376459
2	3.293716	3.043589	1.294319	4.905373	8.232812	10.626497	5.012941	10.656208
3	1.162761	1.256967	2.704866	9.572457	7.053241	5.572123	3.280732	9.305952
4	4.195460	3.777258	12.706358	3.889861	4.839483	6.489378	24.064284	10.843205
...	...	...	...	...	...	...	...	...
995	4.723027	2.775728	0.886107	1.453307	5.658189	2.890155	20.358523	27.900246
996	5.916433	4.379810	4.450089	3.111495	2.695229	7.811263	5.052450	11.098986
997	0.661397	3.076920	9.576774	9.713117	8.424721	9.593768	7.854476	17.334970
998	0.445096	7.051000	4.651447	9.421335	7.365830	6.639832	5.496892	9.536662
999	2.615014	7.536859	2.548289	10.028903	6.195696	6.076087	5.851520	25.364383

1000 rows × 8 columns

• 컬럼 0이 의미하는것은 정규분포를 제곱하여 3개씩 더하여 나온값이고 컬럼1이 의미하는것은 정규분포를 제곱해서 4개씩 더해서 나온값임 $\to$ 열의 이름을 지어주자.

df.columns = _arr

df

	3	4	5	6	7	8	9	10
0	5.196671	2.073253	7.256207	0.912066	6.190578	6.594515	7.069170	12.084896
1	8.763815	2.773966	3.015868	4.860482	4.146444	7.742799	16.964332	9.376459
2	3.293716	3.043589	1.294319	4.905373	8.232812	10.626497	5.012941	10.656208
3	1.162761	1.256967	2.704866	9.572457	7.053241	5.572123	3.280732	9.305952
4	4.195460	3.777258	12.706358	3.889861	4.839483	6.489378	24.064284	10.843205
...	...	...	...	...	...	...	...	...
995	4.723027	2.775728	0.886107	1.453307	5.658189	2.890155	20.358523	27.900246
996	5.916433	4.379810	4.450089	3.111495	2.695229	7.811263	5.052450	11.098986
997	0.661397	3.076920	9.576774	9.713117	8.424721	9.593768	7.854476	17.334970
998	0.445096	7.051000	4.651447	9.421335	7.365830	6.639832	5.496892	9.536662
999	2.615014	7.536859	2.548289	10.028903	6.195696	6.076087	5.851520	25.364383

1000 rows × 8 columns

- 분포를 그려보자.

df.plot.hist()

<AxesSubplot:ylabel='Frequency'>

- bins와 투명도 조절

df.plot.hist(alpha=0.2,bins=50)

<AxesSubplot:ylabel='Frequency'>

- 서브플랏

import matplotlib.pyplot as plt
df.plot.hist(alpha=0.2,bins=50,layout=(2,4),subplots=True,figsize=(15,5))
plt.tight_layout() 

- kde 플랏

df.plot.kde(layout=(2,4),subplots=True,figsize=(15,5))
plt.tight_layout()

df.plot.kde(layout=(2,4),subplots=True,bw_method=0.01,figsize=(15,5))
plt.tight_layout()

df.plot.kde(layout=(2,4),subplots=True,bw_method=5,figsize=(15,5))
plt.tight_layout()

df.plot.kde(layout=(2,4),subplots=True,figsize=(15,5),ls='--')
plt.tight_layout()

예제2 (plotly)

- 다시 tips 예제로 돌아오자.

import plotly.express as px 
df = px.data.tips() 
df

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4
...	...	...	...	...	...	...	...
239	29.03	5.92	Male	No	Sat	Dinner	3
240	27.18	2.00	Female	Yes	Sat	Dinner	2
241	22.67	2.00	Male	Yes	Sat	Dinner	2
242	17.82	1.75	Male	No	Sat	Dinner	2
243	18.78	3.00	Female	No	Thur	Dinner	2

244 rows × 7 columns

- 성별에 따라서 팁을 주는게 다를까?

# show(fig)

• 빈도가 잘 보인다는 측면에서 박스플랏보다 좋은것 같음

- 시간에 따라서도 다른지?

