당신은 주제를 찾고 있습니까 “파이썬 시각화 라이브러리 – 파이썬 Python으로 다양한 시각화 라이브러리 사용하기 – matplotlib, seaborn, pandas, ggplot, plotnine, plot.ly, Bokeh“? 다음 카테고리의 웹사이트 you.tfvp.org 에서 귀하의 모든 질문에 답변해 드립니다: https://you.tfvp.org/blog/. 바로 아래에서 답을 찾을 수 있습니다. 작성자 오늘코드todaycode 이(가) 작성한 기사에는 조회수 9,123회 및 좋아요 151개 개의 좋아요가 있습니다.
파이썬 시각화 라이브러리 주제에 대한 동영상 보기
여기에서 이 주제에 대한 비디오를 시청하십시오. 주의 깊게 살펴보고 읽고 있는 내용에 대한 피드백을 제공하세요!
d여기에서 파이썬 Python으로 다양한 시각화 라이브러리 사용하기 – matplotlib, seaborn, pandas, ggplot, plotnine, plot.ly, Bokeh – 파이썬 시각화 라이브러리 주제에 대한 세부정보를 참조하세요
# 파이썬 데이터 시각화 라이브러리 소개
[https://colab.research.google.com/notebooks/charts.ipynb](https://colab.research.google.com/notebooks/charts.ipynb)[Matplotlib: Python plotting — Matplotlib 3.1.1 documentation](https://matplotlib.org/)
[Visualization — pandas 0.25.0 documentation](https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html)
[seaborn: statistical data visualization — seaborn 0.9.0 documentation](https://seaborn.pydata.org/index.html)
[A Grammar of Graphics for Python — plotnine 0.5.1 documentation](https://plotnine.readthedocs.io/en/stable/)
[Python Graphing Library, Plotly](https://plot.ly/python/)
[Welcome to Bokeh — Bokeh 1.3.0 documentation](https://bokeh.pydata.org/en/latest/)
👉 페이스북 : https://www.fb.com/todaycode
👉 인스타그램 : https://www.instagram.com/_todaycode/
* 아래 URL과 쿠폰코드로 할인금액으로 수강하실 수 있습니다.
————————————————
모든 유료 강의 쿠폰코드 👉 https://bit.ly/inflearn-today-coupon-code
————————————————
🌱 인프런 📈 증권 데이터 수집과 분석으로 신호와 소음 찾기 🔎 전체 보기 👉 http://bit.ly/inflearn-finace-data ( 쿠폰코드: 3083-a12fb4ddd2d4 )
🌱 인프런 📊 공공데이터로 파이썬 데이터 분석 시작하기 💻 전체 보기 👉 https://bit.ly/inflearn-public-data-eda (쿠폰코드 : 3084-4e27fa1575a4 )
🌱 인프런 📝 단 두 장의 문서로 데이터 분석과 시각화 뽀개기⚡️ 전체 보기 👉 https://bit.ly/inflearn-pandas-tutorial (쿠폰코드 : 3085-6040d593c7e9 )
🌱 인프런 📚 영화리뷰 감정 분석을 통한 파이썬 텍스트 분석과 자연어 처리 👉 https://bit.ly/inflearn-nlp-tutorial
파이썬 시각화 라이브러리 주제에 대한 자세한 내용은 여기를 참조하세요.
Python에서 데이터 시각화하는 다양한 방법 – 어쩐지 오늘은
Python에서 데이터 시각화할 때 사용하는 다양한 라이브러리를 정리한 글입니다 데이터 분석가들은 주로 Python(또는 R, SQL)을 가지고 데이터 분석을 …
Source: zzsza.github.io
Date Published: 2/18/2022
View: 5610
[Python] 데이터 시각화 라이브러리 (Plotly) – 그럴수있다
Python 에는 데이터를 시각화할 수 있는 여러가지 Library가 있다. Matplotlib, Seaborn, Plotly… 예전에는 Matplotlib 를 사용했었는데, …
Source: alsoand.tistory.com
Date Published: 12/23/2021
View: 1442
Matplotlib Tutorial – 파이썬으로 데이터 시각화하기 – WikiDocs
이 책은 파이썬의 대표적인 데이터 시각화 라이브러리인 Matplotlib의 사용법을 소개합니다. 30여 개 이상의 다양한 주제에 대해 100개 이상의 예제와 …
Source: wikidocs.net
Date Published: 11/25/2021
View: 5211
Seaborn 라이브러리를 활용한 시각화 Best 8 – 세종대왕
데이터를 분석하려면 먼저 데이터를 이해해야 합니다. 데이터 시각화는 데이터를 이해하는 가장 좋은 방법 중 하나입니다. Python의 Matplotlib 및 …
Source: zzinnam.tistory.com
Date Published: 1/28/2022
View: 7502
[Python] 시각화 라이브러리를 활용한 Data Visualization 예제
파이썬 시각화 라이브러리. – seaborn. Matplotlib을 기반으로 다양한 색상 테마와 통계용 차트 등의 기능을 추가한 시각화 패키지 …
Source: velog.io
Date Published: 8/4/2022
View: 8210
상위 10개 최고의 PYTHON 그래프 라이브러리 – 블로그 – Quish
데이터의 쉽고 빠른 집계, 조작 및 시각화를 위해 Pandas는 확실히 눈에 띕니다. 유연하고 강력한 Python용 데이터 분석/조작 라이브러리, R data.frame 객체, …
Source: ko.quish.tv
Date Published: 8/29/2022
View: 6239
[Python] 데이터 시각화 Seaborn 라이브러리 (feat. Jupyter …
데이터 시각화를 손쉽게 도와주는 Seaborn은 matplotlib를 기반으로 하는 Python 데이터 시각화 라이브러리이다. 통계 그래픽을 그리기 위한 고급 …
Source: dwbutter.com
Date Published: 7/19/2021
View: 8751
3편. Seaborn 그래프 종류 총 정리(ft. Relational plots)
2021.08.18 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_2편. Seaborn 학습을 위한 데이터 셋 3종 소개 (ft.
