Matplotlib 연습

 

 

 

Matplotlib 연습

데이터는 가상의 데이터임니다. matplotlib을 연습을 위해서....맞춰서 복사한것임.

 

In [1]:

import pandas as pd
import numpy as np

 

In [2]:

df = pd.read_csv('./data/APT_2013_2021_11.csv', encoding='UTF-8')
df.head()

 

Out[2]:

	Unnamed: 0	지역명	연도	월	평당분양가격
0	1	서울	2013	12	18189.0
1	2	부산	2013	12	8111.0
2	3	대구	2013	12	8080.0
3	4	인천	2013	12	10204.0
4	5	광주	2013	12	6098.0

 

In [3]:

df.info()

 

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1613 entries, 0 to 1612
Data columns (total 5 columns):
 #   Column      Non-Null Count  Dtype  
---  ------      --------------  -----  
 0   Unnamed: 0  1613 non-null   int64  
 1   지역명         1613 non-null   object 
 2   연도          1613 non-null   int64  
 3   월           1613 non-null   int64  
 4   평당분양가격      1547 non-null   float64
dtypes: float64(1), int64(3), object(1)
memory usage: 63.1+ KB

 

In [4]:

df_pivot = df.pivot_table('평당분양가격', '연도', '지역명')
df_pivot

 

Out[4]:

지역명	강원	경기	경남	경북	광주	대구	대전	부산	서울	세종	울산	인천	전남	전북	제주	충남	충북
연도
2013	6230.000000	10855.000000	6473.000000	6168.000000	6098.000000	8080.000000	8321.000000	8111.000000	18189.000000	7601.000000	8090.000000	10204.000000	5678.000000	6282.000000	7674.000000	6365.000000	6589.0000
2014	6332.500000	10509.083333	6728.750000	6536.500000	7587.833333	8286.083333	8240.333333	9180.166667	18997.250000	8085.333333	8361.666667	10074.833333	5718.916667	6362.333333	7855.166667	6681.583333	6620.0000
2015	6855.308333	10487.800000	7671.233333	7017.063636	7966.666667	8671.460000	8088.036364	9631.166667	19163.845455	8623.560000	9268.475000	10291.275000	6120.575000	6654.300000	7458.133333	7017.366667	6697.9200
2016	7011.125000	11220.000000	7847.950000	7375.500000	8937.000000	10310.025000	8501.625000	10424.700000	20663.500000	8860.500000	10208.550000	10533.270000	6488.625000	6407.400000	9458.130000	7330.675000	6770.2250
2017	7170.625000	11840.675000	8163.925000	7802.575000	9471.000000	11507.100000	9056.025000	11663.575000	21425.250000	9133.025000	11327.525000	10749.475000	7245.700000	7074.650000	10907.325000	7455.800000	6770.2250
2018	7680.750000	13185.975000	9019.450000	8505.200000	9855.725000	12075.800000	10180.225000	12997.875000	22889.350000	10354.850000	10241.400000	11273.900000	7789.100000	7625.750000	11890.725000	8012.675000	7874.0750
2019	8141.650000	14468.850000	9870.850000	8856.650000	11822.800000	13852.025000	11777.700000	13116.400000	26131.050000	11078.925000	10022.100000	12634.875000	7902.400000	8196.650000	12137.950000	8606.950000	7574.6000
2020	9331.300000	14383.325000	10160.700000	9544.975000	12500.125000	15145.075000	11094.050000	13247.575000	26910.125000	11355.300000	12202.850000	14674.000000	8696.875000	8317.100000	14540.900000	8856.100000	7959.6000
2021	9679.725000	14112.037500	10325.700000	10251.037500	13890.525000	15463.800000	11698.087500	14348.400000	29044.950000	12538.350000	14281.575000	15211.762500	9901.237500	8793.262500	23317.800000	9229.687500	8622.4875

 

In [5]:

df1_pivot = df.pivot_table('평당분양가격', '월', '지역명')
df1_pivot

 

Out[5]:

