data-visualization

개요

이 스킬이 하는 일

data-visualization 스킬은 원시 데이터를 명확하고 효과적인 차트와 그래프로 바꾸기 위한 집중 가이드입니다. 이 스킬은 다음을 도와줍니다.

• 올바른 차트 유형 선택 (bar, line, scatter, heatmap 등)
• 읽기 쉽고 접근성을 고려한 기본 색채 이론 적용
• 숫자를 해석하기 쉽게 축, 스케일, 레이블 설정
• 핵심 포인트를 주석으로 강조해 빠르게 스토리를 이해할 수 있게 만들기

inference.sh CLI를 통해 Python과 matplotlib을 사용하는 구체적이고 재현 가능한 워크플로를 중심으로 구성되어 있습니다. 예제는 CSV나 스프레드시트 같은 표 형식 데이터에서 시작해, 대시보드·보고서·슬라이드에 바로 사용할 수 있는 수준의 이미지를 만드는 전 과정을 보여줍니다.

대상 사용자

다음과 같은 경우 data-visualization 스킬 사용을 추천합니다.

• 이해관계자에게 일관성 있고 설득력 있는 차트를 제공해야 하는 데이터 분석가
• 실험이나 리포팅을 위해 빠르게 matplotlib 기반 플롯을 만들고 싶은 데이터 사이언티스트
• Google Sheets나 CSV 내보내기 데이터를 차트로 바꾸는 제품/운영 담당자
• 슬라이드, 내부 대시보드, 가벼운 BI 뷰를 준비하는 누구나

이 스킬은 복잡한 웹 대시보드나 커스텀 UI 컴포넌트가 아니라, 분석 결과를 어떻게 시각적으로 전달할지에 초점을 맞춥니다. 만약 D3.js 기반 커스텀 차트처럼 다듬어진 프런트엔드 시각화 라이브러리가 주된 필요라면, 이 스킬은 완전한 구현보다는 디자인·워크플로 레퍼런스에 가깝습니다.

해결하는 문제

이 스킬은 다음과 같은 흔한 문제점을 해결하도록 설계되었습니다.

• 모호한 차트 선택 – bar, line, scatter, heatmap을 언제 써야 하는지, 그리고 pie chart는 언제 피해야 하는지 알려줍니다.
• 헷갈리는 축과 스케일 – 축 범위, 눈금 간격, 오해를 부르는 시각화를 피하는 규칙을 제공합니다.
• 부적절한 색상 사용 – 강조에만 색을 최소로 사용하면서 대비와 접근성을 유지하는 방법을 설명합니다.
• 읽기 어려운 레이블 – 차트 제목, 축 레이블, 데이터 포인트 주석을 어떻게 달아야 메시지가 한눈에 들어오는지 보여줍니다.
• 파편화된 워크플로 – 시각화를 CLI/Python 워크플로 안에 통합해, 데이터가 업데이트될 때마다 차트를 자동으로 재생성하는 방법을 시연합니다.

스프레드시트나 CSV 데이터를 발표용·보고용 깨끗한 이미지로 자주 변환해야 한다면, data-visualization은 이를 반복 가능한 패턴으로 정리해 줍니다.

사용 방법

1. data-visualization 스킬 설치

skills CLI를 통해 환경에 data-visualization 스킬을 추가하려면 다음을 실행합니다.

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

이 명령은 inferen-sh/skills 리포지토리의 guides/design/data-visualization 아래에 있는 스킬 정의와 가이드 콘텐츠를 가져옵니다.

설치 후에는 스킬을 지원하는 도구에서 직접 파일을 열어보거나 GitHub를 통해 살펴볼 수 있습니다.

• 스킬 엔트리: SKILL.md
• 가이드 경로: guides/design/data-visualization/

2. inference.sh CLI 설정 (코드 예제에 필수)

이 스킬의 빠른 시작 워크플로는 inference.sh CLI(infsh)를 사용해 Python을 실행하고 matplotlib로 차트를 생성합니다.

스킬에 언급된 CLI 설치 안내를 따라가세요.

1. 다음 링크에서 CLI 설치 가이드를 엽니다.
   • https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md
2. 사용하는 플랫폼에 맞게 infsh CLI를 설치합니다.
3. 인증을 진행합니다.

infsh login

infsh 설치 및 로그인이 완료되면, data-visualization 스킬에서 사용하는 샘플 앱을 실행할 수 있습니다.

