Summary  
Demonstrates how to leverage a high-level plotting library to quickly implement statistical plots with default styles and seamless DataFrame integration.

General domain of usage  
Data visualization

**Seaborn** er et avanceret visualiseringsbibliotek baseret på `matplotlib`. Her er nogle af fordelene sammenlignet med `matplotlib`:
* enklere grænseflade;
* et bredt udvalg af standardstile og farvepaletter;
* fungerer godt med `pandas` DataFrame;
* et bredt udvalg af indbyggede statistiske funktioner.

Her er et eksempel på et plot oprettet med `seaborn` med blot én linje kode:

Alt, hvad du kan opnå med `seaborn`, kan tilsyneladende også gøres med `matplotlib`, men det kan ofte tage mere tid og kræve mere arbejde.

Bemærk

Dog tilbyder `matplotlib` som et relativt **lav-niveau** bibliotek mere **fleksibilitet** for dine plots, så hvis du har brug for at lave et unikt plot med mange tilpasninger, er `matplotlib` stadig det bedste valg.

import unittest
import inspect
import ast
import user_code  # The user's script with `import seaborn as sns`

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestSeabornImport(unittest.TestCase):
    
    @classmethod
    def setUpClass(cls):
        source = inspect.getsource(user_code)
        cls.tree = ast.parse(source)

        cls.imports = [
            node for node in ast.walk(cls.tree)
            if isinstance(node, ast.Import)
        ]

        cls.seaborn_import = next(
            (imp for imp in cls.imports
             for alias in imp.names
             if alias.name == 'seaborn' and alias.asname == 'sns'),
            None
        )

    def test_seaborn_is_imported_with_alias(self):
        _dynamic_test(
            self,
            self.seaborn_import is not None,
            "seaborn is imported with alias sns",
            "seaborn is not imported with alias sns"
        )

if __name__ == '__main__':
    unittest.main()


test_seaborn_import.py

Data er overalt omkring os, og det er yderst vigtigt at kunne forstå det. Visualisering hjælper dig med at håndtere data ved at finde bestemte mønstre og indsigter. Du opbygger et solidt fundament inden for datavisualisering ved hjælp af Python og dets biblioteker, såsom matplotlib og seaborn, for at udtrække så meget information som muligt fra data på en overskuelig og præcis måde.

Først vil vi diskutere plot-applikationer, Matplotlib-biblioteket og dets fordele. Derefter vil du oprette dit første simple plot ved hjælp af Matplotlib.

Nu er du klar til at oprette forskellige diagrammer, der ofte anvendes i praksis. Uden yderligere forsinkelse går vi i gang med det samme!

Plotning og visualisering handler ikke kun om at skabe et plot eller flere plots, men også om at gøre dem klare, forståelige og behagelige at se på. Det er tid til at lære tilpasning af plots i matplotlib.

Statistik er afgørende i arbejdet med data, og det er derfor meget vigtigt at kende til oprettelse af forskellige statistiske diagrammer. Nu er det tid til at udforske de mest almindelige af dem.

Seaborn er et andet kraftfuldt visualiseringsbibliotek i Python, bygget oven på matplotlib. Nu hvor du er bekendt med matplotlib, er det tid til at fordybe sig i visualisering med seaborn.

Introduktion til Seaborn

Løsning

Awesome!

Awesome!

Introduktion til Seaborn

Løsning

Awesome!