Summary  
This chapter introduces how to create and manage Figure and Axes objects in matplotlib’s artist layer via the pyplot module, demonstrating the use of subplots() to set up a canvas, plotting on the Axes, and printing the canvas with show().

General domain of usage  
Data visualization

`matplotlib` sisältää kolme kerrosta:
* **Backend-kerros**: piirtää kuvaajan näytölle tai tiedostoihin;
* **Artist-kerros**: määrittelee, miten data järjestetään, koostuu yhdestä oliosta, `Artist`;
* **Scripting-kerros**: yhdistää edelliset kaksi kerrosta ja helpottaa niiden käyttöä.

Pääpaino on scripting-kerroksessa, erityisesti `pyplot`-moduulissa, sekä artist-kerroksessa. Artist-kerros sisältää seuraavat:

* **Kontit** (esim. `Figure`, `Axes`);
* **Primitiiivit** (esim. viiva, suorakulmio, ympyrä, teksti jne.).

`Figure` on pääasiallinen `Artist`-olio ja sitä voi ajatella kankaana, johon kaikki kuvaajat sijoitetaan. Se pitää kaiken koossa.

Toisaalta `Axes` on olio, joka koostuu kahdesta akselista: x-akselista ja y-akselista.



`Figure` = kangas, `Axes` = x-akseli + y-akseli.

Huomio

Seuraavaksi tarkastellaan `Figure`-olion ja sen `Axes`-olioiden luomista:

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot()
plt.show()

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.

Kankaan Luominen

Awesome!

Kankaan Luominen