3. Python과 matplotlib으로 차트 생성

핵심 워크플로는 작은 Python 스크립트를 matplotlib을 실행하는 infsh 앱에 전달해 이미지를 저장하는 방식입니다. 이 스킬에는 월별 매출을 bar chart로 그리는 예제가 포함되어 있습니다.

infsh app run infsh/python-executor --input '{
  "code": "import matplotlib.pyplot as plt\nimport matplotlib\nmatplotlib.use(\"Agg\")\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\"]\nrevenue = [42, 48, 55, 61, 72, 89]\n\nfig, ax = plt.subplots(figsize=(10, 6))\nax.bar(months, revenue, color=\"#3b82f6\", width=0.6)\nax.set_ylabel(\"Revenue ($K)\")\nax.set_title(\"Monthly Revenue Growth\", fontweight=\"bold\")\nfor i, v in enumerate(revenue):\n    ax.text(i, v + 1, f\"${v}K\", ha=\"center\", fontweight=\"bold\")\nplt.tight_layout()\nplt.savefig(\"revenue.png\", dpi=150)\nprint(\"Saved\")"
}'

이 스크립트는 이 스킬이 강조하는 모범 사례를 한 번에 보여줍니다.

• 월별 값처럼 이산적인 수치를 표현할 때 bar chart 사용
• 일관되면서 대비가 높은 단일 색상 적용
• 명확한 축 레이블(Revenue ($K))과 설명력 있는 볼드 차트 제목 설정
• 각 bar 위에 간단한 주석을 추가해 값을 한눈에 파악 가능하게 하기

명령을 실행하면 revenue.png 파일이 생성되며, 이를 다음과 같이 활용할 수 있습니다.

• 슬라이드 데크에 삽입
• 이메일 보고서에 첨부
• 내부 대시보드에 게시

Python 코드를 변경하면 line, scatter, heatmap 등 다른 차트 유형에도 이 패턴을 그대로 적용할 수 있으며, 차트 선택·레이블·색상에 관한 동일한 규칙을 따를 수 있습니다.

4. 내 데이터에 차트 선택 가이드 적용하기

data-visualization 스킬에는 Chart Selection Guide와 그 안의 Which Chart for Which Data? 섹션이 포함되어 있습니다. 이 가이드는 보유한 데이터와 답하고 싶은 질문을 적절한 차트 유형에 매핑해 줍니다. 예를 들면 다음과 같습니다.

• 시간에 따른 카테고리 비교 → line chart 또는 grouped bar chart
• 특정 시점에서 카테고리 비교 → bar chart
• 두 수치형 변수 간 관계 → scatter plot
• 두 차원(예: 시간 vs 카테고리) 전반의 강도 표현 → heatmap

이 가이드를 활용해 다음과 같은 데이터를 어떻게 시각화할지 결정할 수 있습니다.

• 분석 도구에서 내보낸 CSV (예: 일별 세션 수, 채널별 매출)
• A/B 테스트 결과나 설문 응답이 정리된 스프레드시트 테이블
• 최종적으로 보고서용 차트 이미지가 필요한 Python/SQL 처리 결과 데이터

위의 Python/matplotlib 워크플로와 차트 선택 가이드를 결합하면, GUI에서 차트를 하나씩 수동으로 만드는 대신 스크립트로 이미지를 자동 생성하는 프로세스를 구축할 수 있습니다.

5. 보고·슬라이드 워크플로에 통합하기

스킬을 설치하고 infsh 파이프라인까지 준비되면 다음과 같이 활용할 수 있습니다.

• 반복 차트 자동화: infsh app run 호출을 스크립트에 넣어 최신 CSV 데이터를 가져오고, Python 코드(또는 데이터 변수)를 업데이트한 뒤 새 PNG 파일을 저장합니다.
• 시각 스타일 표준화: 여러 차트에 동일한 색상, 폰트, 레이아웃 규칙을 재사용해 대시보드와 슬라이드 전반의 일관성을 유지합니다.
• 발표용 내보내기: 생성된 PNG를 PowerPoint, Keynote, Google Slides 또는 웹 기반 대시보드에 바로 삽입합니다.

data-visualization 스킬은 스프레드시트나 CSV 데이터에서 시작해, 커맨드라인 또는 Python 중심 워크플로로 출판 수준 차트까지 이어지는 재현 가능한 경로를 만들고 싶을 때 특히 유용합니다.

6. 먼저 읽어볼 파일

설치가 끝나면 다음 핵심 파일을 먼저 살펴보면 스킬을 더 잘 활용할 수 있습니다.

• SKILL.md – 스킬 개요, 빠른 시작 명령, 배경 설명.
• guides/design/data-visualization/ – 차트 유형, 축 설정, 색상 선택, 주석 처리에 대한 자세한 규칙.

새 차트를 설계하거나 기존 대시보드를 개선할 때 체크리스트처럼 활용해 보세요.

