Seaborn을 활용한 실내 공기질 데이터 시각화하기

03 Nov 2023

seaborn

공기질은 우리의 건강과 편안함에 중요한 역할을 합니다. 이번 블로그 포스트에서는 Seaborn 데이터 시각화 라이브러리를 사용하여 실내 공기질 데이터를 시각화하는 방법을 알아보겠습니다.

데이터 소개

이 예제에서는 실내 공기질을 측정하는 센서로부터 수집된 데이터를 사용합니다. 데이터에는 다양한 변수들이 포함되어 있으며, 대표적으로 온도, 습도, 이산화탄소 농도 등이 있습니다. 이러한 변수들을 사용하여 실내 공기질을 평가하고 시각화해보겠습니다.

데이터 전처리

데이터를 시각화하기 전에 먼저 전처리를 수행해야 합니다. 전처리에는 결측치 처리, 이상치 제거, 변수 스케일링 등이 포함될 수 있습니다. 이 예제에서는 간단한 전처리만 수행하도록 하겠습니다.

import pandas as pd

# 데이터 불러오기
data = pd.read_csv('air_quality.csv')

# 결측치 처리
data = data.dropna()

# 이상치 제거
data = data[(data['CO2'] < 1000) & (data['Temperature'] > 0)]

# 변수 스케일링
data['Temperature'] = (data['Temperature'] - data['Temperature'].mean()) / data['Temperature'].std()
data['CO2'] = (data['CO2'] - data['CO2'].mean()) / data['CO2'].std()
data['Humidity'] = (data['Humidity'] - data['Humidity'].mean()) / data['Humidity'].std()

시각화하기

시각화를 위해 Seaborn 라이브러리를 사용합니다. Seaborn은 Matplotlib에 기반한 시각화 도구로, 다양한 테마와 스타일을 제공하여 데이터를 더욱 효과적으로 시각화할 수 있습니다.

import seaborn as sns

# 변수 간의 상관관계 시각화
sns.pairplot(data[['Temperature', 'Humidity', 'CO2']])

# 변수별 분포 시각화
sns.histplot(data['Temperature'], kde=True)
sns.histplot(data['Humidity'], kde=True)
sns.histplot(data['CO2'], kde=True)

# 변수 간의 상관관계 히트맵 시각화
sns.heatmap(data[['Temperature', 'Humidity', 'CO2']].corr(), annot=True, cmap='coolwarm')

요약

이 블로그 포스트에서는 Seaborn 라이브러리를 사용하여 실내 공기질 데이터를 시각화하는 방법을 알아보았습니다. 데이터 전처리 후 변수 간의 상관관계, 분포, 히트맵을 통해 공기질 데이터를 살펴볼 수 있습니다.

Seaborn의 다양한 기능과 설정을 활용하여 데이터를 더욱 잘 시각화할 수 있으니, 자세한 내용은 공식 문서를 참고해보세요.

참고문헌

목차

데이터 소개

데이터 전처리

시각화하기

요약