Source: coding-kindergarten.tistory.com
Date Published: 9/21/2021
View: 2766
20. 데이터 시각화 라이브러리 – 씨본 – 브런치
지난 번 글에서 파이썬의 시각화 라이브러리 맷플랏립(Matplotlib)의 기본 사용법에 대해 알아봤다면 이번 글에서는 씨본(Seaborn)이라는 또 다른 …
Source: brunch.co.kr
Date Published: 10/16/2021
View: 119
파이썬 시각화 라이브러리 참고 사이트
3. 복잡한 그래프를 짧은 코드로 만들어준다. 의 장점을 가진 파이썬 시각화 라이브러리 Plotly. 파이썬으로 인터랙티브 그래프를 짧은 코드로 만들어 …
Source: learning-sarah.tistory.com
Date Published: 10/13/2021
View: 3615
주제와 관련된 이미지 파이썬 시각화 라이브러리
주제와 관련된 더 많은 사진을 참조하십시오 파이썬 Python으로 다양한 시각화 라이브러리 사용하기 – matplotlib, seaborn, pandas, ggplot, plotnine, plot.ly, Bokeh. 댓글에서 더 많은 관련 이미지를 보거나 필요한 경우 더 많은 관련 기사를 볼 수 있습니다.
주제에 대한 기사 평가 파이썬 시각화 라이브러리
- Author: 오늘코드todaycode
- Views: 조회수 9,123회
- Likes: 좋아요 151개
- Date Published: 2019. 7. 29.
- Video Url link: https://www.youtube.com/watch?v=NFwWUu96rzI
[Python] 데이터 시각화 라이브러리 (Plotly)
Python 에는 데이터를 시각화할 수 있는 여러가지 Library가 있다.
Matplotlib, Seaborn, Plotly…
예전에는 Matplotlib 를 사용했었는데, 최근에 와서는 Plotly 를 주로 사용중이다.
Plotly 는 Live 한 그래프로 작성되어
– 마우스오버를 하면 데이터 값을 볼 수 있고,
– 구간을 확대해서 볼 수도 있어
데이터 추세를 파악하기 더 편해서 요즘은 거의 Plotly를 사용중이다.
Plotly에는 크게 두가지의 데이터 표현 방식이 있다.
Px(Plotly.express)와 go(Plotly.graph_objects ) 사용방식이다.
같은 그래프를 그리더라도 두가지 방식으로 표현이 가능하다
1. Px : Plotly.express
간편하게 한줄로 표현할 수 있다.
간단한 그래프를 그리기엔 좋지만 추가적인 작업을 더 해야되는 상황이 오면 일이 좀 복잡해진다.
2. Go : Plotly.graph_objects
px보단 덜 간단하지만 복잡한 그래프를 그릴 때 사용하기 더 편리하다.
그래서 데이터 탐색 시 간단한 그래프는 px로 그리고
보고서를 만들어야 되는 경우에는 go를 주로 사용 중이다.
아래에서 다양한 예제를 보고 이용해보기를 권한다.
정말 신세계다👍
https://plotly.com/python/
Matplotlib Tutorial – 파이썬으로 데이터 시각화하기
도서 소개
이 책은 파이썬의 대표적인 데이터 시각화 라이브러리인 Matplotlib의 사용법을 소개합니다.
30여 개 이상의 다양한 주제에 대해 100개 이상의 예제와 함께 파이썬을 이용해서 데이터를 시각화하는 기초를 다지기 위한 내용을 담았습니다.
온라인 서점 구입 (2021년 개정) 예스24: 바로가기
Matplotlib 소개
Matplotlib은 데이터 시각화와 2D 그래프 플롯에 사용되는 파이썬 라이브러리입니다.
Matplotlib을 이용하면 아래 그림과 같이 다양한 유형의 그래프를 간편하게 그릴 수 있습니다.
Matplotlib의 간단한 사용법을 소개하고, 예제와 함께 다양한 그래프를 그려봅니다.
예제들은 Matplotlib 공식 홈페이지를 참고해서 만들었습니다.
순서는 아래와 같습니다.
Contents
00. Matplotlib 설치하기
01. Matplotlib 기본 사용
02. Matplotlib 숫자 입력하기
03. Matplotlib 축 레이블 설정하기
04. Matplotlib 범례 표시하기
05. Matplotlib 축 범위 지정하기
06. Matplotlib 선 종류 지정하기
07. Matplotlib 마커 지정하기
08. Matplotlib 색상 지정하기
09. Matplotlib 그래프 영역 채우기
10. Matplotlib 축 스케일 지정하기
11. Matplotlib 여러 곡선 그리기
12. Matplotlib 그리드 설정하기
13. Matplotlib 눈금 표시하기
14. Matplotlib 타이틀 설정하기
15. Matplotlib 수평선/수직선 표시하기
16. Matplotlib 막대 그래프 그리기
17. Matplotlib 수평 막대 그래프 그리기
18. Matplotlib 산점도 그리기
19. Matplotlib 3차원 산점도 그리기
20. Matplotlib 히스토그램 그리기
21. Matplotlib 에러바 그리기
22. Matplotlib 파이 차트 그리기
23. Matplotlib 히트맵 그리기
24. Matplotlib 여러 개의 그래프 그리기
25. Matplotlib 컬러맵 설정하기
26. Matplotlib 텍스트 삽입하기
27. Matplotlib 수학적 표현 사용하기
28. Matplotlib 그래프 스타일 설정하기
29. Matplotlib 이미지 저장하기
30. Matplotlib 객체 지향 인터페이스 1
31. Matplotlib 객체 지향 인터페이스 2
32. Matplotlib 축 위치 조절하기
33. Matplotlib 이중 Y축 표시하기
34. Matplotlib 두 종류의 그래프 그리기
35. Matplotlib 박스 플롯 그리기
36. Matplotlib 바이올린 플롯 그리기
37. Matplotlib 다양한 도형 삽입하기
38. Matplotlib 다양한 패턴 채우기
Seaborn 라이브러리를 활용한 시각화 Best 8
데이터를 분석하려면
먼저 데이터를 이해해야 합니다.
데이터 시각화는 데이터를 이해하는
가장 좋은 방법 중 하나입니다.
Python의 Matplotlib 및 Seaborn은
일반적으로 데이터를 시각화하는 데
사용하는 라이브러리입니다.
Matplotlib 라이브러리를 활용한
기초적인 데이터 시각화 방법은
아래 포스팅 글을 참고하세요.