# show(fig)

• tidydata가 확실히 자료를 처리하기 편리함

area plot

- 주류플랏은 아님

예제1 (matplotlib)

- 다시 핸드폰예제

df = pd.read_csv('https://raw.githubusercontent.com/kalilurrahman/datasets/main/mobilephonemktshare2020.csv')
df

	Date	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
0	2019-10	31.49	22.09	10.02	7.79	4.10	3.15	2.41	2.40	9.51	0.54	2.35	0.95	0.96	0.70	0.84	0.74
1	2019-11	31.36	22.90	10.18	8.16	4.42	3.41	2.40	2.40	9.10	0.78	0.66	0.97	0.97	0.73	0.83	0.75
2	2019-12	31.37	24.79	9.95	7.73	4.23	3.19	2.50	2.54	8.13	0.84	0.75	0.90	0.87	0.74	0.77	0.70
3	2020-01	31.29	24.76	10.61	8.10	4.25	3.02	2.42	2.40	7.55	0.88	0.69	0.88	0.86	0.79	0.80	0.69
4	2020-02	30.91	25.89	10.98	7.80	4.31	2.89	2.36	2.34	7.06	0.89	0.70	0.81	0.77	0.78	0.80	0.69
5	2020-03	30.80	27.03	10.70	7.70	4.30	2.87	2.35	2.28	6.63	0.93	0.73	0.72	0.74	0.78	0.76	0.66
6	2020-04	30.41	28.79	10.28	7.60	4.20	2.75	2.51	2.28	5.84	0.90	0.75	0.69	0.71	0.80	0.76	0.70
7	2020-05	30.18	26.72	10.39	8.36	4.70	3.12	2.46	2.19	6.31	1.04	0.70	0.73	0.77	0.81	0.78	0.76
8	2020-06	31.06	25.26	10.69	8.55	4.65	3.18	2.57	2.11	6.39	1.04	0.68	0.74	0.75	0.77	0.78	0.75
9	2020-07	30.95	24.82	10.75	8.94	4.69	3.46	2.45	2.03	6.41	1.13	0.65	0.76	0.74	0.76	0.75	0.72
10	2020-08	31.04	25.15	10.73	8.90	4.69	3.38	2.39	1.96	6.31	1.18	0.63	0.74	0.72	0.75	0.73	0.70
11	2020-09	30.57	24.98	10.58	9.49	4.94	3.50	2.27	1.88	6.12	1.45	0.63	0.74	0.67	0.81	0.69	0.67
12	2020-10	30.25	26.53	10.44	9.67	4.83	2.54	2.21	1.79	6.04	1.55	0.63	0.69	0.65	0.85	0.67	0.64

df.set_index('Date').plot.area(figsize=(20,10),alpha=0.6)

<AxesSubplot:xlabel='Date'>

• 시간에 따른 점유을의 변화를 보기에 적절한것 같다.

예제2 (plotly)

- plotly를 쓰기 위해서 tidydata로 바꾸자

df

	Date	Samsung	Apple	Huawei	Xiaomi	Oppo	Mobicel	Motorola	LG	Others	Realme	Google	Nokia	Lenovo	OnePlus	Sony	Asus
0	2019-10	31.49	22.09	10.02	7.79	4.10	3.15	2.41	2.40	9.51	0.54	2.35	0.95	0.96	0.70	0.84	0.74
1	2019-11	31.36	22.90	10.18	8.16	4.42	3.41	2.40	2.40	9.10	0.78	0.66	0.97	0.97	0.73	0.83	0.75
2	2019-12	31.37	24.79	9.95	7.73	4.23	3.19	2.50	2.54	8.13	0.84	0.75	0.90	0.87	0.74	0.77	0.70
3	2020-01	31.29	24.76	10.61	8.10	4.25	3.02	2.42	2.40	7.55	0.88	0.69	0.88	0.86	0.79	0.80	0.69
4	2020-02	30.91	25.89	10.98	7.80	4.31	2.89	2.36	2.34	7.06	0.89	0.70	0.81	0.77	0.78	0.80	0.69
5	2020-03	30.80	27.03	10.70	7.70	4.30	2.87	2.35	2.28	6.63	0.93	0.73	0.72	0.74	0.78	0.76	0.66
6	2020-04	30.41	28.79	10.28	7.60	4.20	2.75	2.51	2.28	5.84	0.90	0.75	0.69	0.71	0.80	0.76	0.70
7	2020-05	30.18	26.72	10.39	8.36	4.70	3.12	2.46	2.19	6.31	1.04	0.70	0.73	0.77	0.81	0.78	0.76
8	2020-06	31.06	25.26	10.69	8.55	4.65	3.18	2.57	2.11	6.39	1.04	0.68	0.74	0.75	0.77	0.78	0.75
9	2020-07	30.95	24.82	10.75	8.94	4.69	3.46	2.45	2.03	6.41	1.13	0.65	0.76	0.74	0.76	0.75	0.72
10	2020-08	31.04	25.15	10.73	8.90	4.69	3.38	2.39	1.96	6.31	1.18	0.63	0.74	0.72	0.75	0.73	0.70
11	2020-09	30.57	24.98	10.58	9.49	4.94	3.50	2.27	1.88	6.12	1.45	0.63	0.74	0.67	0.81	0.69	0.67
12	2020-10	30.25	26.53	10.44	9.67	4.83	2.54	2.21	1.79	6.04	1.55	0.63	0.69	0.65	0.85	0.67	0.64

df.melt(id_vars='Date')

