Summary  
This chapter introduces a high-level plotting library that simplifies creating statistical visualizations through concise function calls, built-in styling, and seamless integration with tabular data.  

General domain of usage  
Data visualization

**Seaborn** er et avanceret visualiseringsbibliotek baseret på `matplotlib`. Her er nogle af dets fordele 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` ved blot én linje kode:

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

Bemærk

Dog `matplotlib` er et forholdsvis **lav-niveau** bibliotek i sammenligning, tilbyder det mere **fleksibilitet** til dine plots, så hvis du har behov 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.

Opdag det grundlæggende inden for datavisualisering med Matplotlib. Lær dets kernekoncepter, udforsk dets fordele, og opret dit første enkle plot ved hjælp af dette fundamentale plotbibliotek.

Opnå færdigheder i at visualisere data gennem de mest populære diagramtyper. Lær at opbygge linje-, punkt- og søjlediagrammer for tydelig formidling af indsigter fra dine data.

Lær at gøre dine plots mere informative og visuelt tiltalende. Tilføj titler, signaturforklaringer, farver og gitterlinjer, og opdag hvordan du effektivt arrangerer flere underplots.

Udforsk statistiske visualiseringer, der hjælper med at analysere datadistributioner og mønstre. Opret histogrammer, boksplot og cirkeldiagrammer for at afdække dybere statistiske indsigter.

Forbedr dine visualiseringsevner med Seaborn. Opret avancerede diagrammer såsom countplots, KDE'er, parplots og heatmaps, mens du mestrer Seaborns elegante stil og tilpasningsmuligheder.

Introduktion til Seaborn

Løsning

Awesome!

Introduktion til Seaborn

Løsning