이번 포스팅에서는 Seaborn에 대해 알아보고
실제 적용해보도록 하겠습니다.
먼저 Seaborn이 무엇이며,
설치 방법에 대해 알아보겠습니다.
다음으로
산점도, 히스토그램, 막대 플롯, 상자 플롯,
바이올린 플롯, 패싯 그리드,
페어 플롯 및 히트맵을
예시로 그리는 방법을 보여 드리겠습니다.
Seaborn 라이브러리?
Seaborn은 Matplotlib에 구축된
데이터 시각화를 위한
Python 라이브러리입니다.
Matplotlib은 2D 및 3D 그래프를
그리는 데 사용되며
Seaborn은 통계 그래프를
그리는 데 사용됩니다.
Seaborn은 Matplotlib를 기반으로 하기 때문에
이 두 라이브러리를 함께 사용하여
매우 강력한 시각화를 생성할 수 있습니다.
다음 명령으로
Seaborn 라이브러리를 설치할 수 있습니다.
pip install seaborn
Anaconda를 설치하면
Seaborn이 자동으로 설치됩니다.
Seaborn을 설치한 후 사용하려면
이 라이브러리를 가져와야 합니다.
import seaborn as sns
이번 포스팅에서는 iris data를
사용하겠습니다.
위에 업로드된 데이터를
읽어 드립니다.
import pandas as pd
import seaborn as sns
irisData = pd.read_csv(“D:/Python_apply/iris.csv”)
irisData.head()
데이터셋의 구조를 보겠습니다.
irisData.shape
150 rows와 7개의 columns으로
구성되어 있습니다.
Seaborn에는 사용할 수 있는
몇 가지 테마가 있습니다.
set_theme 메서드를 사용하여
이러한 테마를 제어할 수 있습니다.
테마를 제어합시다.
이를 위해 rc 매개변수를 사용하겠습니다.
sns.set_theme()
# 그래픽의 이미지 품질 설정
sns.set(rc={“figure.dpi”:300})
# 그래픽 크기 설정
sns.set(rc = {“figure.figsize”:(6,3)})
이제 통계 플롯에 대해
자세히 알아보겠습니다.
1) Scatter Plot
데이터를 이해하는 가장 좋은 기술은
산점도입니다.
산점도는
변수 간의 관계를 표시하는 데 사용됩니다.
붓꽃 종류별 꽃잎의 길이와 폭의
산점도를 살펴보겠습니다.
sns.scatterplot( x = “SepalLength”,
y = “SepalWidth”,
data = irisData,
hue = “Species” )
꽃잎의 길이는 x축에 있고,
꽃잎의 폭은 y축에 있습니다.
산점도에서 붓꽃 종류들이
어떻게 다른지 알 수 있습니다.
2) Histogram
산점도를 사용하여 붓꽃 종류에 대한
몇 가지 정보를 보았습니다.
두 번째로 보여드릴 그래프 유형은
히스토그램 플롯입니다.
히스토그램 플롯은
데이터의 분포를 보여줍니다.
히스토그램 플롯을 사용하여
하나 이상의 변수의 분포를
볼 수 있습니다.
이제 histplot 함수를 사용하여
꽃받침의 길이를 살펴보겠습니다.
sns.histplot(x = “PetalLength”, data = irisData)
히스토그램은 구간 내에 속하는
관측치의 수를 계산합니다.
y 인수로 히스토그램 플롯을
90도 회전할 수 있습니다.
sns.histplot(data = irisData, y=”PetalLength”)
히스토그램에서 사각형의 너비를
제어할 수 있습니다.
이를 위해 bindwidth 매개변수를
사용할 수 있습니다.
sns.histplot(data = irisData, x = “PetalLength”, binwidth = 0.5)
확률 분포 곡선을 나타내는 kde를
히스토그램 플롯에 추가할 수도 있습니다.
sns.histplot(data = irisData, x = “PetalLength”, kde = True)
hue 매개변수를 사용하여
범주의 히스토그램을 볼 수 있습니다.
sns.histplot(data = irisData, x = “PetalLength”, hue = “Species”)
이 그림에서 붓꽃 종류를 보여주는 범주의
히스토그램을 볼 수 있습니다.
3) Barplot
막대 그림은 각 직사각형의 높이가 있는
숫자 변수의 중심 경향 추정치를 나타냅니다.
붓꽃 종류의 꽃받침의 폭을
보여주는 막대 그림을 보겠습니다.
sns.barplot(x = “Species”, y = “PetalWidth”, data = irisData)
기본적으로 막대는
값의 평균을 기반으로 계산됩니다.
추정치 매개변수를 사용하여 평균 대신
다른 통계를 사용할 수 있습니다.
hue 매개변수를 사용하여
그룹에 따른 붓꽃 종류의
꽃받침의 길이를 확인하겠습니다.
sns.barplot( x = “Species”,
y = “PetalLength”,
data = irisData,
hue = “group”)
4) Box plot
상자 그림은 범주형 변수 수준 간의
수치 데이터 분포를 비교하는 데 사용됩니다.
붓꽃 종류별 꽃잎의 길이 분포를 보겠습니다.
sns.boxplot(x = “Species”, y = “SepalLength”, data = irisData)
여기에서 상자는
데이터의 사분위수를 보여줍니다.
수염의 길이는 나머지 분포를 나타냅니다.
min-max 이외의 값은 이상치로
생각할 수 있습니다.
hue 매개변수를 사용하여
그룹에 따른 붓꽃 종류별
꽃잎의 길이의 상자 그림을 볼 수 있습니다.
sns.boxplot(x = “Species”, y = “SepalLength”, data = irisData, hue = “group”)
5) Viloin plot
바이올린 플롯은 상자 플롯으로
생각할 수 있습니다.
이 플롯은 범주형 변수 간의 수치 분포를
비교하는 데 사용됩니다.
sns.violinplot(x = “Species”, y = “SepalLength”, data = irisData)
hue 매개변수를 사용하여
그룹에 따른 꽃잎의 길이의
바이올린 플롯을 볼 수도 있습니다.
sns.violinplot(x = “Species”, y = “SepalLength”, data = irisData, hue = “group”)
바이올린 플롯은 group 변수에 따라
별도로 그려졌습니다.