	Date	variable	value
0	2019-10	Samsung	31.49
1	2019-11	Samsung	31.36
2	2019-12	Samsung	31.37
3	2020-01	Samsung	31.29
4	2020-02	Samsung	30.91
...	...	...	...
203	2020-06	Asus	0.75
204	2020-07	Asus	0.72
205	2020-08	Asus	0.70
206	2020-09	Asus	0.67
207	2020-10	Asus	0.64

208 rows × 3 columns

# show(fig)

예제3 (matplotlib)

• 상당히 raw한 dataset

df=pd.read_html('https://ko.wikipedia.org/wiki/%EB%8C%80%ED%95%9C%EB%AF%BC%EA%B5%AD%EC%9D%98_%EC%9D%B8%EA%B5%AC')[19]
df

	행정구역별	2021. 06		2015		2010		2005		2000
	행정구역별	비율	인구	비율	인구	비율	인구	비율	인구	비율	인구
0	전국	16.7	8652198	13.1	6775101	10.9	5506352	8.9	4324524	7.0	3355614
1	서울특별시	16.4	1568769	12.6	1262436	9.7	1002770	7.2	731349	5.4	558566
2	부산광역시	19.8	666644	14.6	514630	11.3	401784	8.3	302784	6.0	229075
3	대구광역시	17.0	408235	12.7	316122	10.0	252084	7.8	195419	5.9	149045
4	인천광역시	14.4	422658	10.7	312905	8.6	237805	6.9	178602	5.4	138316
5	광주광역시	14.5	208879	11.3	166389	9.0	130457	7.1	99389	5.6	77325
6	대전광역시	14.8	215997	10.9	165528	8.7	130245	6.9	99811	5.5	75769
7	울산광역시	13.1	147811	8.8	103205	6.8	76800	5.3	57797	4.0	42119
8	세종특별자치시	10.0	36194	10.6	22399	-	-	-	-	-	-
9	경기도	13.5	1825846	10.5	1318882	8.7	1022456	7.1	755511	5.7	524807
10	강원도	21.2	325579	16.9	261671	14.8	226505	12.1	183471	9.3	143945
11	충청북도	18.4	294530	14.8	234813	13.2	204470	11.3	168670	9.1	136160
12	충청남도	19.5	412504	16.4	341214	14.9	308556	13.3	261800	11.2	215059
13	전라북도	21.8	391178	17.8	333524	15.2	284373	12.9	243721	10.3	205807
14	전라남도	23.9	440014	20.5	391837	18.3	350900	15.6	306439	11.9	254370
15	경상북도	22.2	585088	17.7	479634	15.6	418858	13.4	360068	10.7	300614
16	경상남도	17.9	594154	13.8	464019	11.8	388648	10.2	323898	8.4	261303
17	제주특별자치도	16.0	108118	13.8	85893	12.2	69641	10.0	55795	8.0	43334

- 첫번째 row(=전국)는 일단 제외

df.iloc[1:]

	행정구역별	2021. 06		2015		2010		2005		2000
	행정구역별	비율	인구	비율	인구	비율	인구	비율	인구	비율	인구
1	서울특별시	16.4	1568769	12.6	1262436	9.7	1002770	7.2	731349	5.4	558566
2	부산광역시	19.8	666644	14.6	514630	11.3	401784	8.3	302784	6.0	229075
3	대구광역시	17.0	408235	12.7	316122	10.0	252084	7.8	195419	5.9	149045
4	인천광역시	14.4	422658	10.7	312905	8.6	237805	6.9	178602	5.4	138316
5	광주광역시	14.5	208879	11.3	166389	9.0	130457	7.1	99389	5.6	77325
6	대전광역시	14.8	215997	10.9	165528	8.7	130245	6.9	99811	5.5	75769
7	울산광역시	13.1	147811	8.8	103205	6.8	76800	5.3	57797	4.0	42119
8	세종특별자치시	10.0	36194	10.6	22399	-	-	-	-	-	-
9	경기도	13.5	1825846	10.5	1318882	8.7	1022456	7.1	755511	5.7	524807
10	강원도	21.2	325579	16.9	261671	14.8	226505	12.1	183471	9.3	143945
11	충청북도	18.4	294530	14.8	234813	13.2	204470	11.3	168670	9.1	136160
12	충청남도	19.5	412504	16.4	341214	14.9	308556	13.3	261800	11.2	215059
13	전라북도	21.8	391178	17.8	333524	15.2	284373	12.9	243721	10.3	205807
14	전라남도	23.9	440014	20.5	391837	18.3	350900	15.6	306439	11.9	254370
15	경상북도	22.2	585088	17.7	479634	15.6	418858	13.4	360068	10.7	300614
16	경상남도	17.9	594154	13.8	464019	11.8	388648	10.2	323898	8.4	261303
17	제주특별자치도	16.0	108118	13.8	85893	12.2	69641	10.0	55795	8.0	43334