지역명	강원	경기	경남	경북	광주	대구	대전	부산	서울	세종	울산	인천	전남	전북	제주	충남	충북
월
1	7580.725000	12443.137500	8522.975000	8291.428571	9848.475000	11475.675000	9642.625000	11422.525000	22754.925000	9792.325000	10288.528571	11742.614286	7254.362500	7362.385714	11350.628571	7757.362500	7213.725000
2	7603.250000	12478.075000	8591.837500	7917.137500	10227.957143	11400.212500	9813.812500	11583.162500	22704.187500	9783.825000	10295.600000	11659.175000	7324.425000	7241.300000	11446.328571	7794.262500	7242.212500
3	7491.925000	12533.525000	8584.812500	7924.762500	10016.812500	11502.450000	9688.850000	11760.014286	22726.987500	9820.512500	10354.200000	12015.614286	7349.600000	7264.250000	11830.275000	7751.350000	7333.025000
4	7659.050000	12590.462500	8627.800000	7993.037500	10080.775000	11631.900000	9724.175000	11633.925000	22663.550000	9797.257143	10662.314286	11786.287500	7324.012500	7336.837500	12083.575000	7805.662500	7434.987500
5	7636.112500	12449.637500	8616.100000	8025.200000	10217.487500	11768.887500	9829.562500	11807.775000	22969.850000	9800.971429	10762.271429	11927.562500	7338.075000	7396.362500	12434.200000	7871.287500	7438.000000
6	7734.462500	12417.012500	8690.312500	8077.587500	10339.762500	11810.212500	9828.362500	11851.900000	23156.162500	9841.128571	10953.857143	11943.700000	7438.000000	7435.662500	12550.450000	7904.350000	7367.212500
7	7732.875000	12433.637500	8742.212500	8302.587500	10402.375000	12151.350000	9790.412500	11892.137500	23188.687500	9845.557143	11020.328571	11932.787500	7493.625000	7458.950000	12784.337500	7966.875000	7356.962500
8	7837.100000	12494.562500	8745.225000	8391.575000	10343.000000	12261.775000	9743.800000	11884.187500	23226.800000	9871.628571	11096.042857	11936.712500	7580.712500	7505.537500	12805.375000	7989.212500	7358.450000
9	7720.600000	12309.357143	8586.971429	8108.585714	9831.000000	11773.485714	9588.328571	11617.871429	22302.414286	9461.983333	10341.285714	11589.971429	7237.942857	7413.414286	10732.400000	7751.314286	7173.714286
10	7796.200000	12710.283333	8643.714286	8234.414286	9866.742857	12322.400000	9840.014286	11664.371429	23382.466667	9765.614286	10593.114286	11692.914286	7320.028571	7357.228571	10714.914286	7749.342857	7251.466667
11	7795.442857	12390.171429	8744.100000	8545.433333	10006.114286	12218.400000	9954.750000	11767.471429	23041.514286	9952.600000	10646.857143	11745.814286	7407.028571	7364.114286	10882.271429	7798.857143	7241.885714
12	7569.650000	12316.650000	8479.900000	8084.575000	9558.350000	11367.425000	9606.737500	11417.250000	22589.712500	9758.700000	10344.914286	11576.600000	7232.087500	7376.200000	10561.075000	7739.600000	7285.457143

 

In [6]:

df_경기 = df_pivot[['경기']]

 

In [7]:

df_2015 = df_pivot[2:3]

 

In [155]:

df_경기

 

Out[155]:

지역명	경기
연도
2013	10855.000000
2014	10509.083333
2015	10487.800000
2016	11220.000000
2017	11840.675000
2018	13185.975000
2019	14468.850000
2020	14383.325000
2021	14112.037500

In [9]:

df_2015

 

Out[9]:

지역명	강원	경기	경남	경북	광주	대구	대전	부산	서울	세종	울산	인천	전남	전북	제주	충남	충북
연도
2015	6855.308333	10487.8	7671.233333	7017.063636	7966.666667	8671.46	8088.036364	9631.166667	19163.845455	8623.56	9268.475	10291.275	6120.575	6654.3	7458.133333	7017.366667	6697.92

 

 

In [10]:

print(df_2015.round(0).astype(int).values.T)
print(df_2015.astype(int))

 

 

[[ 6855]
 [10488]
 [ 7671]
 [ 7017]
 [ 7967]
 [ 8671]
 [ 8088]
 [ 9631]
 [19164]
 [ 8624]
 [ 9268]
 [10291]
 [ 6121]
 [ 6654]
 [ 7458]
 [ 7017]
 [ 6698]]
지역명     강원     경기    경남    경북    광주    대구    대전    부산     서울    세종    울산  \
연도                                                                         
2015  6855  10487  7671  7017  7966  8671  8088  9631  19163  8623  9268   