이제는 하나의 그래프에
여러 그래프를 그리는 방법을 살펴보겠습니다.
6) Facet Grid
패싯 그리드를 사용하여
데이터세트의 다양한 하위 집합에 대한
그리드 그래프를 볼 수 있습니다.
예를 들어 group과 Species 변수에 따른
꽃잎 길이의 히스토그램 플롯을
그려보겠습니다.
Figure에 더 많은 서브플롯을 추가하기 위해
열 및 행 변수를 할당해 보겠습니다.
먼저 행과 열에 포함될 변수를 지정하겠습니다.
sns.FacetGrid(data = irisData, col = “Species”, row = “group”)
이 명령을 실행하면
Species 변수에는 3개의 범주가 있고,
group 변수에는 2개의 범주(2*3 = 6)가
있기 때문에 6개의 하위 영역이 생성되었습니다.
모든 패싯에 플롯을 그리려면
데이터 프레임에 있는 하나 이상의
열 이름과 함수를 FacetGrid.map
메서드에 전달합니다.
예를 들어 꽃잎 길이의
히스토그램을 살펴보겠습니다.
sns.FacetGrid(data = irisData, col = “Species”, row = “group”).map(sns.histplot, “SepalLength”)
모든 패싯에서
다른 플롯을 그릴 수도 있습니다.
예를 들어 꽃잎 길이의
산점도를 살펴보겠습니다.
sns.FacetGrid(data = irisData, col = “Species”, row = “group”).map(sns.histplot, “SepalLength”, kde = True)
7. Pair plot
변수 간의 쌍 관계를 확인하는 것은
데이터 분석의 중요한 단계 중 하나입니다.
pairplot 방법을 사용하여
변수의 쌍 관계를 볼 수 있습니다.
이 함수는 데이터 세트의 각 숫자 변수에 대한
교차 도표를 생성합니다.
데이터 세트에서 붓꽃 종류에 따른
수치변수 쌍을 살펴보겠습니다.
sns.pairplot(data = irisData.iloc[:,1:len(irisData.columns)-1], hue = “Species”, height = 3)
변수가 수치이기 때문에 확률 밀도 함수는
그래프의 대각선 축에 자동으로 그려집니다.
diag_kind 매개변수를 사용하여
대각선 축에 히스토그램을 표시할 수 있습니다.
sns.pairplot(data = irisData.iloc[:,1:len(irisData.columns)-1],
hue = “Species”,
height = 3,
diag_kind = “hist”)
8. Heatmap
마지막으로 히트맵을 살펴보겠습니다.
히트맵을 사용하여
숫자 변수 간의 상관관계를
볼 수 있습니다.
이것을 보기 위해 corr 함수를 사용합니다.
sns.heatmap(data = irisData.iloc[:,1:len(irisData.columns)-1].corr())
이 그래프에서 수치 변수 간의
관계를 볼 수 있습니다.
annot(ation) 매개변수를 사용하여
각 셀의 숫자 값을 볼 수도 있습니다.
sns.heatmap(data = irisData.iloc[:,1:len(irisData.columns)-1].corr(), annot = True)
Conclusion
데이터를 분석하기 전에
데이터를 탐색하는 것이 매우 중요합니다.
데이터 시각화는 데이터 과학 프로젝트의
중요한 단계 중 하나입니다.
이번 포스팅에서는
seaborn을 사용한 데이터 시각화에 대해
알아보았습니다.
matplotlib 보다 조금 더 쉬운
명령어 형태로 그래프를
그릴 수 있는 것 같아 보입니다.
[Python] 시각화 라이브러리를 활용한 Data Visualization 예제
tips = sns . load_dataset ( ‘tips’ ) print ( tips ) > 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 x 7 columns ] sns . boxplot ( x = ‘sex’ , y = ‘total_bill’ , hue = ‘day’ , data = tips ) plt . show ( )
상위 10개 최고의 Python 그래프 라이브러리
Python은 데이터 산업에서 계속 발전하고 있으며 최근 몇 년 동안 유용한 라이브러리가 개발되어 시장에 배포되었습니다.
엔지니어와 데이터 과학자를 포함하는 이 개발의 큰 승자는 다음 Python 그래프 라이브러리를 증명할 것입니다.
과학 및 엔지니어링 분야에 전념하는 SciPy는 수치 루틴을 위한 신뢰할 수 있는 라이브러리를 제공합니다.
SciPy의 특정 모듈 및 하위 모듈을 사용하여 통계, 최적화, 선형 대수 및 수치 적분에 대해 효율적으로 작업합니다.
데이터의 쉽고 빠른 집계, 조작 및 시각화를 위해 Pandas는 확실히 눈에 띕니다.
유연하고 강력한 Python용 데이터 분석/조작 라이브러리, R data.frame 객체, 통계 함수 등과 유사한 레이블이 지정된 데이터 구조 제공
데이터 랭글링을 위한 이상적인 도구인 Pandas는 간단하고 직관적인 디자인으로 관계형 데이터와 레이블이 지정된 데이터를 손쉽게 작업할 수 있습니다.
Numerical Python 전체, NumPy는 마주하는 모든 과학적 작업을 처리할 수 있는 방법을 제공하는 Python 라이브러리입니다.
NumPy에서 많은 기능을 찾을 수 있으며 n-배열 연산, n-배열 행렬을 처리할 수 있으며 수학 연산 벡터화를 위해 NumPy 배열을 적용할 수도 있습니다. 난수 기능, 푸리에 변환 및 선형 대수학에 매우 편리합니다.
이 최고의 Python 라이브러리는 단순할 뿐만 아니라 강력한 시각화를 생성합니다. 맞춤형 기능을 통해 Matplotlib는 범례, 그리드 및 레이블 또는 기타 엔터티를 쉽게 생성합니다.
어려운 것을 가능하게 하고 쉬운 것을 더 쉽게 만드는 것을 목표로 하여 몇 줄의 코드로 막대 차트, 플롯, 오류 차트, 히스토그램, 산점도, 전력 스펙트럼 등을 생성할 수 있습니다.
이것은 고도의 대화형 시각화에 중점을 둔 우아한 시각화 라이브러리입니다. Bokeh의 합리적이고 매력적인 프레젠테이션 스타일은 Data-Driven Documents를 기반으로 하며 최신 웹 브라우저를 통해 이루어집니다.
