**Seaborn** on korkean tason visualisointikirjasto, joka pohjautuu `matplotlib`-kirjastoon. Tarkastellaan sen etuja verrattuna `matplotlib`iin:
* yksinkertaisempi käyttöliittymä;
* laaja valikoima oletustyylejä ja väripaletteja;
* toimii hyvin yhteen `pandas` DataFrame -rakenteen kanssa;
* laaja valikoima sisäänrakennettuja tilastollisia funktioita.

Tässä on esimerkki kuvaajasta, joka on luotu `seaborn`-kirjastolla vain yhdellä koodirivillä:

Kaikki, mitä voit toteuttaa `seaborn`-kirjastolla, on mahdollista tehdä myös `matplotlib`illa, mutta se voi usein vaatia enemmän aikaa ja vaivaa.

Huomio

`matplotlib` on kuitenkin verrattain **matalan tason** kirjasto, joka tarjoaa enemmän **joustavuutta** kuvaajien muokkaamiseen. Jos tarvitset hyvin yksilöllisen kuvaajan, jossa on runsaasti räätälöityjä ominaisuuksia, `matplotlib` on edelleen paras valinta.

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

Dataa on kaikkialla ympärillämme, ja sen ymmärtäminen on äärimmäisen tärkeää. Visualisointi auttaa käsittelemään dataa löytämällä siitä tiettyjä kuvioita ja oivalluksia. Kehität vankan perustan datan visualisoinnille Pythonilla ja sen kirjastoilla, kuten matplotlib ja seaborn, saadaksesi mahdollisimman paljon tietoa datasta selkeällä ja tiiviillä tavalla.

Ensiksi käsittelemme piirtosovelluksia, Matplotlib-kirjastoa ja sen etuja. Tämän jälkeen luot ensimmäisen yksinkertaisen kuvaajasi Matplotlibilla.

Nyt olet valmis luomaan erilaisia käytännössä yleisesti käytettyjä kuvaajia. Ilman turhaa viivyttelyä, aloitetaan heti!

Piirtäminen ja visualisointi eivät tarkoita vain kaavioiden luomista, vaan myös niiden tekemistä selkeiksi, ymmärrettäviksi ja miellyttäviksi katsella. On aika oppia kaavioiden mukauttamista matplotlibilla.

Tilastotiede on olennainen osa datan käsittelyä, minkä vuoksi erilaisten tilastollisten kuvaajien luomisen osaaminen on erittäin tärkeää. Nyt on aika tutustua yleisimpiin tilastollisiin kuvaajiin.

Seaborn on toinen tehokas Pythonin visualisointikirjasto, joka perustuu matplotlibiin. Nyt kun olet perehtynyt matplotlibiin, on aika syventyä visualisointiin Seabornilla.

Seabornin Esittely

Ratkaisu

Seabornin Esittely

Ratkaisu