지역명      인천    전남    전북    제주    충남    충북  
연도                                         
2015  10291  6120  6654  7458  7017  6697  

 

In [11]:

df_2015.index

 

Out[11]:

Int64Index([2015], dtype='int64', name='연도')

 

In [12]:

df_2015.columns

 

Out[12]:

Index(['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천',
       '전남', '전북', '제주', '충남', '충북'],
      dtype='object', name='지역명')

 

In [ ]:

# 
# df_2015.T
# df_2015 = df_2015.set_index("지역명")

 

In [14]:

df_2015 = df_2015.T
df_2015

 

Out[14]:

연도	2015
지역명
강원	6855.308333
경기	10487.800000
경남	7671.233333
경북	7017.063636
광주	7966.666667
대구	8671.460000
대전	8088.036364
부산	9631.166667
서울	19163.845455
세종	8623.560000
울산	9268.475000
인천	10291.275000
전남	6120.575000
전북	6654.300000
제주	7458.133333
충남	7017.366667
충북	6697.920000

 

In [15]:

df_2015.index

 

Out[15]:

Index(['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천',
       '전남', '전북', '제주', '충남', '충북'],
      dtype='object', name='지역명')

 

In [18]:

# df_2015.round(0).astype(int).values
df_2015 = df_2015.astype(int)
df_2015

 

Out[18]:

연도	2015
지역명
강원	6855
경기	10487
경남	7671
경북	7017
광주	7966
대구	8671
대전	8088
부산	9631
서울	19163
세종	8623
울산	9268
인천	10291
전남	6120
전북	6654
제주	7458
충남	7017
충북	6697

 

In [6]:

import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
import seaborn as sns

 

In [28]:

## 데이터
# city_category = ['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천','전남', '전북', '제주', '충남', '충북']
# num_patient = [6855, 10488,  7671,  7017,  7967,  8671,  8088,  9631, 19164, 8624,  9268, 10291,  6121,  6654,  7458,  7017,  6698]

city_category = df_2015.index
num_patient =  df_2015.values.T

## 시각화
plt.figure(figsize=(12,8)) ## Figure 생성 사이즈는 10 by 10
colors = sns.color_palette('hls',len(city_category)) ## 색상 지정
xtick_label_position = list(range(len(city_category))) ## x축 눈금 라벨이 표시될 x좌표
plt.xticks(xtick_label_position, city_category) ## x축 눈금 라벨 출력
plt.ylim(0, 20000)
 
plt.bar(xtick_label_position, num_patient[0][:], color=colors) ## 바 차트 출력
 
plt.title('2015년도 지역 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('지역') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
plt.show()

 

 

 

[ 해당 지역의 년도별 추이 ]¶

 

In [8]:

df1_경기 = df_pivot[['경기']]
df1_경기

 

Out[8]:

지역명	경기
연도
2013	10855.000000
2014	10509.083333
2015	10487.800000
2016	11220.000000
2017	11840.675000
2018	13185.975000
2019	14468.850000
2020	14383.325000
2021	14112.037500

 

In [9]:

df1_경기.index

 

Out[9]:

Int64Index([2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021], dtype='int64', name='연도')

 

In [10]:

df1_경기.values

 

Out[10]:

array([[10855.        ],
       [10509.08333333],
       [10487.8       ],
       [11220.        ],
       [11840.675     ],
       [13185.975     ],
       [14468.85      ],
       [14383.325     ],
       [14112.0375    ]])

 

In [11]:

df1_경기.columns

 

Out[11]:

Index(['경기'], dtype='object', name='지역명')

 

In [14]:

city_category = df1_경기.index
num_patient =  df1_경기.values.T

## 시각화
plt.figure(figsize=(12,8)) ## Figure 생성 사이즈는 10 by 10
colors = sns.color_palette('hls',len(city_category)) ## 색상 지정
xtick_label_position = list(range(len(city_category))) ## x축 눈금 라벨이 표시될 x좌표
plt.xticks(xtick_label_position, city_category) ## x축 눈금 라벨 출력
plt.ylim(0, 20000)
 
plt.bar(xtick_label_position, num_patient[0][:], color=colors) ## 바 차트 출력
 
plt.title('경기 지역 년도별  평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('년도') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
# plt.show()

plt.savefig('./../경기지역.png')