- 서울~제주를 인덱스로 설정하고 다시 스택해보자

df.iloc[1:].columns 
# columns 이름이 튜플 형태로 저장되어 있음
# MultiIndex

MultiIndex([(   '행정구역별', '행정구역별'),
            ('2021. 06',    '비율'),
            ('2021. 06',    '인구'),
            (    '2015',    '비율'),
            (    '2015',    '인구'),
            (    '2010',    '비율'),
            (    '2010',    '인구'),
            (    '2005',    '비율'),
            (    '2005',    '인구'),
            (    '2000',    '비율'),
            (    '2000',    '인구')],
           )

df.iloc[1:].set_index(('행정구역별','행정구역별'))

	2021. 06		2015		2010		2005		2000
	비율	인구	비율	인구	비율	인구	비율	인구	비율	인구
(행정구역별, 행정구역별)
서울특별시	16.4	1568769	12.6	1262436	9.7	1002770	7.2	731349	5.4	558566
부산광역시	19.8	666644	14.6	514630	11.3	401784	8.3	302784	6.0	229075
대구광역시	17.0	408235	12.7	316122	10.0	252084	7.8	195419	5.9	149045
인천광역시	14.4	422658	10.7	312905	8.6	237805	6.9	178602	5.4	138316
광주광역시	14.5	208879	11.3	166389	9.0	130457	7.1	99389	5.6	77325
대전광역시	14.8	215997	10.9	165528	8.7	130245	6.9	99811	5.5	75769
울산광역시	13.1	147811	8.8	103205	6.8	76800	5.3	57797	4.0	42119
세종특별자치시	10.0	36194	10.6	22399	-	-	-	-	-	-
경기도	13.5	1825846	10.5	1318882	8.7	1022456	7.1	755511	5.7	524807
강원도	21.2	325579	16.9	261671	14.8	226505	12.1	183471	9.3	143945
충청북도	18.4	294530	14.8	234813	13.2	204470	11.3	168670	9.1	136160
충청남도	19.5	412504	16.4	341214	14.9	308556	13.3	261800	11.2	215059
전라북도	21.8	391178	17.8	333524	15.2	284373	12.9	243721	10.3	205807
전라남도	23.9	440014	20.5	391837	18.3	350900	15.6	306439	11.9	254370
경상북도	22.2	585088	17.7	479634	15.6	418858	13.4	360068	10.7	300614
경상남도	17.9	594154	13.8	464019	11.8	388648	10.2	323898	8.4	261303
제주특별자치도	16.0	108118	13.8	85893	12.2	69641	10.0	55795	8.0	43334

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack()

		2000	2005	2010	2015	2021. 06
(행정구역별, 행정구역별)
서울특별시	비율	5.4	7.2	9.7	12.6	16.4
	인구	558566	731349	1002770	1262436.0	1568769.0
부산광역시	비율	6.0	8.3	11.3	14.6	19.8
	인구	229075	302784	401784	514630.0	666644.0
대구광역시	비율	5.9	7.8	10.0	12.7	17.0
	인구	149045	195419	252084	316122.0	408235.0
인천광역시	비율	5.4	6.9	8.6	10.7	14.4
	인구	138316	178602	237805	312905.0	422658.0
광주광역시	비율	5.6	7.1	9.0	11.3	14.5
	인구	77325	99389	130457	166389.0	208879.0
대전광역시	비율	5.5	6.9	8.7	10.9	14.8
	인구	75769	99811	130245	165528.0	215997.0
울산광역시	비율	4.0	5.3	6.8	8.8	13.1
	인구	42119	57797	76800	103205.0	147811.0
세종특별자치시	비율	-	-	-	10.6	10.0
	인구	-	-	-	22399.0	36194.0
경기도	비율	5.7	7.1	8.7	10.5	13.5
	인구	524807	755511	1022456	1318882.0	1825846.0
강원도	비율	9.3	12.1	14.8	16.9	21.2
	인구	143945	183471	226505	261671.0	325579.0
충청북도	비율	9.1	11.3	13.2	14.8	18.4
	인구	136160	168670	204470	234813.0	294530.0
충청남도	비율	11.2	13.3	14.9	16.4	19.5
	인구	215059	261800	308556	341214.0	412504.0
전라북도	비율	10.3	12.9	15.2	17.8	21.8
	인구	205807	243721	284373	333524.0	391178.0
전라남도	비율	11.9	15.6	18.3	20.5	23.9
	인구	254370	306439	350900	391837.0	440014.0
경상북도	비율	10.7	13.4	15.6	17.7	22.2
	인구	300614	360068	418858	479634.0	585088.0
경상남도	비율	8.4	10.2	11.8	13.8	17.9
	인구	261303	323898	388648	464019.0	594154.0
제주특별자치도	비율	8.0	10.0	12.2	13.8	16.0
	인구	43334	55795	69641	85893.0	108118.0

