본문으로 바로가기

강의

Python으로 데이터 시각화 개선하기

중급기술 수준

업데이트됨 2026. 1.

결과를 효율적이고 효과적으로 전달하는 데 도움이 되는 매력적이고 설득력 있는 시각화 자료를 구성하는 방법을 배우십시오.

무료로 강의 시작

PythonData Visualization

4시간

15 동영상

54 연습 문제

4,650 XP

19,173

성취 증명서

수천 개 기업의 학습자들이 사랑하는

팀을 교육하시나요?

비즈니스용으로 체험해 보세요

강의 설명

훌륭한 데이터 시각화는 임팩트 있는 데이터 과학의 핵심입니다. 시각화는 데이터에서 인사이트를 발견하고, 그 인사이트를 대상자에게 효과적으로 전달하도록 도와줍니다. 데이터 과학자가 되어 가는 과정에서 누구나 기본적인 산점도나 막대 그래프를 만드는 법은 배우지만, 데이터 시각화의 진정한 잠재력은 한발 물러서서 무엇을, 왜, 어떻게 시각화할지 고민할 때 발휘됩니다. 이 과정에서는 분석 결과를 신속하고 효과적으로 전달하는 매력적이고 설득력 있는 시각화를 만드는 방법을 배웁니다. 데이터 비교, 색상의 활용 요령, 불확실성 표현, 그리고 미국 전역의 대기 오염과 파머스 마켓 데이터셋을 탐구하면서 대상자에 맞는 올바른 시각화를 구성하는 법을 다룹니다. 마지막에는 공개된 파머스 마켓 데이터를 검토해 완성도 높고 임팩트 있는 시각화 보고서를 만들어 보겠습니다.

선수 조건

Python Toolbox Introduction to Data Visualization with Matplotlib Introduction to Data Visualization with Seaborn

1

Highlighting Your Data

How do you show all of your data while making sure that viewers don't miss an important point or points? Here we discuss how to guide your viewer through the data with color-based highlights and text. We also introduce a dataset on common pollutant values across the United States.

Highlighting data

Hardcoding a highlight

Programmatically creating a highlight

Comparing groups

Comparing with two KDEs

Improving your KDEs

Annotations

A basic text annotation

Arrow annotations

Combining annotations and color

2

Using Color in Your Visualizations

Color is a powerful tool for encoded values in data visualization. However, with this power comes danger. In this chapter, we talk about how to choose an appropriate color palette for your visualization based upon the type of data it is showing.

Color in visualizations

Getting rid of unnecessary color

Fixing Seaborn's bar charts

Continuous color palettes

Making a custom continuous palette

Customizing a diverging palette heatmap

Adjusting your palette according to context

Categorical palettes

Using a custom categorical palette

Dealing with too many categories

Coloring ordinal categories

Choosing the right variable to encode with color

3

Showing Uncertainty

Uncertainty occurs everywhere in data science, but it's frequently left out of visualizations where it should be included. Here, we review what a confidence interval is and how to visualize them for both single estimates and continuous functions. Additionally, we discuss the bootstrap resampling technique for assessing uncertainty and how to visualize it properly.

Point estimate intervals

Basic confidence intervals

Annotating confidence intervals

Confidence bands

Making a confidence band

Separating a lot of bands

Cleaning up bands for overlaps

90, 95, and 99% intervals

90 and 95% bands

Using band thickness instead of coloring

Visualizing the bootstrap

The bootstrap histogram

Bootstrapped regressions

Lots of bootstraps with beeswarms

4

Visualization in the Data Science Workflow

Often visualization is taught in isolation, with best practices only discussed in a general way. In reality, you will need to bend the rules for different scenarios. From messy exploratory visualizations to polishing the font sizes of your final product; in this chapter, we dive into how to optimize your visualizations at each step of a data science workflow.

First explorations

Looking at the farmers market data

Scatter matrix of numeric columns

Digging in with basic transforms

Exploring the patterns

Is latitude related to months open?

What state is the most market-friendly?

Popularity of goods sold by state

Making your visualizations efficient

Stacking to find trends

Using a plot as a legend

Tweaking your plots

Cleaning up the background

Remixing a plot

Enhancing legibility

Python으로 데이터 시각화 개선하기

강의
완료

수료증 획득

LinkedIn 프로필, 이력서 또는 CV에 이 인증서를 추가하세요
소셜 미디어와 성과 평가에서 공유하세요지금 등록

19백만 명 이상의 학습자와 함께 Python으로 데이터 시각화 개선하기을(를) 시작하세요!

DataCamp for Mobile을 통해 데이터 분석 능력을 향상시키세요.

모바일 강좌와 매일 5분 코딩 챌린지를 통해 이동 중에도 학습 효과를 높이세요.