Matplotlib 사용법 완전 정리: 설치부터 그래프 그리기까지 한 번에 배우기

Matplotlib라는 이름을 처음 들으면 이런 생각이 들 수도 있어요.

“이거… 언젠가는 배워야 할 것 같은데, 아직은 좀…”

솔직히 말하면, 저도 그랬습니다. 터미널 창 가득 숫자만 덩그러니 놓여 있는 걸 보고 있자니, 이게 도대체 무슨 이야기를 하고 있는지 감이 안 오더라고요. 그런데 어느 순간, 아주 단순한 plot 하나를 그렸을 뿐인데—아, 그때부터 데이터가 말을 하기 시작합니다.

그 출발점에 있는 게 바로 Matplotlib예요.

이 글은 Matplotlib를 처음 접하는 분들을 위해 준비한 설치부터 핵심 개념, 그리고 실제로 써먹을 수 있는 plotting 방법까지 차근차근 정리한 가이드입니다. 제공된 튜토리얼 스크립트를 바탕으로, 중요한 내용은 하나도 빼지 않았어요.

 

“데이터를 그림으로 설명할 수 있다면, 누구에게든 설명할 수 있다.”

 

Matplotlib, 지금 배워도 괜찮을까? (2025 기준)

 

---

Matplotlib, 지금 배워도 괜찮을까? (2026 기준)

Matplotlib은 Python에서 static 및 interactive visualization을 만들 수 있는 대표적인 library입니다. 다음과 같은 분야에서는 거의 기본 소양처럼 쓰여요.

• Data Science
• Machine Learning / AI
• Scientific Computing
• 연구 및 학술 분석

 

요즘은 Seaborn, Plotly 같은 도구도 많이 쓰이지만, 그 뿌리를 따라가 보면 결국 Matplotlib 위에서 돌아가는 경우가 많습니다. 다시 말해, 기본 체력 같은 존재죠.

보통 NumPy, Pandas와 함께 사용하는 경우가 많지만, 필수 조건은 아닙니다. 다만 같이 쓰면 훨씬 편해지는 건 사실이에요.

 

 

---

Matplotlib 설치부터 시작해볼까요

시각화에 들어가기 전, 가장 먼저 할 일은 install입니다.

 

macOS / Linux 사용자

터미널에서 아래 명령어를 실행하세요.

pip install matplotlib numpy pandas

 

Windows 사용자

튜토리얼에서는 아래 방식으로 안내하고 있습니다.

pip install matplotlib

 

설치가 끝나고 Successfully installed라는 문구가 뜨면—그때 잠깐 멈춰서 숨 한 번 고르세요. 이제 진짜 시작입니다.

 

 

---

왜 Jupyter Notebook을 쓰는 게 좋을까?

이 튜토리얼이 Jupyter Notebook을 추천하는 데에는 이유가 있습니다.

Jupyter는 .ipynb 확장자를 사용하는 interactive environment로,

• 코드를 한 줄씩 실행할 수 있고
• 결과를 바로 확인할 수 있으며
• Markdown으로 설명이나 제목을 같이 정리할 수 있어요

 

특히 visualization을 배우는 단계에서는, 코드를 실행하자마자 그림이 바로 튀어나오는 경험이 학습 속도를 확 끌어올려 줍니다.

 

 

---

Matplotlib 불러오기: 모두가 쓰는 방식

Matplotlib를 쓸 때 거의 공식처럼 사용하는 import 방식이 있습니다.

import matplotlib.pyplot as plt

 

plt는 관례적인 alias인데요, 짧고 직관적이라 대부분 이 방식을 그대로 씁니다.

보통은 아래도 함께 import하는 경우가 많습니다.

import numpy as np
import pandas as pd

 

꼭 필수는 아니지만, 실제 작업에서는 거의 세트처럼 움직여요.

 

 

---

Matplotlib 구조 이해하기 (이 부분이 은근 중요합니다)

Matplotlib은 생각보다 체계적인 구조를 가지고 있습니다.