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index()

	(행정구역별, 행정구역별)	level_1	2000	2005	2010	2015	2021. 06
0	서울특별시	비율	5.4	7.2	9.7	12.6	16.4
1	서울특별시	인구	558566	731349	1002770	1262436.0	1568769.0
2	부산광역시	비율	6.0	8.3	11.3	14.6	19.8
3	부산광역시	인구	229075	302784	401784	514630.0	666644.0
4	대구광역시	비율	5.9	7.8	10.0	12.7	17.0
5	대구광역시	인구	149045	195419	252084	316122.0	408235.0
6	인천광역시	비율	5.4	6.9	8.6	10.7	14.4
7	인천광역시	인구	138316	178602	237805	312905.0	422658.0
8	광주광역시	비율	5.6	7.1	9.0	11.3	14.5
9	광주광역시	인구	77325	99389	130457	166389.0	208879.0
10	대전광역시	비율	5.5	6.9	8.7	10.9	14.8
11	대전광역시	인구	75769	99811	130245	165528.0	215997.0
12	울산광역시	비율	4.0	5.3	6.8	8.8	13.1
13	울산광역시	인구	42119	57797	76800	103205.0	147811.0
14	세종특별자치시	비율	-	-	-	10.6	10.0
15	세종특별자치시	인구	-	-	-	22399.0	36194.0
16	경기도	비율	5.7	7.1	8.7	10.5	13.5
17	경기도	인구	524807	755511	1022456	1318882.0	1825846.0
18	강원도	비율	9.3	12.1	14.8	16.9	21.2
19	강원도	인구	143945	183471	226505	261671.0	325579.0
20	충청북도	비율	9.1	11.3	13.2	14.8	18.4
21	충청북도	인구	136160	168670	204470	234813.0	294530.0
22	충청남도	비율	11.2	13.3	14.9	16.4	19.5
23	충청남도	인구	215059	261800	308556	341214.0	412504.0
24	전라북도	비율	10.3	12.9	15.2	17.8	21.8
25	전라북도	인구	205807	243721	284373	333524.0	391178.0
26	전라남도	비율	11.9	15.6	18.3	20.5	23.9
27	전라남도	인구	254370	306439	350900	391837.0	440014.0
28	경상북도	비율	10.7	13.4	15.6	17.7	22.2
29	경상북도	인구	300614	360068	418858	479634.0	585088.0
30	경상남도	비율	8.4	10.2	11.8	13.8	17.9
31	경상남도	인구	261303	323898	388648	464019.0	594154.0
32	제주특별자치도	비율	8.0	10.0	12.2	13.8	16.0
33	제주특별자치도	인구	43334	55795	69641	85893.0	108118.0

- 시각화를 위해서 비율만 선택하도록 하자.

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index().\
query('level_1=="비율"')

	(행정구역별, 행정구역별)	level_1	2000	2005	2010	2015	2021. 06
0	서울특별시	비율	5.4	7.2	9.7	12.6	16.4
2	부산광역시	비율	6.0	8.3	11.3	14.6	19.8
4	대구광역시	비율	5.9	7.8	10.0	12.7	17.0
6	인천광역시	비율	5.4	6.9	8.6	10.7	14.4
8	광주광역시	비율	5.6	7.1	9.0	11.3	14.5
10	대전광역시	비율	5.5	6.9	8.7	10.9	14.8
12	울산광역시	비율	4.0	5.3	6.8	8.8	13.1
14	세종특별자치시	비율	-	-	-	10.6	10.0
16	경기도	비율	5.7	7.1	8.7	10.5	13.5
18	강원도	비율	9.3	12.1	14.8	16.9	21.2
20	충청북도	비율	9.1	11.3	13.2	14.8	18.4
22	충청남도	비율	11.2	13.3	14.9	16.4	19.5
24	전라북도	비율	10.3	12.9	15.2	17.8	21.8
26	전라남도	비율	11.9	15.6	18.3	20.5	23.9
28	경상북도	비율	10.7	13.4	15.6	17.7	22.2
30	경상남도	비율	8.4	10.2	11.8	13.8	17.9
32	제주특별자치도	비율	8.0	10.0	12.2	13.8	16.0