이 스킬이 잘 맞는 경우와 그렇지 않은 경우

data-visualization 스킬이 특히 잘 맞는 경우:

• 주로 표 형식 데이터(CSV, 스프레드시트, SQL export)를 다루는 경우
• 보고서와 슬라이드 전반의 차트 품질을 표준화하고 싶은 경우
• CLI 명령과 기본적인 Python/matplotlib 사용에 부담이 없는 경우

이 스킬이 덜 적합한 경우:

• 복잡한 D3.js 프로젝트처럼, 풍부한 인터랙티브 웹 차트를 위한 JavaScript 시각화 라이브러리가 필요한 경우
• 전체 BI 플랫폼 수준의 완전한 대시보드 소프트웨어가 필요하고, 차트 디자인 가이드만으로는 부족한 경우
• inference.sh를 사용하지 않거나 CLI 기반 워크플로를 원하지 않는 경우. 이때도 차트 선택, 색상, 주석 등 개념적 가이드는 그대로 활용하되, 사용하는 도구에 맞게 직접 적용해야 합니다.

자주 묻는 질문(FAQ)

data-visualization 스킬은 어떻게 설치하나요?

skills CLI로 다음 명령을 실행해 설치합니다.

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

이 명령은 inferen-sh/skills 리포지토리에서 data-visualization 가이드를 가져와 환경에 추가하고, 차트 선택 및 시각화 규칙을 언제든 참고할 수 있게 해 줍니다.

이 스킬을 쓰려면 inference.sh CLI가 꼭 필요한가요?

제공된 Python/matplotlib 예제를 그대로 실행하려면 infsh CLI가 필요합니다. 스킬의 빠른 시작 섹션에서도 이 점을 명시하고 CLI 설치 가이드를 링크로 제공합니다. 만약 로컬 Python 실행, Jupyter 등 다른 환경을 선호한다면, 차트 선택·색채 이론·주석 처리 같은 개념적 가이드는 그대로 활용하고, 코드만 사용하는 도구에 맞게 바꿔 쓰면 됩니다.

CSV나 스프레드시트 데이터에도 data-visualization을 사용할 수 있나요?

네. 추천 워크플로는 다음과 같습니다.

1. Python으로 CSV 또는 스프레드시트 데이터를 로드합니다.
2. 시각화에 적합한 리스트나 배열 형태로 변환합니다.
3. 스킬 예제처럼 matplotlib을 사용해 차트를 생성합니다.
4. 차트를 PNG 파일로 저장한 뒤 대시보드, 보고서, 슬라이드에 활용합니다.

data-visualization 스킬의 초점은 어떤 차트를 어떻게 설계할지에 있으며, 데이터 원천은 여러분이 관리하는 어떤 표 형식 데이터든 연결해 쓸 수 있습니다.

이 스킬에서 다루는 차트 유형은 무엇인가요?

이 스킬은 다음을 포함해 여러 차트 유형을 명시적으로 다룹니다.

• Bar chart
• Line chart
• Scatter plot
• Heatmap

또한 pie chart의 문제점과, 언제 다른 유형을 선택해야 하는지도 설명합니다. Chart Selection Guide는 데이터 특성과 전달 목적에 따라 이들 중 어떤 차트를 선택할지 도와줍니다.

이 스킬은 겉모습만 다루나요, 아니면 분석에도 도움이 되나요?

핵심 초점은 시각적 커뮤니케이션이지만, 다음과 같은 방식으로 분석 워크플로에도 직접적인 도움을 줍니다.

• 추세, 비교, 관계를 분명히 드러내는 차트 유형을 권장
• 오해를 부르는 축·스케일 설정을 피하도록 안내
• 주석을 통해 핵심 포인트를 강조

정식 데이터 분석 강의는 아니지만, 분석가와 데이터 사이언티스트가 결과를 더 이해하기 쉽고 신뢰할 수 있게 전달하는 데 초점을 맞추고 있습니다.

생성된 차트를 슬라이드나 대시보드에 넣을 수 있나요?

가능합니다. Python/matplotlib 예제는 revenue.png처럼 정적 이미지를 출력하며, 이를 다음과 같이 사용할 수 있습니다.

• PowerPoint, Keynote, Google Slides에 삽입
• 내부 대시보드나 리포팅 도구에 업로드
• PDF나 HTML 보고서에 첨부

차트를 스크립트로 생성하기 때문에, 데이터가 업데이트될 때마다 동일한 스타일로 차트를 재생성해 보고서 전반의 일관성을 유지할 수 있습니다.

data-visualization 관련 파일은 어디에서 모두 확인할 수 있나요?

설치 후 Files 탭을 열거나 다음 리포지토리 경로를 직접 방문하세요.

• https://github.com/inferen-sh/skills/tree/main/guides/design/data-visualization

여기에서 SKILL.md와 관련 가이드 콘텐츠를 비롯해, 같은 리포지토리 내 다른 스킬에서 공유하는 레퍼런스도 함께 확인할 수 있습니다.