 

Figure

Figure는 가장 바깥에 있는 컨테이너입니다.

• 하나의 화면
• 하나의 페이지
• 하나의 전체 캔버스

 

라고 생각하시면 이해가 쉬워요.

 

Axes

Axes는 실제로 plot이 그려지는 공간입니다.

• 하나의 Figure 안에 여러 Axes가 들어갈 수 있고
• 우리가 흔히 “그래프”라고 부르는 영역이 바로 이 Axes입니다

 

Axis

Axis는 x-axis, y-axis처럼 Axes 안에 들어 있는 개별 축을 의미합니다.

이 구조를 이해하고 나면, 복잡한 plot을 만들 때도 훨씬 덜 헤매게 됩니다.

 

 

---

Line plot: 가장 기본이 되는 그래프

Matplotlib에서 가장 자주 쓰이는 plot이 바로 line plot입니다.

plt.plot(x, y)

 

여기에 설명을 덧붙이려면 이렇게요.

plt.xlabel('X Label')
plt.ylabel('Y Label')
plt.title('My First Plot')

 

Jupyter Notebook 밖에서 실행할 경우에는 마지막에 꼭 필요합니다.

plt.show()

 

여러 개의 선 그리기

plt.plot()을 여러 번 호출하고 label을 지정한 뒤,

plt.legend()

 

를 추가하면 한 화면에서 여러 데이터를 비교할 수 있습니다.

 

 

---

Object-Oriented 방식: 조금 더 제대로 쓰는 방법

간단한 plot이라면 plt 방식도 충분하지만, 차트가 복잡해질수록 OO 스타일이 훨씬 유리합니다.

fig, ax = plt.subplots()

 

이제부터는 ax를 기준으로 작업합니다.

ax.plot(x, y)
ax.set_title('Clean & Scalable')

 

이 방식의 장점은 명확합니다.

• 구조가 깔끔해지고
• 제어가 쉬워지며
• 여러 subplot을 다룰 때 특히 강력합니다

 

 

---

NumPy로 부드러운 곡선 만들기

np.linspace와 삼각함수를 활용하면 이런 식의 데이터도 만들 수 있습니다.

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

 

plot의 분위기를 조금 바꿔볼까요?

plt.figure(figsize=(10, 4))
plt.grid(True)

 

은근히 이 grid 하나가 가독성을 크게 바꿔줍니다.

 

 

---

Scatter plot: 데이터가 흩어져 있을 때

scatter plot은 데이터 간의 뚜렷한 관계가 보이지 않을 때 특히 유용합니다.

plt.scatter(x, y)

 

여기에 다음 옵션들을 더할 수 있어요.

• alpha: 투명도
• c: 색상 값
• s: 점 크기
• cmap: color map

 

그리고 색상 기준을 보여주고 싶다면,

plt.colorbar()

 

이렇게 데이터의 밀도나 패턴이 자연스럽게 드러납니다.

 

 

---

Bar chart: 범주형 데이터의 친구

세로 막대 그래프는 이렇게 만듭니다.

plt.bar(categories, values)

 

가로 방향이 필요하다면,

plt.barh(categories, values)

 

color, edgecolor, linewidth 같은 옵션으로 디테일도 조정할 수 있습니다.

여러 막대를 나란히 배치할 때는 x축 위치 계산이 필요하다는 점도 기억해 두세요.

 

 

---

Histogram: 분포를 한눈에 보기

histogram은 숫자 데이터가 어떻게 퍼져 있는지 보여주는 데 특화된 plot입니다.

plt.hist(data, bins=10)

 

여러 histogram을 겹쳐서 보고 싶다면,

plt.hist(data1, alpha=0.5)
plt.hist(data2, alpha=0.5)

 

처럼 alpha를 활용하면 겹치는 영역도 비교하기 쉬워집니다.

 

 

---

Subplot: 한 화면에 여러 시각화

fig, ax = plt.subplots(rows, cols)

 

각 subplot에는 이런 식으로 접근합니다.

ax[0, 0].plot(...)

