HSEOM GeckoHSEOM

흑섬 AI 기술 블로그

AI 엔지니어링 클래스에서 쓴 코드와 실행 결과를 글로 정리합니다. 모든 실습은 구글 코랩에서 직접 실행했고, 에러와 고친 과정까지 남깁니다.

주요 카테고리

Data Viz 카테고리

NumPy, Pandas를 활용한 데이터 분석과 시각화 기술을 일상 예제로 쉽게 설명합니다.

총 17개의 글이 있습니다.

데이터에 생명을 불어넣다: Plotly Python 시각화 가이드

데이터 시각화는 개발자만의 영역이 아닙니다. 취업 포트폴리오, 사업 기획서, 프로젝트 리포트까지—배워두면 인생 전반에서 요긴하게 쓰이는 스킬입니다. Plotly Python으로 누구나 쉽게 시작할 수 있는 인터랙티브 시각화의 세계를 소개합니다.

카테고리: Data Viz

작성일: 2026-01-31

예상 읽기 시간: 12분

Data Viz

데이터에 생명을 불어넣다: Plotly Python 시각화 가이드

데이터 시각화는 개발자만의 영역이 아닙니다. 취업 포트폴리오, 사업 기획서, 프로젝트 리포트까지—배워두면 인생 전반에서 요긴하게 쓰이는 스킬입니다. Plotly Python으로 누구나 쉽게 시작할 수 있는 인터랙티브 시각화의 세계를 소개합니다.

2026년 1월 31일·12분 읽기

Plotly를 시작하게 된 계기가 있나요?

브리딩 데이터가 쌓이면서 엑셀 표로는 패턴을 파악하기 어려웠고, 정적 그래프로는 특정 구간을 확대하거나 수치를 확인하기 답답했어요. Plotly는 마우스를 올리면 값이 보이고 확대/축소가 자유로워서, 데이터와 직접 소통할 수 있는 인터랙티브 차트를 만들기에 적합합니다.

브리딩을 시작하고 나서 매일 기록하는 습관이 생겼습니다. 체중, 급여량, 온습도... 숫자들이 쌓여가면서 자연스럽게 궁금해졌습니다. "이 데이터들을 어떻게 하면 더 잘 볼 수 있을까?"

엑셀로 표를 만들어 봤지만, 숫자가 늘어날수록 패턴을 파악하기 어려웠습니다. 그래프를 그려봐도 정적인 이미지로는 뭔가 부족했습니다. 특정 구간을 확대하거나, 정확한 수치를 확인하고 싶을 때 답답했습니다.

글을 쓸 때도, 기획서를 만들 때도, 연구 결과를 정리할 때도 데이터 시각화는 모든 시작의 출발점인 것 같습니다. 그래서 오늘은 제가 사용하고 있는 Plotly Python을 소개해 드리려 합니다.

왜 Plotly를 선택했나요?

Python에는 matplotlib, seaborn, bokeh 등 수많은 시각화 라이브러리가 있습니다. 그중에서 Plotly를 선택한 이유는 단순합니다. 인터랙티브하기 때문입니다.

마우스를 올리면 정확한 수치가 보이고, 확대/축소가 자유롭고, 웹에서 바로 공유할 수 있습니다. 정적인 이미지가 아닌, 데이터와 대화할 수 있는 차트를 만들 수 있습니다.

특히 Jupyter Notebook 환경에서 바로 결과를 확인할 수 있어서, 데이터 분석 작업 흐름이 훨씬 자연스러워집니다. 차트를 HTML 파일로 내보내면 Python이 없는 환경에서도 볼 수 있습니다.

설치와 기본 설정

설치는 pip 한 줄이면 끝납니다:

pip install plotly

Jupyter Notebook에서 사용하신다면 추가로 설치하면 좋은 패키지가 있습니다:

pip install plotly nbformat pandas

기본적인 import는 이렇게 합니다:

import plotly.express as px
import plotly.graph_objects as go
import pandas as pd

Plotly Express와 Graph Objects, 뭐가 다른가요?

Plotly에는 두 가지 API가 있습니다. 각각의 특성을 이해하면 상황에 맞게 선택할 수 있습니다.

Plotly Express (px)

빠르고 간편한 고수준 API입니다. 한 줄의 코드로 대부분의 기본 차트를 만들 수 있습니다. 데이터프레임과 궁합이 좋아서 탐색적 분석에 적합합니다.

# 간단한 산점도
fig = px.scatter(df, x="weight", y="growth_rate", color="individual")
fig.show()

Graph Objects (go)

세밀한 커스터마이징이 필요할 때 사용하는 저수준 API입니다. 차트의 모든 요소를 직접 제어할 수 있습니다. 복잡한 대시보드나 특수한 시각화를 만들 때 유용합니다.

# 상세 설정이 가능한 산점도
fig = go.Figure(data=go.Scatter(
    x=df["weight"],
    y=df["growth_rate"],
    mode="markers",
    marker=dict(size=10, color=df["age"], colorscale="Viridis")
))
fig.update_layout(title="체중과 성장률의 관계")
fig.show()

처음에는 Plotly Express로 시작하고, 더 세밀한 조정이 필요해지면 Graph Objects로 전환하는 것을 추천합니다.