 

 

 

In [45]:

df2_경기 = df1_pivot[['경기']]
df2_경기

 

Out[45]:

지역명	경기
월
1	12443.137500
2	12478.075000
3	12533.525000
4	12590.462500
5	12449.637500
6	12417.012500
7	12433.637500
8	12494.562500
9	12309.357143
10	12710.283333
11	12390.171429
12	12316.650000

 

In [46]:

df2_경기.index

 

Out[46]:

Int64Index([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12], dtype='int64', name='월')

 

In [47]:

df2_경기.values

 

Out[47]:

array([[12443.1375    ],
       [12478.075     ],
       [12533.525     ],
       [12590.4625    ],
       [12449.6375    ],
       [12417.0125    ],
       [12433.6375    ],
       [12494.5625    ],
       [12309.35714286],
       [12710.28333333],
       [12390.17142857],
       [12316.65      ]])

 

In [48]:

df2_경기.columns

 

Out[48]:

Index(['경기'], dtype='object', name='지역명')

 

In [51]:

city_category = df2_경기.index
num_patient =  df2_경기.values.T

## 시각화
plt.figure(figsize=(12,8)) ## Figure 생성 사이즈는 10 by 10
colors = sns.color_palette('hls',len(city_category)) ## 색상 지정
xtick_label_position = list(range(len(city_category))) ## x축 눈금 라벨이 표시될 x좌표
plt.xticks(xtick_label_position, city_category) ## x축 눈금 라벨 출력
plt.ylim(0, 20000)
 
plt.bar(xtick_label_position, num_patient[0][:], color=colors) ## 바 차트 출력
 
plt.title('경기 지역(2013 ~ 2021년) 월 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('월') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
# plt.show()

plt.savefig('./../경기지역.png')

 

 

 

In [ ]:

df3_경기 = df1_pivot[2:3]
df3_경기

 

Out[ ]:

지역명	강원	경기	경남	경북	광주	대구	대전	부산	서울	세종	울산	인천	전남	전북	제주	충남	충북
월
3	7491.925	12533.525	8584.8125	7924.7625	10016.8125	11502.45	9688.85	11760.014286	22726.9875	9820.5125	10354.2	12015.614286	7349.6	7264.25	11830.275	7751.35	7333.025

 

In [ ]:

df3_경기 = df3_경기.T
df3_경기 

 

Out[ ]:

월	3
지역명
강원	7491.925000
경기	12533.525000
경남	8584.812500
경북	7924.762500
광주	10016.812500
대구	11502.450000
대전	9688.850000
부산	11760.014286
서울	22726.987500
세종	9820.512500
울산	10354.200000
인천	12015.614286
전남	7349.600000
전북	7264.250000
제주	11830.275000
충남	7751.350000
충북	7333.025000

 

In [ ]:

df3_경기.index

 

Out[ ]:

Index(['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천',
       '전남', '전북', '제주', '충남', '충북'],
      dtype='object', name='지역명')

 

In [ ]:

df3_경기.values

 

Out[ ]:

array([[ 7491.925     ],
       [12533.525     ],
       [ 8584.8125    ],
       [ 7924.7625    ],
       [10016.8125    ],
       [11502.45      ],
       [ 9688.85      ],
       [11760.01428571],
       [22726.9875    ],
       [ 9820.5125    ],
       [10354.2       ],
       [12015.61428571],
       [ 7349.6       ],
       [ 7264.25      ],
       [11830.275     ],
       [ 7751.35      ],
       [ 7333.025     ]])

 

In [ ]:

df3_경기.columns

 

Out[ ]:

Int64Index([3], dtype='int64', name='월')

 

In [61]:

city_category = df3_경기.index
num_patient =  df3_경기.values.T

## 시각화
plt.figure(figsize=(12,8)) ## Figure 생성 사이즈는 10 by 10
colors = sns.color_palette('hls',len(city_category)) ## 색상 지정
xtick_label_position = list(range(len(city_category))) ## x축 눈금 라벨이 표시될 x좌표
plt.xticks(xtick_label_position, city_category) ## x축 눈금 라벨 출력

plt.bar(xtick_label_position, num_patient[0][:], color=colors) ## 바 차트 출력
 
plt.title('전국(2013 ~ 2021년) 3월 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('지역명') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
# plt.show()

plt.savefig('./../경기지역.png')

