📊 데이터공학

Plotly

Plotly

인터랙티브 시각화 라이브러리. 대시보드 구축.

📚 전체 용어 보기 📊 데이터공학 더보기

상세 설명

Plotly는 2012년 설립된 동명의 회사가 개발한 인터랙티브 시각화 라이브러리입니다. Python(plotly.py), JavaScript(plotly.js), R에서 사용 가능하며, 웹 기반 인터랙티브 차트를 생성합니다. 줌, 팬, 호버, 클릭 이벤트를 지원해 탐색적 데이터 분석(EDA)과 대시보드 구축에 적합합니다.

Plotly Express는 고수준 API로, 한 줄의 코드로 복잡한 시각화를 생성합니다. px.scatter(), px.line(), px.bar() 등 직관적인 함수로 빠르게 차트를 만들고, 세부 커스터마이징이 필요하면 graph_objects 모듈을 사용합니다.

주요 차트 유형으로 scatter, line, bar, histogram, box plot, violin plot, heatmap, 3D scatter, choropleth(지도) 등을 제공합니다. facet 기능으로 데이터를 그룹별로 나눠 여러 서브플롯을 생성하고, animation_frame으로 시간에 따른 변화를 애니메이션으로 표현합니다.

Dash 프레임워크와 결합하면 본격적인 데이터 앱과 대시보드를 구축할 수 있습니다. Jupyter Notebook에서는 인라인 렌더링되고, HTML 파일로 내보내 웹 공유가 가능합니다. Chart Studio로 클라우드 호스팅도 지원합니다.

코드 예제

import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import pandas as pd
import numpy as np

# 샘플 데이터
np.random.seed(42)
df = pd.DataFrame({
    'date': pd.date_range('2024-01-01', periods=100),
    'sales': np.cumsum(np.random.randn(100) * 10 + 50),
    'category': np.random.choice(['A', 'B', 'C'], 100),
    'region': np.random.choice(['North', 'South', 'East', 'West'], 100),
    'profit': np.random.randn(100) * 20 + 100
})

# Plotly Express - 간단한 시각화
fig1 = px.scatter(
    df, x='sales', y='profit',
    color='category',
    size=abs(df['profit']),
    hover_data=['date', 'region'],
    title='Sales vs Profit by Category'
)
fig1.show()

# 라인 차트 with 애니메이션
fig2 = px.line(
    df, x='date', y='sales',
    color='category',
    title='Sales Trend by Category'
)
fig2.update_layout(hovermode='x unified')
fig2.show()

# Facet 그리드 (여러 서브플롯)
fig3 = px.histogram(
    df, x='profit',
    facet_col='category',
    facet_row='region',
    color='category',
    title='Profit Distribution'
)
fig3.show()

# Graph Objects - 세밀한 제어
fig4 = go.Figure()

fig4.add_trace(go.Scatter(
    x=df['date'], y=df['sales'],
    mode='lines+markers',
    name='Sales',
    line=dict(color='royalblue', width=2),
    marker=dict(size=6)
))

fig4.add_trace(go.Bar(
    x=df['date'], y=df['profit'],
    name='Profit',
    marker_color='lightgreen',
    opacity=0.6,
    yaxis='y2'
))

fig4.update_layout(
    title='Sales and Profit Over Time',
    xaxis_title='Date',
    yaxis_title='Sales',
    yaxis2=dict(title='Profit', overlaying='y', side='right'),
    legend=dict(x=0.01, y=0.99),
    hovermode='x unified'
)
fig4.show()

# 서브플롯
fig5 = make_subplots(
    rows=2, cols=2,
    subplot_titles=['Scatter', 'Histogram', 'Box', 'Heatmap']
)

fig5.add_trace(go.Scatter(x=df['sales'], y=df['profit'], mode='markers'), row=1, col=1)
fig5.add_trace(go.Histogram(x=df['profit']), row=1, col=2)
fig5.add_trace(go.Box(y=df['sales'], x=df['category']), row=2, col=1)

# 히트맵
corr_data = df[['sales', 'profit']].corr()
fig5.add_trace(go.Heatmap(z=corr_data.values, x=corr_data.columns, y=corr_data.index), row=2, col=2)

fig5.update_layout(height=800, showlegend=False)
fig5.show()

# HTML로 저장
fig4.write_html('interactive_chart.html')

# 이미지로 저장 (kaleido 필요)
# fig4.write_image('chart.png', scale=2)

실무에서 이렇게 말해요

시니어: "경영진 대시보드는 Plotly로 만들어요. 줌, 필터링 기능이 있어서 데이터 탐색을 직접 할 수 있거든요."

주니어: "Matplotlib이랑 뭐가 달라요?"

시니어: "Matplotlib은 정적 이미지, Plotly는 인터랙티브 웹 차트예요. Jupyter에서 마우스 호버하면 값이 보이고, 줌인/아웃도 돼요."

면접관: "데이터 시각화 경험에 대해 말씀해주세요."

지원자: "Plotly와 Dash로 실시간 모니터링 대시보드를 개발했습니다. px.scatter로 이상치 탐지 차트를, px.line으로 시계열 트렌드를 시각화하고, 콜백 함수로 드롭다운 필터와 연동했습니다. 차트를 HTML로 내보내 Slack으로 자동 공유하는 기능도 구현했습니다."

리뷰어: "update_layout에서 hovermode='x unified'로 설정하면 같은 x축의 모든 데이터 포인트를 한 번에 볼 수 있어요."

개발자: "아, 시계열 차트에서 여러 라인 비교할 때 편하겠네요. 바로 적용하겠습니다."

주의사항

Matplotlib Seaborn Streamlit Pandas

더 배우기