**Seaborn** ist eine High-Level-Visualisierungsbibliothek, die auf `matplotlib` basiert. Im Vergleich zu `matplotlib` bietet sie folgende Vorteile:
* einfachere Schnittstelle;
* eine große Auswahl an Standardstilen und Farbpaletten;
* funktioniert gut mit `pandas` DataFrames;
* eine breite Palette integrierter statistischer Funktionen.

Hier ist ein Beispiel für ein Diagramm, das mit nur einer Codezeile in `seaborn` erstellt wurde:

Offensichtlich lässt sich alles, was mit `seaborn` möglich ist, auch mit `matplotlib` umsetzen, allerdings ist dies oft mit mehr Zeit- und Arbeitsaufwand verbunden.

Hinweis

Allerdings bietet `matplotlib` als eher **Low-Level**-Bibliothek im Vergleich mehr **Flexibilität** für Diagramme. Wenn ein besonders individuelles Diagramm mit vielen Anpassungen benötigt wird, bleibt `matplotlib` die beste Wahl.

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

Daten sind allgegenwärtig, und ihre Interpretation ist von entscheidender Bedeutung. Visualisierung unterstützt bei der Analyse von Daten, indem sie Muster und Erkenntnisse sichtbar macht. Sie erwerben ein fundiertes Verständnis der Datenvisualisierung mit Python und dessen Bibliotheken wie matplotlib und seaborn, um Informationen aus Daten strukturiert und übersichtlich zu extrahieren.

Zunächst werden wir Plotting-Anwendungen, die Matplotlib-Bibliothek und ihre Vorteile besprechen. Anschließend wird das erste einfache Diagramm mit Matplotlib erstellt.

Nun sind Sie bereit, verschiedene in der Praxis häufig verwendete Diagramme zu erstellen. Ohne weitere Umschweife beginnen wir jetzt damit!

Das Erstellen von Diagrammen und Visualisierungen umfasst nicht nur das Erzeugen einzelner Diagramme, sondern auch deren klare, verständliche und ansprechende Darstellung. Zeit, die Anpassung von Diagrammen in Matplotlib zu erlernen.

Statistik ist für die Arbeit mit Daten unerlässlich, weshalb es äußerst wichtig ist, verschiedene statistische Diagramme erstellen zu können. Nun ist es an der Zeit, die gebräuchlichsten davon zu erkunden.

Seaborn ist eine weitere leistungsstarke Visualisierungsbibliothek in Python, die auf matplotlib aufbaut. Nachdem Sie nun mit matplotlib vertraut sind, ist es an der Zeit, sich mit der Visualisierung mit Seaborn zu beschäftigen.

Einführung in Seaborn

Lösung

Einführung in Seaborn

Lösung