Plotly로 어떤 차트를 만들 수 있나요?

Plotly로 만들 수 있는 차트들을 살펴보겠습니다. 각각의 차트는 어떤 상황에서 쓰면 좋은지도 함께 설명드릴게요.

1. 3D Surface Plot

3D Surface Plot

3차원 데이터를 표면으로 시각화합니다. 마우스를 올리면 정확한 x, y, z 값을 확인할 수 있습니다. 복잡한 수치 데이터의 패턴을 직관적으로 파악할 때 유용합니다.

활용 예시: 온도-습도-성장률의 관계, 시간-급여량-체중 변화 등 세 가지 변수의 상호작용을 한눈에 보고 싶을 때 적합합니다.

2. 생물정보학 시각화

Bioinformatics Visualization

시퀀스 정렬, Gap 분석, Conservation 수준 등을 한눈에 볼 수 있습니다. 연구 분야에서 많이 활용됩니다.

히트맵 형태로 각 포지션별 특성을 색상으로 표현하면, 수백 줄의 데이터도 패턴으로 빠르게 파악할 수 있습니다. 브리딩 데이터에서도 개체별 성장 패턴을 히트맵으로 표현하면 비교가 쉬워집니다.

3. Sankey Diagram

Sankey Diagram

데이터의 흐름을 시각화합니다. 어디서 어디로 얼마나 흘러가는지 추적할 때 적합합니다. 비즈니스에서 고객 여정이나 자원 배분을 분석할 때 자주 사용됩니다.

활용 예시: 급여 종류별 섭취량 흐름, 브리딩 라인별 자손 분포 등 "무엇이 어디로 흘러가는가"를 보여줄 때 효과적입니다.

4. 지도 + 히스토그램 조합

Map with Histogram

지리 데이터와 시계열 데이터를 결합한 대시보드입니다. 위치별 분포와 시간대별 패턴을 동시에 확인할 수 있습니다. 히스토그램의 막대를 클릭하면 해당 시간대의 지도 데이터만 필터링됩니다.

이런 복합 대시보드는 Plotly의 subplots 기능과 callback을 활용해서 만들 수 있습니다. Dash 프레임워크를 사용하면 더욱 인터랙티브한 웹 앱으로 발전시킬 수도 있습니다.

5. 3D Climate Surface

3D Climate Surface

시나리오별 비교 분석에 적합한 형태입니다. 기후 데이터처럼 여러 변수가 복합적으로 작용하는 경우, 3D 표면으로 시각화하면 트렌드를 쉽게 파악할 수 있습니다.

각 표면의 색상과 투명도를 다르게 설정하면 여러 시나리오를 한 화면에서 비교할 수 있습니다. 마우스로 회전하면서 다양한 각도에서 데이터를 살펴볼 수 있는 게 장점입니다.

Plotly 사용 시 알아두면 좋은 팁이 있나요?

Plotly를 사용하면서 알게 된 몇 가지 팁을 공유합니다.

  • 테마 설정: fig.update_layout(template="plotly_dark")로 다크 모드 차트를 만들 수 있습니다.
  • HTML 내보내기: fig.write_html("chart.html")로 독립 실행 가능한 HTML 파일을 생성합니다.
  • 이미지 저장: fig.write_image("chart.png")로 정적 이미지를 저장할 수 있습니다. (kaleido 패키지 필요)
  • 애니메이션: animation_frame 파라미터로 시간에 따른 변화를 애니메이션으로 보여줄 수 있습니다.

브리딩 데이터에도 Plotly를 활용할 수 있나요?

저는 앞으로 브리딩 데이터도 Plotly로 시각화해볼 계획입니다. 개체별 체중 추이를 라인 차트로, 급여량과 성장률의 상관관계를 scatter plot으로 만들면 더 체계적인 관리가 가능할 것 같습니다.

특히 관심 가는 활용 방법은:

  • 개체별 성장 곡선 비교 (라인 차트)
  • 온도-습도-활동량 상관관계 (3D 산점도)
  • 급여 기록 히트맵 (언제 무엇을 얼마나 먹었는지)
  • 월별 성장 추이 애니메이션

다음 글에서는 실제 브리딩 데이터로 차트를 만드는 과정을 코드와 함께 공유해 드리겠습니다.

마무리

데이터 시각화는 단순히 "예쁜 그래프"를 만드는 것이 아닙니다. 숫자 속에 숨어있는 이야기를 찾아내고, 그 이야기를 다른 사람에게 전달하는 과정입니다.

Plotly는 그 과정을 훨씬 쉽고 재미있게 만들어 줍니다. 처음에는 복잡해 보일 수 있지만, 기본 문법만 익히면 다양한 차트를 자유롭게 만들 수 있습니다.

관심 있으신 분들은 Plotly 공식 문서 에서 더 많은 예제를 확인해 보세요. 특히 Basic Charts 섹션은 입문자에게 좋은 시작점이 됩니다.

#plotly#python#데이터시각화#인터랙티브#차트