Summary  
This chapter covers how to use seaborn’s regplot function to visualize the relationship between two variables by drawing a scatter plot and fitting a linear regression line (with optional confidence interval), with customization via parameters like fit_reg, marker, and color.

General domain of usage  
Exploratory data analysis

`regplot` (regressiokuvaaja) käytetään tietojen ja lineaarisen regressiomallin sovituksen visualisointiin.

Se piirtää hajontakuvion kahdesta muuttujasta, `x` ja `y`, ja sovittaa niiden läpi lineaarisen regressiosuoran (paras ennustelinja) korrelaation havainnollistamiseksi.



## Keskeiset parametrit

* **`fit_reg`**: tärkein asetus;
* `True` (oletus): piirtää regressiosuoran ja luottamusvälin (varjostettu alue);
* `False`: piirtää vain hajontakuvion. Tämä on hyödyllistä, kun haluat käyttää `regplot`-tyyliä ilman mallia;
* **`marker`**: muuttaa datapisteiden symbolia (esim. `'+'`, `'x'`, `'o'`);
* **`color`**: määrittää sekä pisteiden että viivan värin.



## Esimerkki

Tässä regressiokuvaaja, joka havainnollistaa vahvaa yhteyttä laskun kokonaissumman ja tipin määrän välillä.

import seaborn as sns
import matplotlib.pyplot as plt

# Load dataset
df = sns.load_dataset('tips')

# Create a regression plot
sns.regplot(
    data=df,
    x='total_bill',
    y='tip',
    color='b',       # Blue color
    marker='x',      # Use 'x' as marker
    fit_reg=True     # Show the line
)

plt.show()

import unittest
import importlib
import sys
import pandas as pd
from unittest.mock import patch, MagicMock

# Helper function to dynamically generate test names and assertions
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 TestUserCode(unittest.TestCase):

    def setUp(self):
        self.patcher_csv = patch('pandas.read_csv')
        self.mock_read_csv = self.patcher_csv.start()
        
        # Provide real data structure
        self.mock_df = pd.DataFrame({
            'total_bill': [16.99, 10.34, 21.01],
            'tip': [1.01, 1.66, 3.50]
        })
        self.mock_read_csv.return_value = self.mock_df

    def tearDown(self):
        self.patcher_csv.stop()

    # Test custom style configuration
    def test_style_configuration(self):
        with patch('seaborn.regplot'), patch('matplotlib.pyplot.show'):
            with patch('seaborn.set_style') as mock_style:
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code
            
            if not mock_style.called:
                 _dynamic_test(self, False, "", "Expected `sns.set_style()` to be called.")
                 return

            args, kwargs = mock_style.call_args
            style_name_correct = args[0] == 'darkgrid'
            
            # Check dictionary configuration
            rc_params = args[1] if len(args) > 1 else kwargs.get('rc', {})
            fig_face_correct = rc_params.get('figure.facecolor') == 'tan'
            ax_face_correct = rc_params.get('axes.facecolor') == 'cornsilk'

            _dynamic_test(
                self,
                style_name_correct and fig_face_correct and ax_face_correct,
                "The style is set to 'darkgrid' with 'tan' figure and 'cornsilk' axes.",
                "Expected `sns.set_style('darkgrid', {'figure.facecolor': 'tan', 'axes.facecolor': 'cornsilk'})`."
            )

    # Test regplot parameters
    def test_regplot_params(self):
        with patch('seaborn.regplot') as mock_reg:
            with patch('matplotlib.pyplot.show'):
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code
            
            if not mock_reg.called:
                _dynamic_test(self, False, "", "Expected `sns.regplot()` to be used.")
                return

            args, kwargs = mock_reg.call_args
            
            # Check data binding
            x_check = kwargs.get('x') == 'total_bill'
            y_check = kwargs.get('y') == 'tip'
            data_check = kwargs.get('data') is user_code.df

            # Check styling parameters
            marker_check = kwargs.get('marker') == '+'
            color_check = kwargs.get('color') == 'green'
            fit_reg_check = kwargs.get('fit_reg') is False

            _dynamic_test(
                self,
                all([x_check, y_check, data_check, marker_check, color_check, fit_reg_check]),
                "The `regplot` parameters (`marker`, `color`, `fit_reg`) are configured correctly.",
                f"Expected `marker='+'`, `color='green'`, `fit_reg=False`. Got: {kwargs}"
            )

    # Test show
    def test_show_used(self):
        with patch('seaborn.regplot'):
            with patch('matplotlib.pyplot.show') as mock_show:
                if 'user_code' in sys.modules:
                    importlib.reload(sys.modules['user_code'])
                import user_code

                _dynamic_test(
                    self,
                    mock_show.called,
                    "The `plt.show()` function is used.",
                    "Expected `plt.show()` to be used to display the plot."
                )

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

test_code.py

Tutustu tilastollisen datan visualisoinnin mahdollisuuksiin, joiden avulla paljastetaan kuvioita ja riippuvuuksia. Käytä Seaborn-kirjastoa luodaksesi informatiivisia jakaumakuvioita, lämpökarttoja ja kategorisia kaavioita vähällä koodilla. Opettele soveltamaan esteettisiä teemoja ja väripaletteja, jotka tekevät monimutkaisesta tilastollisesta datasta helposti tulkittavaa ja saavutettavaa.

Lineaarisen Regressioan Visualisointi

Keskeiset parametrit

Esimerkki

Ratkaisu