 

마무리로는 꼭,

plt.tight_layout()

 

을 호출해서 레이아웃을 정리해 주세요.

 

 

---

Pandas DataFrame에서 바로 plot 그리기

Pandas를 쓴다면 정말 편한 기능이 하나 있습니다.

df.plot(x='column_x', y='column_y')

 

컬럼 이름만 지정하면 바로 시각화가 됩니다. 특히 time-series 데이터에서는 이 방식이 직관적이에요.

 

 

---

주석과 강조 요소 추가하기

plot에서 중요한 포인트를 강조하고 싶을 때는 다음 기능들을 활용합니다.

• ax.annotate() : 화살표 + 텍스트
• ax.text() : 텍스트 박스
• ax.axvline() : 세로 기준선
• ax.axhline() : 가로 기준선

 

옵션이 많아 보일 수 있지만, 필요할 때마다 documentation을 참고하면 충분히 따라갈 수 있습니다.

 

 

---

Legend 커스터마이징

plt.legend(
    loc='upper right',
    shadow=True,
    fancybox=True
)

 

이런 작은 설정 하나로도 plot의 인상이 꽤 달라집니다.

 

 

---

Style과 Theme 바꾸기

Matplotlib에는 기본적으로 여러 style이 준비되어 있습니다.

plt.style.use('ggplot')
plt.style.use('seaborn')

 

배경, 색감, grid 느낌까지 한 번에 바뀌기 때문에 전체 분위기를 빠르게 조정할 수 있어요.

 

 

---

Pie chart: 비율을 직관적으로

plt.pie(
    values,
    labels=labels,
    explode=explode,
    shadow=True,
    startangle=90
)

 

특정 항목을 강조하고 싶을 때는 explode 옵션이 유용합니다. 다만, 너무 자주 쓰지는 않는 게 좋아요.

 

 

---

Figure 저장하기

완성한 plot은 파일로 저장할 수 있습니다.

plt.savefig('figure.png')

 

지원 형식은 다음과 같습니다.

• PNG
• PDF
• SVG
• EPS

 

보고서, 발표 자료, 논문까지—활용 범위가 넓어요.

 

 

---

덤: Cheat Sheet 활용하기

튜토리얼에는 Matplotlib에서 자주 쓰는 method와 function을 정리한 cheat sheet도 포함되어 있습니다.

무료로 다운로드할 수 있으니, 옆에 두고 참고하면 꽤 도움이 됩니다.

 

 

---

마무리하며

Matplotlib을 배운다는 건, 단순히 함수 몇 개를 외운다는 뜻이 아닙니다.

데이터를 바라보는 시각 자체를 기르는 과정에 가깝죠.

숫자들이 어느 순간 그림이 되고, 그 그림이 이야기가 되는 순간—
그때 비로소 “아, 내가 이해했구나”라는 감각이 옵니다.

 

 

---

FAQ (2025)

Q1. 2025년에도 Matplotlib을 배울 가치가 있나요?
네. 여전히 핵심적인 library입니다.

Q2. NumPy나 Pandas를 먼저 알아야 하나요?
있으면 좋지만 필수는 아닙니다.

Q3. 초보자에게 Jupyter Notebook이 좋은가요?
매우 추천합니다.

Q4. interactive plot도 가능한가요?
가능하지만, 주력은 static plot입니다.

Q5. OO 방식은 언제 쓰는 게 좋을까요?
plot이 복잡해질 때요.

Q6. 출판용 이미지도 만들 수 있나요?
네. 고해상도 출력이 강점입니다.

Q7. Seaborn이 Matplotlib을 대체하나요?
아니요. Seaborn은 Matplotlib 기반입니다.

Q8. 저장 포맷은 뭐가 좋나요?
슬라이드는 PNG, 인쇄물은 PDF/SVG를 추천합니다.

Q9. Pie chart는 안 좋은가요?
상황에 따라 다릅니다.

Q10. 가장 빠르게 실력을 늘리는 방법은요?
내가 관심 있는 실제 데이터를 그려보는 것.