Summary  
This chapter explains how to customize plot aesthetics by configuring global style settings, color palettes, and context scaling parameters in a plotting library.  

General domain of usage  
Data visualization

## Tyylin asettaminen

`seaborn` tarjoaa `set_style()`-funktion, jolla voidaan määrittää kuvaajien visuaalinen tyyli. Tämä funktio vaatii yhden **pakollisen** parametrin nimeltä `style`. `style`-parametri hyväksyy useita ennalta määriteltyjä vaihtoehtoja, joista jokainen edustaa erilaista tyyliä:

* `'white'`
* `'dark'`
* `'whitegrid'`
* `'darkgrid'`
* `'ticks'`

Näitä vaihtoehtoja voi kokeilla vapaasti:

import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

## Paletin asettaminen

Toinen vaihtoehto on muuttaa kuvaajan elementtien värejä `seaborn`-kirjastossa käyttämällä `set_palette()`-funktiota, jossa keskitytään sen ainoaan pakolliseen parametriin: `palette`:

* Ympyräpaletit: `'hls'`, `'husl'`;
* Havaintoyhtenäiset paletit: `'rocket'`, `'magma'`, `'mako'`, jne;
* Divergoivat väripaletit: `'RdBu'`, `'PRGn'`, jne;
* Jaksolliset väripaletit: `'Greys'`, `'Blues'`, jne.



Voit tutustua erilaisiin paletteihin tarkemmin <a href="https://seaborn.pydata.org/tutorial/color_palettes.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> "Choosing color palettes"</a> -artikkelissa.

Lisätietoa

import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

# Setting the palette
sns.set_palette('magma')

# Loading a built-in dataset of the Titanic passengers
titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

## Kontekstin asettaminen

`seaborn`-kirjastossa on myös toinen funktio, `set_context()`. Se vaikuttaa esimerkiksi **otsikoiden**, **viivojen** ja muiden kuvaajan elementtien kokoon (yleisilme ei muutu).

Tärkein parametri on `context`, joka voi olla joko parametrien `dict`-sanakirja tai `string`, joka viittaa esiasetettuun kokonaisuuteen.

Oletusarvoinen `context` on `'notebook'`. Muita vaihtoehtoja ovat `'paper'`, `'talk'` ja `'poster'`, jotka ovat käytännössä skaalattuja versioita `notebook`-parametreista.


import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

# Setting the palette
sns.set_palette('magma')

# Setting the context
sns.set_context('paper')

# Loading a built-in dataset of the Titanic passengers
titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

Lisätietoja löydät <a href="https://seaborn.pydata.org/generated/seaborn.set_context.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <code>set_context()</code> dokumentaatiosta</a>.

import unittest
import ast
import inspect
import user_code  # student's solution code

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 TestSeabornConfig(unittest.TestCase):

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

    def test_set_style_dark(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_style'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'dark'
            for call in calls
        )
        _dynamic_test(self, correct, "Style is 'dark'", "Style isn't 'dark'")

    def test_set_palette_rocket(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_palette'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'rocket'
            for call in calls
        )
        _dynamic_test(self, correct, "Palette is 'rocket'", "Palette isn't 'rocket'")

    def test_set_context_talk(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_context'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'talk'
            for call in calls
        )
        _dynamic_test(self, correct, "Context is 'talk'", "Context isn't 'talk'")

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


test_decorations.py

Data on kaikkialla ympärillämme, ja sen ymmärtäminen on erittäin 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.

Tutustu Matplotlibin keskeisiin tietojen visualisoinnin perusteisiin. Käy läpi sen ydinkäsitteet, tarkastele sen etuja ja luo ensimmäinen yksinkertainen kuvaaja tämän keskeisen piirtoalustan avulla.

Hallitse tiedon visualisointi suosituimpien kuvaajatyypien avulla. Opi rakentamaan viiva-, piste- ja pylväsdiagrammeja havainnollistaaksesi datasta saadut oivallukset selkeästi.

Opi tekemään kaavioistasi informatiivisempia ja visuaalisesti houkuttelevampia. Lisää otsikoita, selitteitä, värejä ja ruudukoita sekä tutustu useiden alikuvioiden tehokkaaseen asetteluun.

Tutustu tilastollisiin visualisointeihin, jotka auttavat analysoimaan aineistojen jakaumia ja rakenteita. Laadi histogrammeja, laatikkokaavioita ja piirakkakaavioita syvällisempien tilastollisten havaintojen löytämiseksi.

Vie visualisointitaitosi seuraavalle tasolle Seabornin avulla. Luo edistyneitä kaavioita, kuten countplot-, KDE-, pair plot- ja heatmap-kaavioita, samalla kun hallitset Seabornin tyylikkäät ulkoasut ja mukautusmahdollisuudet.

Kuvaajien Koristelu

Tyylin asettaminen

Paletin asettaminen

Kontekstin asettaminen

Ratkaisu