Python에서 브라우저의 대화형 데이터 시각화
Bokeh는 땀 흘리지 않고 대화형 데이터 응용 프로그램, 대화형 플롯 및 대시보드를 만드는 데 도움이 됩니다.
Seaborn은 통계 모델을 위한 시각적 개체 생성에 중점을 둔 파이썬 라이브러리입니다. 예는 데이터 요약이지만 전체 분포를 표시하는 히트 맵입니다.
matplotlib를 사용한 통계 데이터 시각화
높은 수준의 인터페이스를 통해 Seaborn은 매우 매력적인 통계 그래픽을 제공합니다.
TensorFlow를 사용하면 데이터 흐름 그래프를 사용하여 계산을 수행하여 확장 가능한 기계 학습을 수행합니다.
모두를 위한 오픈 소스 머신 러닝 프레임워크
TensorFlow의 아키텍처는 유연하고 코드를 다시 작성하지 않으므로 모바일 장치, 데스크톱 또는 서버 내의 여러 CPU 또는 GPU에 계산을 배포할 수 있습니다.
Plotly는 웹 기반 시각화를 생성하도록 구축되었으며 이 도구를 사용하려면 API 키를 설정해야 합니다.
Python용 오픈 소스 대화형 그래프 라이브러리(Plotly Express 포함) :sparkles:
Plotly를 사용하면 웹을 통해 대화형 그래프 또는 시각화를 작성, 편집 및 공유할 수 있습니다.
위의 목록에는 인기 있는 Python 그래프 라이브러리가 대부분 포함되어 있지만 매일 더 많이 개발되고 있습니다.
#파이썬 #프로그래밍 #개발
[Python] 데이터 시각화 Seaborn 라이브러리 (feat. Jupyter Notebook)
728×90
반응형
데이터 시각화를 손쉽게 도와주는 Seaborn은 matplotlib를 기반으로 하는 Python 데이터 시각화 라이브러리이다.
통계 그래픽을 그리기 위한 고급 인터페이스를 제공한다.
Seaborn 라이브러리에 대한 정보는 아래 사이트에서 참고!
https://seaborn.pydata.org/
Seaborn 라이브러리를 이용해서 여러가지 그래프를 만들어보자
histogram
box plot
violin plot
strip plot
swarm plot
scatter plot
kde plot
lm plot
[ 예시 1 ]body.csv 0.01MB
body.csv 를 다운받아서 Jupyter notebook 루트 폴더에 data 폴더를 만들어 거기에 넣어둔다
쥬피터 노트북에 아래와 같이 코드를 작성한다.
import pandas as pd #pandas 라이브러리 불러옴 import seaborn as sns #seaborn 라이브러리 불러옴 body_df = pd.read_csv(‘data/body.csv’, index_col = 0) #csv 불러옴 body_df.head() #body_df 라는 데이터프레임 위 5행 보여줌
실행화면 >
우선 plot 별 코드를 확인해보자
body_df.plot(kind =’hist’, y=’Height’) #kind = ‘hist’ 히스토그램 그리겠다는 의미 body_df.plot(kind =’box’, y=’Height’) #kind = ‘box’ 박스플롯 그리겠다는 의미 sns.violinplot(y=body_df[‘Height’]) #violinplot body_df.plot(kind =’scatter’, x=’Height’, y=’Weight’) #scatter plot sns.kdeplot(body_df[‘Height’]) # Height 에 대한 kde plot sns.kdeplot(body_df[‘Weight’]) # Weight 에 대한 kde plot sns.lmplot(data=body_df, x=’Height’, y=’Weight’) # scatter 와 추세선이 합쳐진 lm plot
plot 별 결과 확인
[ 예시 2 ]laptops.csv 0.01MB
laptops.csv 를 다운받아서 Jupyter notebook data 폴더에 넣는다.
쥬피터 노트북에 아래와 같이 코드를 작성한다.
import pandas as pd import seaborn as sns laptops_df = pd.read_csv(‘data/laptops.csv’) laptops_df.head()
실행화면 >
‘os’ 칼럼에 unique 한 요소들을 알아낸다 (중복 제거)
laptops_df[‘os’].unique()
실행화면 >
plot 별 코드를 확인해보자
sns.catplot(data=laptops_df, x=’os’, y=’price’, kind=’box’) # box plot sns.catplot(data=laptops_df, x=’os’, y=’price’, kind=’violin’) # violin plot #strip plot kind=’strip’생략 가능 sns.catplot(data=laptops_df, x=’processor_brand’, y=’price’, kind=’strip’) # os 관련 strip plot 인데 processor_brand 를 색깔로 구분해줌 sns.catplot(data=laptops_df, x=’os’, y=’price’, kind=’strip’, hue=’processor_brand’) # stip plot 에서 점이 뭉쳐있는 부분을 겹치지 않게 펼쳐줌 swarm plot sns.catplot(data=laptops_df, x=’os’, y=’price’, kind=’swarm’, hue=’processor_brand’)
plot 별 결과 확인
반응형
[Python/Seaborn] 데이터 시각화 라이브러리_3편. Seaborn 그래프 종류 총 정리(ft. Relational plots)
반응형
안녕하세요, 왕초보 코린이를 위한 코딩유치원에 오신 것을 환영합니다.
코딩유치원에서는 파이썬 기초부터 사무자동화, 웹크롤링, 데이터 분석 등의 다양한 패키지까지 초보자도 알기 쉽도록 내용을 정리해 놓았습니다.
업무는 물론 투자에도 도움이 될만한 전자공시시스템(DART)나 텔레그램(Telegram) 관련 패키지도 배울 수 있으니 많은 관심 부탁드립니다.
2021.08.08 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_1편. Seaborn 소개
2021.08.18 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_2편. Seaborn 학습을 위한 데이터 셋 3종 소개 (ft. 붓꽃, 타이타닉, 팁 데이터 셋)
2021.08.19 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_3편. Seaborn 그래프 종류 총 정리(ft. Relational plots)
2021.08.22 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_4편. Seaborn 그래프 종류 총 정리(ft. Distribution plots)
2021.08.23 – [파이썬 패키지/데이터시각화] – [Python/Seaborn] 데이터 시각화 라이브러리_5편. Seaborn 그래프 종류 총 정리(ft. Categorical plots)
이번 시간에는 예전에 배워봤던 matplotlib 기반으로 만들어진, 하지만 더 강력한 데이터 시각화 기능을 가지고 있는 seaborn에 대해서 배워보겠습니다.