 

 

 

In [7]:

df_pivot.index

 

Out[7]:

Int64Index([2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021], dtype='int64', name='연도')

 

In [8]:

df_pivot.values

 

Out[8]:

array([[ 6230.        , 10855.        ,  6473.        ,  6168.        ,
         6098.        ,  8080.        ,  8321.        ,  8111.        ,
        18189.        ,  7601.        ,  8090.        , 10204.        ,
         5678.        ,  6282.        ,  7674.        ,  6365.        ,
         6589.        ],
       [ 6332.5       , 10509.08333333,  6728.75      ,  6536.5       ,
         7587.83333333,  8286.08333333,  8240.33333333,  9180.16666667,
        18997.25      ,  8085.33333333,  8361.66666667, 10074.83333333,
         5718.91666667,  6362.33333333,  7855.16666667,  6681.58333333,
         6620.        ],
       [ 6855.30833333, 10487.8       ,  7671.23333333,  7017.06363636,
         7966.66666667,  8671.46      ,  8088.03636364,  9631.16666667,
        19163.84545455,  8623.56      ,  9268.475     , 10291.275     ,
         6120.575     ,  6654.3       ,  7458.13333333,  7017.36666667,
         6697.92      ],
       [ 7011.125     , 11220.        ,  7847.95      ,  7375.5       ,
         8937.        , 10310.025     ,  8501.625     , 10424.7       ,
        20663.5       ,  8860.5       , 10208.55      , 10533.27      ,
         6488.625     ,  6407.4       ,  9458.13      ,  7330.675     ,
         6770.225     ],
       [ 7170.625     , 11840.675     ,  8163.925     ,  7802.575     ,
         9471.        , 11507.1       ,  9056.025     , 11663.575     ,
        21425.25      ,  9133.025     , 11327.525     , 10749.475     ,
         7245.7       ,  7074.65      , 10907.325     ,  7455.8       ,
         6770.225     ],
       [ 7680.75      , 13185.975     ,  9019.45      ,  8505.2       ,
         9855.725     , 12075.8       , 10180.225     , 12997.875     ,
        22889.35      , 10354.85      , 10241.4       , 11273.9       ,
         7789.1       ,  7625.75      , 11890.725     ,  8012.675     ,
         7874.075     ],
       [ 8141.65      , 14468.85      ,  9870.85      ,  8856.65      ,
        11822.8       , 13852.025     , 11777.7       , 13116.4       ,
        26131.05      , 11078.925     , 10022.1       , 12634.875     ,
         7902.4       ,  8196.65      , 12137.95      ,  8606.95      ,
         7574.6       ],
       [ 9331.3       , 14383.325     , 10160.7       ,  9544.975     ,
        12500.125     , 15145.075     , 11094.05      , 13247.575     ,
        26910.125     , 11355.3       , 12202.85      , 14674.        ,
         8696.875     ,  8317.1       , 14540.9       ,  8856.1       ,
         7959.6       ],
       [ 9679.725     , 14112.0375    , 10325.7       , 10251.0375    ,
        13890.525     , 15463.8       , 11698.0875    , 14348.4       ,
        29044.95      , 12538.35      , 14281.575     , 15211.7625    ,
         9901.2375    ,  8793.2625    , 23317.8       ,  9229.6875    ,
         8622.4875    ]])

 

In [9]:

df_pivot.columns

 

Out[9]:

Index(['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천',
       '전남', '전북', '제주', '충남', '충북'],
      dtype='object', name='지역명')

 

