**Seaborn** est une bibliothèque de visualisation de haut niveau basée sur `matplotlib`. Voici ses avantages par rapport à `matplotlib` :
* interface plus simple ;
* large gamme de styles et palettes de couleurs par défaut ;
* intégration efficace avec les DataFrames de `pandas` ;
* nombreuses fonctions statistiques intégrées.

Voici un exemple de graphique créé avec `seaborn` en une seule ligne de code :

En réalité, tout ce qui peut être réalisé avec `seaborn` peut également l'être avec `matplotlib`, mais cela peut souvent demander plus de temps et d'efforts.

Remarque

Cependant, `matplotlib`, étant une bibliothèque relativement **bas niveau** en comparaison, offre une plus grande **flexibilité** pour vos graphiques. Ainsi, si vous devez créer un graphique unique avec de nombreuses personnalisations, `matplotlib` reste le meilleur choix.

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

Les données sont omniprésentes autour de nous, et leur interprétation est d'une importance capitale. La visualisation permet de traiter les données en identifiant certains motifs et informations clés. Vous acquerrez des bases solides en visualisation de données avec Python et ses bibliothèques, telles que matplotlib et seaborn, afin d'extraire un maximum d'informations de manière claire et concise.

Tout d'abord, nous aborderons les applications de traçage, la bibliothèque Matplotlib et ses avantages. Ensuite, vous créerez votre premier graphique simple à l'aide de Matplotlib.

Vous êtes maintenant prêt à créer divers graphiques couramment utilisés en pratique. Sans plus attendre, commençons dès maintenant !

La création de graphiques et la visualisation ne consistent pas seulement à générer un ou plusieurs graphiques, mais aussi à les rendre clairs, compréhensibles et agréables à regarder. Il est temps d'apprendre la personnalisation des graphiques dans matplotlib.

Les statistiques sont essentielles dans le travail avec les données, c'est pourquoi il est extrêmement important de savoir créer divers graphiques statistiques. Il est maintenant temps d'explorer les plus courants.

Seaborn est une autre bibliothèque de visualisation puissante en Python, construite sur matplotlib. Maintenant que vous connaissez matplotlib, il est temps d'explorer la visualisation avec seaborn.

Introduction à Seaborn

Solution

Introduction à Seaborn

Solution