오늘부터 seaborn의 그래프들을 공식문서에 소개된 차례대로 공부해보겠습니다.
공식문서에 나오는 그래프를 아래와 같이 정리해보았으니, seaborn의 큰그림을 그릴 때 도움이 되시리라 생각합니다.
그래프 종류 (대분류) 그래프 종류 (소분류) 설명 1 Relational plots relplot, scatterplot, lineplot 두가지 변수(x, y)의 관계를 나타내기 위한 그래프 2 Distribution plots displot, hisplot, kdeplot, ecdfplot, rugplot, distplot 변수 하나(x or y) 혹은 변수 두개 (x,y)의 값 분포를 나타내기 위한 그래프 3 Categorical plots catplot, stripplot, swarmplot, boxplot, violinplot, boxenplot, pointplot, barplot, countplot 범주형 변수 (ex. Male/Female, Yes/No)와 연속형 변수(숫자) 간의 관계를 나타내기 위한 그래프 4 Regression plots Implot, regplot, residplot 회귀(regression) 분석 결과를 relational p lots과 함께 나타내주는 그래프 5 Matrix plots heatmap, clustermap 연속형 변수(숫자) 간의 관계 비율을 2차원 메트릭스로 만들고 그 비율에 따라 색을 입혀서 시각화 6 Multi-plot grids FacetGrid, pairplot, PairGrid, jointplot, JointGrid 여러 그래프를 함께 그려 한눈에 비교하기 위한 그래프
모든 그래프를 한 번에 공부하기엔 너무 양이 많으므로, 이번 시간에는 Relational plots과 Distribution plots에 대해서만 다루어보겠습니다. 데이터 셋은 지난 시간에 배웠던 데이터 셋 중, tips에 대한 데이터 셋을 이용할 예정입니다.
그래프를 그려보기 위해서 관련 라이브러리와 데이터 셋을 불러오겠습니다. 이번 시간에도 개발환경은 역시 Jupyter Notebook입니다.
# 관련 라이브러리 불러오기 import matplotlib.pyplot as plt import pandas as pd import numpy as np import seaborn as sns # 데이터 셋 불러오기 tips = sns.load_dataset(“tips”) tips
Relational plots
가장 먼저 배워볼 그래프는 관계형 그래프(Relational plots) 입니다. 우리가 흔히 아는 Line 그래프도 x와 y의 관계를 그려주는 관계형 그래프의 한 종류입니다.
Relational plots에는 크게 라인 그래프(lineplot)와 산점도 그래프(scatterplot)으로 나뉘며, 이 둘을 합친 개념인 relplot이 있습니다.
나중에 자세히 설명드리겠지만 relplot의 파라미터로 kind=”scatter” 혹은 “line”을 입력해주시면 두 그래프를 relplot을 이용하여 동일하게 사용가능합니다. 즉, replot = lineplot + scatterplot인 것이죠!
1. scatterplot
먼저 sctterplot을 알아보겠습니다. scatterplot을 그려주기 위해서는 3가지 파라미터가 꼭 필요합니다.
– x축 데이터 컬럼명
– y축 데이터 컬럼명
– 데이터 셋
ax = sns.scatterplot(x=’total_bill’, y=’tip’, data=tips)
우리는 해당 그래프로 레스토랑에서 전체 식사비용(total_bill)에 따른 팁(tip)을 얼마나 지불했는지를 파악할 수 있습니다.
색 구분 옵션 (hue)
scatterplot은 정말 다양한 파라미터를 설정해줄 수 있지만 핵심적이라고 생각하는 hue와 style, 두 가지만 설명드리겠습니다.
hue는 의미에 따라서 점의 색깔을 다르게 표시하는 기능을 갖고 있습니다. 코드로 확인해보시죠.
ax = sns.scatterplot(x=’total_bill’, y=’tip’, hue=’time’ data=tips)
hue 파라미터에 범주형 데이터(Lunch/Dinner)의 컬럼명(‘time’)을 입력함으로써 점심/저녁 식사에 따라 데이터를 구분해줄 수 있습니다.
왼쪽 위를 보면 자동으로 범례(Legend)가 들어가 있네요. matplotlib에서는 따로 설정을 해주어야 했는데 말이죠.
모양 구분 옵션 (style)
데이터를 하나 더 추가하여 더욱 세분화 해서 표현하고 싶으시다면 style 파라미터를 이용해보세요.
hue가 색이었다면 style은 마커의 모양을 의미합니다.
ax = sns.scatterplot(x=’total_bill’, y=’tip’, hue=’day’, style=’time’, data=tips)
2. lineplot
line 그래프는 데이터가 연속적일 경우 주로 사용합니다. tip 데이터 셋은 연속데이터가 아니므로 새로운 데이터 셋을 가져와보겠습니다.
해당 데이터셋은 fmri라는 데이터 셋으로, fmri(기능적 자기 공명영상)은 혈류와 관련된 변화를 감지하여 뇌 활동을 측정한 데이터입니다.
데이터 셋의 의미를 깊게 파악하기보다는 lineplot의 기능을 간단히 설명드리고 넘어가도록 하겠습니다.
먼저 데이터 셋을 불러와줍니다.
fmri = sns.load_dataset(‘fmri’) fmri
lineplot으로 ‘timepoint’와 ‘signal’의 관계를 그려볼텐데 데이터 셋을 얼핏 보면 timepoint 값 중에 18이 여러개 있는 것을 보았을 때, 우리가 흔히 아는 라인 그래프랑은 다르게 나올 것 같네요.
ax = sns.lineplot(x=’timepoint’, y=’signal’, data=fmri)
x에 대한 y값이 여러개여서 아래와 같이 하나의 선이 아닌 범위(?) 그래프가 그려졌습니다.
