[Data Viz] Color

hyunsooo·2022년 10월 10일

AI-Tech 4기

Visualization에서 가장 큰 비중을 차지하는 속성이 위치(area)와 색상(Color)이다.
위치는 데이터 정보에 따라 달라지지만 색상은 직접 설정해주어야 하는 요소로 알맞게 사용할수록 큰 효과를 줄 수 있다.
심미적인 효과도 있지만 독자에게 전달해주고 싶은 포인트를 강조하여 가독성을 증대시킬수 있다.

Color Palette

Categorical

discrete, qualitative라고도 불림
독립된 색상으로 구성되며 범주형 변수에 사용
색의 차이를 구분하는 것이 목적

Sequential

정렬된 값을 가진 연속형, 순서형 변수에 사용
색상은 단일 색조로 표현하는 것이 적합하다.
균일한 색상의 변화가 중요하다.

Divergence

연속형과 유사하지만 중앙을 기준으로 발산(상반된 값이나 지지율과 같은 변수에 적합)
양 끝으로 갈수록 진해지는 구조
중앙의 색은 어느 한쪽으로도 편향되면 안된다.

ETC

데이터에서 다름을 보이기 위해 색상 대비(color contrast)를 사용할 수 있다.

명도 대비 : 밝은색과 어두운색을 배치 (회색,검정)
색상 대비 : 가까운색은 차이가 더 크게 보임 (파랑,보라 / 빨강,보라)
채도 대비 : 채도의 차이 (회색,주황)
보색 대비 : 정반대의 색상 사용 (빨강,초록)

색 인지가 중요한 분야에는 색각 이상을 고려해야 한다.

삼원색 중 특정 색을 감지 못하면 색맹
부분적 인지 이상이 있다면 색약
Scientific color map 사용

실습

Data : 학생 데이터

색상 이해하기

색을 이해하기 위해서는 rgb보다 hsl을 이해하는 것이 중요하다.

Hue(색조) : 빨강, 파랑, 초록 등 색상으로 생각하는 부분
- 빨강에서 보라색까지 있는 스펙트럼에서 0-360으로 표현
Saturate(채도) : 무채색과의 차이
- 선명도라고 볼 수 있음 (선명하다와 탁하다.)
Lightness(광도) : 색상의 밝기

Categorical (Qualitative)


# 리스트로 전달하면 cm으로 변환해주는 클래스
from matplotlib.colors import ListedColormap

qualitative_cm_list = ['Pastel1', 'Pastel2', 'Accent', 'Dark2', 'Set1', 'Set2', 'Set3', 'tab10']

fig, axes = plt.subplots(2, 4, figsize=(20, 8))
axes = axes.flatten()

student_sub = student.sample(100)

for idx, cm in enumerate(qualitative_cm_list):    
    pcm = axes[idx].scatter(student_sub['math score'], student_sub['reading score'],
                     c=student_sub['color'], cmap=ListedColormap(plt.cm.get_cmap(cm).colors[:5])
                     )
    cbar = fig.colorbar(pcm, ax=axes[idx], ticks=range(5))
    cbar.ax.set_yticklabels(groups)
    axes[idx].set_title(cm)
    
plt.show()

ListedColormap : List를 cm으로 변환
c와 cmap파라미터를 이용하여 색을 지정해줄 수 있다.
Set2, tab10이 일반적으로 사용되며 R color map의 사이트에서 다양한 색조합을 찾아 전달해줄 수 있다.

Sequential

Heatmap, Contour Plot등 사용
지리, 계층형 데이터에도 적합하다.
색조는 유지하되 색의 밝기를 조정

sequential_cm_list = ['Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
            'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
            'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']

fig, axes = plt.subplots(3, 6, figsize=(25, 10))
axes = axes.flatten()

student_sub = student.sample(100)

for idx, cm in enumerate(sequential_cm_list):    
    pcm = axes[idx].scatter(student['math score'], student['reading score'],
                            c=student['reading score'], 
                            cmap=cm,
                            vmin=0, vmax=100
                    
                     )
    fig.colorbar(pcm, ax=axes[idx])
    axes[idx].set_title(cm)
    
plt.show()

vmin, vmax : value의 최소, 최대값을 지정하고 이 최소값보다 작은 값은 최소값의 색상으로, 최대값보다 큰 값을 최대값의 색상으로 나타난다.
c에 sequential map에 적용시킬 인자를 넘겨주어 그 값으로 색이 지정된다.
Maplotlib에서 Heatmap은 im.show()를 사용해 그릴 수 있다.

Divergence

중심을 어디로 삼을지 중요하다.
상관관계를 나타낼 때 좋다.

from matplotlib.colors import TwoSlopeNorm

diverging_cm_list = ['PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
            'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']

fig, axes = plt.subplots(3, 4, figsize=(20, 15))
axes = axes.flatten()

offset = TwoSlopeNorm(vmin=0, vcenter=student['reading score'].mean(), vmax=100)

student_sub = student.sample(100)

for idx, cm in enumerate(diverging_cm_list):    
    pcm = axes[idx].scatter(student['math score'], student['reading score'],
                            c=offset(student['math score']), 
                            cmap=cm,
                     )
    cbar = fig.colorbar(pcm, ax=axes[idx], 
                        ticks=[0, 0.5, 1], 
                        orientation='horizontal'
                       )
    cbar.ax.set_xticklabels([0, student['math score'].mean(), 100])
    axes[idx].set_title(cm)
    
plt.show()