In [7]:

w = 0.056
local = df_pivot.columns
ticklabel = df_pivot.index
nrow = df_pivot.shape[0] # 행의 갯수
idx = np.arange(nrow) #행의 갯수를 리스트로

plt.figure(figsize = (7, 4))
plt.bar(idx - 8 * w, df_pivot['강원'], width = w, label='강원')
plt.bar(idx - 7 * w, df_pivot['경기'], width = w, label='경기')
plt.bar(idx - 6 * w, df_pivot['경남'], width = w, label='경남')
plt.bar(idx - 5 * w, df_pivot['경북'], width = w, label='경북')
plt.bar(idx - 4 * w, df_pivot['광주'], width = w, label='광주')
plt.bar(idx - 3 * w, df_pivot['대구'], width = w, label='대구')
plt.bar(idx - 2 * w, df_pivot['대전'], width = w, label='대전')
plt.bar(idx - w, df_pivot['부산'], width = w, label='부산')
plt.bar(idx, df_pivot['서울'], width = w, label='서울')
plt.bar(idx + w, df_pivot['세종'], width = w, label='세종')
plt.bar(idx + 2 * w, df_pivot['울산'], width = w, label='울산')
plt.bar(idx + 3 * w, df_pivot['인천'], width = w, label='인천')
plt.bar(idx + 4 * w, df_pivot['전남'], width = w, label='전남')
plt.bar(idx + 5 * w, df_pivot['전북'], width = w, label='전북')
plt.bar(idx + 6 * w, df_pivot['제주'], width = w, label='제주')
plt.bar(idx + 7 * w, df_pivot['충남'], width = w, label='충남')
plt.bar(idx + 8 * w, df_pivot['충북'], width = w, label='충북')

plt.title('전국 17개지역(2013.12월 ~ 2021.11월) 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('년도') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
plt.xticks(idx,ticklabel) ## x축 눈금 라벨 출력
plt.legend(loc='upper right', bbox_to_anchor=(1.16,1))
# plt.show()

plt.savefig('price.png')

 

 

 

In [6]:

df1_pivot.index

 

Out[6]:

Int64Index([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12], dtype='int64', name='월')

 

 

 

 

In [8]:

df1_pivot.columns

 

Out[8]:

Index(['강원', '경기', '경남', '경북', '광주', '대구', '대전', '부산', '서울', '세종', '울산', '인천',
       '전남', '전북', '제주', '충남', '충북'],
      dtype='object', name='지역명')

 

In [13]:

w = 0.056
local = df1_pivot.columns
ticklabel = df1_pivot.index
nrow = df1_pivot.shape[0] # 행의 갯수
idx = np.arange(nrow) #행의 갯수를 리스트로

plt.figure(figsize = (10, 6))
plt.bar(idx - 8 * w, df1_pivot['강원'], width = w, label='강원')
plt.bar(idx - 7 * w, df1_pivot['경기'], width = w, label='경기')
plt.bar(idx - 6 * w, df1_pivot['경남'], width = w, label='경남')
plt.bar(idx - 5 * w, df1_pivot['경북'], width = w, label='경북')
plt.bar(idx - 4 * w, df1_pivot['광주'], width = w, label='광주')
plt.bar(idx - 3 * w, df1_pivot['대구'], width = w, label='대구')
plt.bar(idx - 2 * w, df1_pivot['대전'], width = w, label='대전')
plt.bar(idx - w, df1_pivot['부산'], width = w, label='부산')
plt.bar(idx, df1_pivot['서울'], width = w, label='서울')
plt.bar(idx + w, df1_pivot['세종'], width = w, label='세종')
plt.bar(idx + 2 * w, df1_pivot['울산'], width = w, label='울산')
plt.bar(idx + 3 * w, df1_pivot['인천'], width = w, label='인천')
plt.bar(idx + 4 * w, df1_pivot['전남'], width = w, label='전남')
plt.bar(idx + 5 * w, df1_pivot['전북'], width = w, label='전북')
plt.bar(idx + 6 * w, df1_pivot['제주'], width = w, label='제주')
plt.bar(idx + 7 * w, df1_pivot['충남'], width = w, label='충남')
plt.bar(idx + 8 * w, df1_pivot['충북'], width = w, label='충북')

plt.title('전국 17개지역 월 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('월') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
plt.xticks(idx,ticklabel) ## x축 눈금 라벨 출력
plt.legend(loc='upper right', bbox_to_anchor=(1.13,1))
plt.show()

 

 

 

 

범례 위치 관련¶

Location          String Location                        Code 설명

‘best’                  0                      그래프의 최적의 위치에 표시합니다. (디폴트)

‘upper right’           1                      그래프의 오른쪽 위에 표시합니다.

‘upper left’            2                      그래프의 왼쪽 위에 표시합니다.