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index().\
query('level_1=="비율"').set_index(('행정구역별','행정구역별'))

	level_1	2000	2005	2010	2015	2021. 06
(행정구역별, 행정구역별)
서울특별시	비율	5.4	7.2	9.7	12.6	16.4
부산광역시	비율	6.0	8.3	11.3	14.6	19.8
대구광역시	비율	5.9	7.8	10.0	12.7	17.0
인천광역시	비율	5.4	6.9	8.6	10.7	14.4
광주광역시	비율	5.6	7.1	9.0	11.3	14.5
대전광역시	비율	5.5	6.9	8.7	10.9	14.8
울산광역시	비율	4.0	5.3	6.8	8.8	13.1
세종특별자치시	비율	-	-	-	10.6	10.0
경기도	비율	5.7	7.1	8.7	10.5	13.5
강원도	비율	9.3	12.1	14.8	16.9	21.2
충청북도	비율	9.1	11.3	13.2	14.8	18.4
충청남도	비율	11.2	13.3	14.9	16.4	19.5
전라북도	비율	10.3	12.9	15.2	17.8	21.8
전라남도	비율	11.9	15.6	18.3	20.5	23.9
경상북도	비율	10.7	13.4	15.6	17.7	22.2
경상남도	비율	8.4	10.2	11.8	13.8	17.9
제주특별자치도	비율	8.0	10.0	12.2	13.8	16.0

df_=df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index().\
query('level_1=="비율"').set_index(('행정구역별','행정구역별')).iloc[:,1:].T 
df_
# matplotlib로 그리려면 .T해줘야 함
# for wide form

(행정구역별, 행정구역별)	서울특별시	부산광역시	대구광역시	인천광역시	광주광역시	대전광역시	울산광역시	세종특별자치시	경기도	강원도	충청북도	충청남도	전라북도	전라남도	경상북도	경상남도	제주특별자치도
2000	5.4	6.0	5.9	5.4	5.6	5.5	4.0	-	5.7	9.3	9.1	11.2	10.3	11.9	10.7	8.4	8.0
2005	7.2	8.3	7.8	6.9	7.1	6.9	5.3	-	7.1	12.1	11.3	13.3	12.9	15.6	13.4	10.2	10.0
2010	9.7	11.3	10.0	8.6	9.0	8.7	6.8	-	8.7	14.8	13.2	14.9	15.2	18.3	15.6	11.8	12.2
2015	12.6	14.6	12.7	10.7	11.3	10.9	8.8	10.6	10.5	16.9	14.8	16.4	17.8	20.5	17.7	13.8	13.8
2021. 06	16.4	19.8	17.0	14.4	14.5	14.8	13.1	10.0	13.5	21.2	18.4	19.5	21.8	23.9	22.2	17.9	16.0

df_.info()

<class 'pandas.core.frame.DataFrame'>
Index: 5 entries, 2000 to 2021. 06
Data columns (total 17 columns):
 #   Column   Non-Null Count  Dtype 
---  ------   --------------  ----- 
 0   서울특별시    5 non-null      object
 1   부산광역시    5 non-null      object
 2   대구광역시    5 non-null      object
 3   인천광역시    5 non-null      object
 4   광주광역시    5 non-null      object
 5   대전광역시    5 non-null      object
 6   울산광역시    5 non-null      object
 7   세종특별자치시  5 non-null      object
 8   경기도      5 non-null      object
 9   강원도      5 non-null      object
 10  충청북도     5 non-null      object
 11  충청남도     5 non-null      object
 12  전라북도     5 non-null      object
 13  전라남도     5 non-null      object
 14  경상북도     5 non-null      object
 15  경상남도     5 non-null      object
 16  제주특별자치도  5 non-null      object
dtypes: object(17)
memory usage: 720.0+ bytes

- 세종시의 - 가 문제가 될듯 $\to$ 자료형도 이상함

- 데이터프레임의 모든 원소에 변환을 수행해야 한다. (applymap)

• 문자형을 숫자형으로 바꾸라
• 그런데 문자가 - 라면 None으로 바꿔라

df_2=df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index().\
query('level_1=="비율"').set_index(('행정구역별','행정구역별')).iloc[:,1:].T.\
applymap(lambda x: float(x) if x!='-' else None)
df_2