이러한 그래프는 seaborn 라인 그래프의 장점으로, 짙은 선은 추정 회귀선(Estimated regression line), 옅은 하늘색 영역은 신뢰구간(Confidence interval)을 나타냅니다.
lineplot 역시 hue와 style 파라미터를 설정해줄 수 있습니다. Marker도 나타낼 수 있습니다.
ax = sns.lineplot(x=’timepoint’, y=’signal’, hue=’event’, style=’event’, markers=True, data=fmri)
3. relplot
relplot은 앞서 설명했듯이 파라미터로 kind=”scatter” 혹은 “line”을 입력해주시면 두 그래프를 relplot을 이용하여 동일하게 사용가능합니다. 기본값은 “scatter” 이므로 라인 그래프를 그리고 싶을 때만 설정값을 넣어주시면 됩니다.
ax = sns.relplot(x=’total_bill’, y=’tip’, kind=’scatter’, hue=’time’, data=tips)
단순히 lineplot과 scatterplot을 합쳐놓은거라면 굳이 relplot라는 함수를 만들어 놓은 이유는 없겠죠?
나중에 배우겠지만 relplot은 return 값이 FaceGrid고, lineplot와 scatterplot는 return 값이 AxesSubplot이라고 합니다.
쉽게 말해 relplot은 여러 그래프를 한 번에 그려줄 수 있고, 나머지 두 함수는 그래프 하나씩만 표현 할 수 있답니다.
<참고 자료>
https://seaborn.pydata.org/generated/seaborn.relplot.html#seaborn.relplot
https://medium.com/geekculture/how-to-use-seaborn-in-python-to-visualize-the-fmri-dataset-ae89381157ea
반응형
20. 데이터 시각화 라이브러리 – 씨본
지난 번 글에서 파이썬의 시각화 라이브러리 맷플랏립(Matplotlib)의 기본 사용법에 대해 알아봤다면 이번 글에서는 씨본(Seaborn)이라는 또 다른 파이썬 시각화 라이브러리에 대해 배워보자.
씨본은 맷플랏집을 기반으로 만들어졌지만 다양한 색상 테마와 통계용 차트 기능이 추가되어 맷플랏립보다 처음부터 있어 보이는 그래프를 만들 수 있다고 했다. 맷플랏립이 데이터프레임에서 데이터를 직접 선택하거나 계산해서 그래프를 그리는 반면, 씨본은 이미 통계용 그래프로 만들어져 있어 어떤 통계적 차트인지 그 성격을 잘 알고 사용하는 것이 다라고 할 수 있다. (* 단, 더 잘 꾸미는 것은 별도)
이번 글에서는 원하는 씨본 그래프를 적재적소에 사용할 수 있도록 다양한 씨본 그래프의 기본적인 개념과 사용법에 대해 알아보도록 하자.
맷플랏립으로 그린 그래프 vs. 씨본으로 그린 그래프
1차원 그래프
씨본을 연습할 데이터로 씨본에서 제공하는 내장 데이터인 붓꽃 데이터(Iris dataset)를 불러와 보자. 붓꽃 데이터는 붓꽃의 꽃받침너비, 꽃받침높이, 꽃잎너비, 꽃잎길이 등의 4가지 특성에 따라 붓꽃을 최종적으로 3가지 종으로 분류하는 데이터 셋이다.
붓꽃 데이터(Iris dataset)
먼저 1차원 그래프이다. 1차원 그래프는 특정 한 개 컬럼의 데이터의 분포를 알 수 있는 그래프로, 참고로 데이터 분석에 있어 데이터 유형은 몇 개의 한정된 값을 가지는 범주형 데이터(Categorical Data)와 실수형 값을 가진 수치형 데이터(Numerical Data)로 나눌 수 있는데, 주로 수치형 데이터의 분포를 파악하기 위해 사용할 수 있다.
러그플롯은 데이터의 실제 위치를 x축 위의 작은 선분(rug)로 나타내어 데이터의 분포를 보여준다.
rugplot
커널밀도(kernel density)는 데이터 분포를 직사각형으로 나타내는 히스토그램보다 부드러운 곡선의 형태로 나타내는 곡선 히스토그램이라 할 수 있다.
kdeplot
디스트플롯은 히스토그램과 함께 앞서 본 러스, 커널밀도를 표시하느 기능도 있어 데이터 분포를 살피는 데 있어 가장 많이 사용된다.
distplot
카운트플롯은 특정 컬럼의 데이터(고유값)가 나온 횟수를 세어주는 그래프로, 판다스에서 value_counts() 함수의 기능이라 할 수 있다. 데이터 별로 나온 개수를 세어주는 거니까 주로 범주형 데이터를 가진 컬럼에 대해 사용할 수 있을 것이다.
countplot
2차원 그래프
2차원 그래프는 두 데이터의 상관관계를 시각적으로 파악할 수 있는 그래프로, 먼저 두 데이터 모두 수치형 데이터인 경우 스캐터플롯을 사용해 두 데이터의 각각의 분포는 물론 두 데이터의 상관관계도 파악할 수 있다. 씨본에서는 jointplot을 사용해 인수 가운데 kind를 ‘scatter’로 설정함으로써 스캐터플롯을 그릴 수 있다.
pairplot은 데이터프레임 전체를 인수로 받아 각 칼럼의 조합에 대해 스캐터플롯을 그린다. 데이터 프레임에 실수형이 아닌 범주형 데이터가 섞여 있어도 그래프는 그려지지만 두 개 모두 실수형인 경우 스캐터플롯이 그려지고 그 외의 경우 살펴보면 알겠지만 별 의미없는 그래프가 될 수 있다. 같은 컬럼이 만나는 대각선에는 스캐터플롯 대신 히스토그램이 그려진다.
pairplot
둘 다 모두 한정된 데이터 값을 가지는 범주형 데이터라면? heatmap을 사용해 상관관계를 알아볼 수 있다. heatmap은 말그대로 ‘열지도’로 해당되는 데이터가 많거나 높은 경우 색으로 직관적으로 할 수 있는 시각화 그래프이다.