‘lower left’            3                      그래프의 왼쪽 아래에 표시합니다.

‘lower right’           4                      그래프의 오른쪽 아래에 표시합니다.

‘right’                 5                      그래프의 오른쪽에 표시합니다.

‘center left            6                      그래프의 왼쪽 가운데에 표시합니다.

‘center right           7                      그래프의 오른쪽 가운데에 표시합니다.

‘lower center’          8                      그래프의 가운데 아래에 표시합니다.

‘upper center           9                      그래프의 가운데 위에 표시합니다.

‘center’                10                     그래프의 가운데에 표시합니다.

수학시간에 배운 x,y 좌표계를 생각해보자. 왼쪽 하단부가 (0, 0) 이고,
오른쪽 하단부가 (1, 0)이다. 그럼 왼쪽 상단부가 (0, 1), 오른쪽 상단부가 (1, 1) 임을 알 수 있다.

 

In [8]:

# from matplotlib import pyplot as plt
# import numpy as np

N = 5
r = range(N)
bars1 = np.random.binomial(20, .7, N)
bars2 = np.random.binomial(20, .5, N)
bars3 = np.random.binomial(20, .4, N)

colors = ['#7f6d5f', '#557f2d', '#2d7f5e']
labels = ["Lasso", "Random Forest", "Decision Tree"]

barWidth = 1
lefts = 0
for bars, col, label in zip([bars1, bars2, bars3], colors, labels):
    plt.barh(r, bars, left=lefts, color=col, edgecolor='white', height=barWidth, label=label)
    lefts += bars
plt.legend()
plt.ylim(-0.5, len(bars) - 0.5)
plt.show()

 

 

 

In [15]:

# 년도
year = [2018, 2019, 2020, 2021, 2022]

# 만명 단위
physics = [6.2,6.3 ,6.0 ,5.9 ,6.8] 
chemistry = [10.6,9.4 ,8.0 ,8.0 ,8.0]
life = [16.1,16.3 ,13.9 ,13.1 ,14.7]
earth = [16.7,17.7 ,16.1 ,13.0 ,14.9]

science = {
    "year" : year,
    "physics" : physics,
    "chemistry" : chemistry,
    "life" : life,
    "earth" : earth
}

sci = pd.DataFrame(science)
sci

 

Out[15]:

	year	physics	chemistry	life	earth
0	2018	6.2	10.6	16.1	16.7
1	2019	6.3	9.4	16.3	17.7
2	2020	6.0	8.0	13.9	16.1
3	2021	5.9	8.0	13.1	13.0
4	2022	6.8	8.0	14.7	14.9

 

In [25]:

w = 0.15
nrow = sci.shape[0] # 행의 갯수
idx = np.arange(nrow) #행의 갯수를 리스트로

plt.figure(figsize = (10, 5))
plt.bar(idx - 2 * w, sci['physics'], width = w)
plt.bar(idx - w, sci['chemistry'], width = w)
plt.bar(idx, sci['life'], width = w)
plt.bar(idx + w, sci['earth'], width = w)
# plt.bar(idx + 2 * w, sci['total'], width = w)

plt.legend()

plt.show()

 

 

No artists with labels found to put in legend.  Note that artists whose label start with an underscore are ignored when legend() is called with no argument.

 

 

 

아래 그래프는 프로그래밍이 가미된 소스임.¶

¶

 

In [94]:

w = 0.056
local = df_pivot.columns  # 지역명
ticklabel = df_pivot.index  # 년도
nrow = df_pivot.shape[0] # 행의 갯수
idx = np.arange(nrow) #행의 갯수를 리스트로
a = [-8, -7, -6, -5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5, 6, 7, 8]

plt.figure(figsize = (9, 6))

for a1, b1 in zip(local, a) :
    plt.bar(idx - b1 * w, df_pivot[a1], width = w, label=a1)

plt.title('전국 17개지역(2013 ~ 2021.11월) 평당분양가격',fontsize=20) ## 타이틀 출력
plt.xlabel('년도') ## x축 라벨 출력
plt.ylabel('평당분양가걱') ## y축 라벨 출력
plt.xticks(idx,ticklabel) ## x축 눈금 라벨 출력
plt.legend(loc='upper right', bbox_to_anchor=(1.13,1))
# plt.show()

plt.savefig('price.png')