(행정구역별, 행정구역별)	서울특별시	부산광역시	대구광역시	인천광역시	광주광역시	대전광역시	울산광역시	세종특별자치시	경기도	강원도	충청북도	충청남도	전라북도	전라남도	경상북도	경상남도	제주특별자치도
2000	5.4	6.0	5.9	5.4	5.6	5.5	4.0	NaN	5.7	9.3	9.1	11.2	10.3	11.9	10.7	8.4	8.0
2005	7.2	8.3	7.8	6.9	7.1	6.9	5.3	NaN	7.1	12.1	11.3	13.3	12.9	15.6	13.4	10.2	10.0
2010	9.7	11.3	10.0	8.6	9.0	8.7	6.8	NaN	8.7	14.8	13.2	14.9	15.2	18.3	15.6	11.8	12.2
2015	12.6	14.6	12.7	10.7	11.3	10.9	8.8	10.6	10.5	16.9	14.8	16.4	17.8	20.5	17.7	13.8	13.8
2021. 06	16.4	19.8	17.0	14.4	14.5	14.8	13.1	10.0	13.5	21.2	18.4	19.5	21.8	23.9	22.2	17.9	16.0

df_2.info()

<class 'pandas.core.frame.DataFrame'>
Index: 5 entries, 2000 to 2021. 06
Data columns (total 17 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   서울특별시    5 non-null      float64
 1   부산광역시    5 non-null      float64
 2   대구광역시    5 non-null      float64
 3   인천광역시    5 non-null      float64
 4   광주광역시    5 non-null      float64
 5   대전광역시    5 non-null      float64
 6   울산광역시    5 non-null      float64
 7   세종특별자치시  2 non-null      float64
 8   경기도      5 non-null      float64
 9   강원도      5 non-null      float64
 10  충청북도     5 non-null      float64
 11  충청남도     5 non-null      float64
 12  전라북도     5 non-null      float64
 13  전라남도     5 non-null      float64
 14  경상북도     5 non-null      float64
 15  경상남도     5 non-null      float64
 16  제주특별자치도  5 non-null      float64
dtypes: float64(17)
memory usage: 720.0+ bytes

• 전에 존재했던 세종특별자치시의 3개의 - 값은 NaN값으로 들어갔고 자료형도 float형태로 바뀐 것을 알 수 있음

- 이제 그리자

import warnings 
warnings.filterwarnings('ignore')
df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().reset_index().\
query('level_1=="비율"').set_index(('행정구역별','행정구역별')).iloc[:,1:].T.\
applymap(lambda x: float(x) if x!='-' else None).\
plot.area(figsize=(10,10))

<AxesSubplot:>

예제2 (plotly)

- plotly 그리기 위해서우선 타이디한 자료를 만들자.

df

	행정구역별	2021. 06		2015		2010		2005		2000
	행정구역별	비율	인구	비율	인구	비율	인구	비율	인구	비율	인구
0	전국	16.7	8652198	13.1	6775101	10.9	5506352	8.9	4324524	7.0	3355614
1	서울특별시	16.4	1568769	12.6	1262436	9.7	1002770	7.2	731349	5.4	558566
2	부산광역시	19.8	666644	14.6	514630	11.3	401784	8.3	302784	6.0	229075
3	대구광역시	17.0	408235	12.7	316122	10.0	252084	7.8	195419	5.9	149045
4	인천광역시	14.4	422658	10.7	312905	8.6	237805	6.9	178602	5.4	138316
5	광주광역시	14.5	208879	11.3	166389	9.0	130457	7.1	99389	5.6	77325
6	대전광역시	14.8	215997	10.9	165528	8.7	130245	6.9	99811	5.5	75769
7	울산광역시	13.1	147811	8.8	103205	6.8	76800	5.3	57797	4.0	42119
8	세종특별자치시	10.0	36194	10.6	22399	-	-	-	-	-	-
9	경기도	13.5	1825846	10.5	1318882	8.7	1022456	7.1	755511	5.7	524807
10	강원도	21.2	325579	16.9	261671	14.8	226505	12.1	183471	9.3	143945
11	충청북도	18.4	294530	14.8	234813	13.2	204470	11.3	168670	9.1	136160
12	충청남도	19.5	412504	16.4	341214	14.9	308556	13.3	261800	11.2	215059
13	전라북도	21.8	391178	17.8	333524	15.2	284373	12.9	243721	10.3	205807
14	전라남도	23.9	440014	20.5	391837	18.3	350900	15.6	306439	11.9	254370
15	경상북도	22.2	585088	17.7	479634	15.6	418858	13.4	360068	10.7	300614
16	경상남도	17.9	594154	13.8	464019	11.8	388648	10.2	323898	8.4	261303
17	제주특별자치도	16.0	108118	13.8	85893	12.2	69641	10.0	55795	8.0	43334