붓꽃 데이터는 모두 실수형 데이터와 1개의 범주형 데이터를 가지고 있어 또 다른 데이터 세트인 플라이트 데이터를 불어와서 히트맵을 그려보자. 데이터를 불러왔다면 앞서 한 것처럼 그냥 컬럼을 지정해 사용하는 것이 아니라 나타내고자 하는 두 개의 범주형 데이터를 중심으로 새로운 피봇 테이블을 만들고 해당 데이터 프레임 전체를 히트맵 인수로 넣어주어야 한다. (* 자세한 내용은 아래 연습하러 가기 링크를 누르고 실습할 수 있다.)
heatmap
아니면 숫자 쌍에 대해 상관관계를 반환하는.corr() 함수를 사용해 컬럼 간 상관관계를 (정말 간단히) 계산한 뒤 히트맵을 그릴 수도 있다. 이 경우 데이터 프레임 전체 혹은 원하는 컬럼들을 선택해 히트맵을 그릴 수 있는데 데이터프레임 전체를 선택한다고 해도 수 데이터를 가진 컬럼들만을 분석해 상관관계를 보여준다.
여기서 수 데이터란 실수형 데이터를 가진 비단 수치형 컬럼 뿐만 아니라 몇 가지 값으로 한정된 범주형 컬럼이라도 숫자 데이터로 이뤄진 컬럼이라면 같이 분석해 준다. 두 데이터의 상관계수는 -1에서 1까지 표시되는데 1에 가까울 수록 두 데이터 간 상관관계가 높다는 뜻이다.
.corr() 함수를 이용한 heatmap
마지막으로 하나는 범주형 데이터, 하나는 수치형 데이터인 경우 2차원 그래프이다. 이는 범주형 데이터의 값에 따라 실수형 데이터의 값들의 통계적 수치를 표시할 수 있는 그래프로 barplot, boxplot, violinplot, swamplot 등이 있다.
barplot은 범주형 데이터의 값에 따라 실수형 데이터의 평균과 표준편차를 표시하는 막대 그래프이다.
barplot
boxplot은 범주형 데이터의 값에 따라 실수형 데이터의 중앙값과 사분범위를 나타내는 그래프이다. 박스는 실수값의 분포에서 1사분위수(1Q)와 3사분위수(3Q)를 뜻하고 박스 내부의 가로선은 중앙값이다. 3Q와 1Q의 차이를 IQR(사분범위)이라고 하는데 박스 외부의 세로선은 1사분위 수에서 1.5 x IQR 만큼 낮은 값과 3사분위수에서 1.5 x IQR 만큼 높은 값까지 범위를 표시한 것이다. 이를 벗어나는 그 바깥의 점은 이상치(outlier)로 일일히 점으로 표시한다.
boxplot
violinplot은 범주형 데이터 값에 따라 실수형 데이터의 분포를 세로 방향의 커널밀도 히스토그램으로 그려주는 데 왼쪽과 오른쪽이 대칭이 되도록하여 바이올린처럼 보인다.
violinplot
swamplot은 범주형 데이터 값에 따라 실수형 데이터의 분포를 스캐터플롯처럼 점으로 찍어 나타내준다.
swarmplot
3차원 그래프
끝으로 앞서 배운 2차원 그래프에 인수를 추가함으로써 3차원 그래프를 그릴 수 있다. 즉, 2차원 실수형 또는 2차원 복합형에는 hue 파라미터에 범주형 데이터를 추가할 수 있고, 2차원 범주형 데이터로 이뤄진 그래프인 히트맵에는 hue에 실수형 데이터를 추가해 실수값의 변화를 볼 수 있다. ‘hue’는 색깔이라는 뜻으로 데이터에 색깔을 다르게 한다는 뜻이다.
3차원 그래프
* 씨본 라이브러리 연습하러 가기
* 참고자료
1. 씨본 (https://seaborn.pydata.org/)
2. 데이터사이언스 스쿨, 씨본을 사용한 데이터 분포 시각화
파이썬 시각화 라이브러리 참고 사이트
1. 데이터 투 비즈 (www.data-to-viz.com)
– 데이터 타입이 수치형 / 범주형 / 혼합형 / 시계열 등인지에 따라 어떤 그래프를 그리는 것이 좋을지 한눈에 보기 좋게 정리한 사이트
1. R과 비슷하다
2. 인터랙티브 그래프를 만들기 쉽다
3. 복잡한 그래프를 짧은 코드로 만들어준다
의 장점을 가진 파이썬 시각화 라이브러리 Plotly. 파이썬으로 인터랙티브 그래프를 짧은 코드로 만들어준다.
1. 문법이 쉽다.
2. 데이터 집계가 편하다.
3. 그래프 끼리의 연결이 편하다.
는 장점을 가진 Altair. 그러나 디폴트 그래프가 Seaborn이나 Plotly만큼 그리 예쁘지 않다는 단점이 있다.
– 지도와 마커를 그리기 쉬운 인터랙티브 지도 시각화 라이브러리. 히트맵과 같은 플러그인도 제공해준다.
키워드에 대한 정보 파이썬 시각화 라이브러리
다음은 Bing에서 파이썬 시각화 라이브러리 주제에 대한 검색 결과입니다. 필요한 경우 더 읽을 수 있습니다.
이 기사는 인터넷의 다양한 출처에서 편집되었습니다. 이 기사가 유용했기를 바랍니다. 이 기사가 유용하다고 생각되면 공유하십시오. 매우 감사합니다!
사람들이 주제에 대해 자주 검색하는 키워드 파이썬 Python으로 다양한 시각화 라이브러리 사용하기 – matplotlib, seaborn, pandas, ggplot, plotnine, plot.ly, Bokeh
- 머신러닝
- Machine Learning
- 기계학습
- 데이터분석
- EDA
- 데이터 시각화
- 파이썬
- 판다스
- matplotlib
- seaborn
- ggplot
- plotnine
- plot.ly
- Bokeh
- pandas
파이썬 #Python으로 #다양한 #시각화 #라이브러리 #사용하기 #- #matplotlib, #seaborn, #pandas, #ggplot, #plotnine, #plot.ly, #Bokeh
YouTube에서 파이썬 시각화 라이브러리 주제의 다른 동영상 보기
주제에 대한 기사를 시청해 주셔서 감사합니다 파이썬 Python으로 다양한 시각화 라이브러리 사용하기 – matplotlib, seaborn, pandas, ggplot, plotnine, plot.ly, Bokeh | 파이썬 시각화 라이브러리, 이 기사가 유용하다고 생각되면 공유하십시오, 매우 감사합니다.