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack()

		2000	2005	2010	2015	2021. 06
(행정구역별, 행정구역별)
서울특별시	비율	5.4	7.2	9.7	12.6	16.4
	인구	558566	731349	1002770	1262436.0	1568769.0
부산광역시	비율	6.0	8.3	11.3	14.6	19.8
	인구	229075	302784	401784	514630.0	666644.0
대구광역시	비율	5.9	7.8	10.0	12.7	17.0
	인구	149045	195419	252084	316122.0	408235.0
인천광역시	비율	5.4	6.9	8.6	10.7	14.4
	인구	138316	178602	237805	312905.0	422658.0
광주광역시	비율	5.6	7.1	9.0	11.3	14.5
	인구	77325	99389	130457	166389.0	208879.0
대전광역시	비율	5.5	6.9	8.7	10.9	14.8
	인구	75769	99811	130245	165528.0	215997.0
울산광역시	비율	4.0	5.3	6.8	8.8	13.1
	인구	42119	57797	76800	103205.0	147811.0
세종특별자치시	비율	-	-	-	10.6	10.0
	인구	-	-	-	22399.0	36194.0
경기도	비율	5.7	7.1	8.7	10.5	13.5
	인구	524807	755511	1022456	1318882.0	1825846.0
강원도	비율	9.3	12.1	14.8	16.9	21.2
	인구	143945	183471	226505	261671.0	325579.0
충청북도	비율	9.1	11.3	13.2	14.8	18.4
	인구	136160	168670	204470	234813.0	294530.0
충청남도	비율	11.2	13.3	14.9	16.4	19.5
	인구	215059	261800	308556	341214.0	412504.0
전라북도	비율	10.3	12.9	15.2	17.8	21.8
	인구	205807	243721	284373	333524.0	391178.0
전라남도	비율	11.9	15.6	18.3	20.5	23.9
	인구	254370	306439	350900	391837.0	440014.0
경상북도	비율	10.7	13.4	15.6	17.7	22.2
	인구	300614	360068	418858	479634.0	585088.0
경상남도	비율	8.4	10.2	11.8	13.8	17.9
	인구	261303	323898	388648	464019.0	594154.0
제주특별자치도	비율	8.0	10.0	12.2	13.8	16.0
	인구	43334	55795	69641	85893.0	108118.0

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().applymap(lambda x: float(x) if x!='-' else None).\
stack()

(행정구역별, 행정구역별)              
서울특별시           비율  2000             5.4
                    2005             7.2
                    2010             9.7
                    2015            12.6
                    2021. 06        16.4
                                  ...   
제주특별자치도         인구  2000         43334.0
                    2005         55795.0
                    2010         69641.0
                    2015         85893.0
                    2021. 06    108118.0
Length: 164, dtype: float64

df.iloc[1:].set_index(('행정구역별','행정구역별')).stack().applymap(lambda x: float(x) if x!='-' else None).\
stack().reset_index()

	(행정구역별, 행정구역별)	level_1	level_2	0
0	서울특별시	비율	2000	5.4
1	서울특별시	비율	2005	7.2
2	서울특별시	비율	2010	9.7
3	서울특별시	비율	2015	12.6
4	서울특별시	비율	2021. 06	16.4
...	...	...	...	...
159	제주특별자치도	인구	2000	43334.0
160	제주특별자치도	인구	2005	55795.0
161	제주특별자치도	인구	2010	69641.0
162	제주특별자치도	인구	2015	85893.0
163	제주특별자치도	인구	2021. 06	108118.0

164 rows × 4 columns

_df = _

_df.columns = pd.Index(['city','type','year','value'])

_df

	city	type	year	value
0	서울특별시	비율	2000	5.4
1	서울특별시	비율	2005	7.2
2	서울특별시	비율	2010	9.7
3	서울특별시	비율	2015	12.6
4	서울특별시	비율	2021. 06	16.4
...	...	...	...	...
159	제주특별자치도	인구	2000	43334.0
160	제주특별자치도	인구	2005	55795.0
161	제주특별자치도	인구	2010	69641.0
162	제주특별자치도	인구	2015	85893.0
163	제주특별자치도	인구	2021. 06	108118.0

164 rows × 4 columns

- 이제 그려보자.

# show(fig)

즉 와이드 폼(.T 활용)은 plot이용해서 그릴 때, 타이디한 롱폼은 backend를 plotly로 그릴 때

T 활용해서 타이디 데이터 만들 수도 있음