Summary  
This chapter introduces a high-level plotting library that simplifies creating statistical visualizations through concise function calls, built-in styling, and seamless integration with tabular data.  

General domain of usage  
Data visualization

**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 de 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 :

Apparemment, 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 essentielle. La visualisation permet d’analyser 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.

Découvrez les principes fondamentaux de la visualisation de données avec Matplotlib. Comprenez ses concepts clés, explorez ses avantages et réalisez un premier graphique simple à l'aide de cette bibliothèque de visualisation essentielle.

Maîtriser la visualisation des données à travers les types de graphiques les plus populaires. Apprendre à construire des graphiques linéaires, de dispersion et à barres pour communiquer clairement les informations issues des données.

Apprenez à rendre vos graphiques plus informatifs et attrayants visuellement. Ajoutez des titres, des légendes, des couleurs et des grilles, et découvrez comment organiser efficacement plusieurs sous-graphiques.

Explorer des visualisations statistiques permettant d’analyser les distributions et les tendances des données. Créer des histogrammes, des boîtes à moustaches et des diagrammes circulaires pour révéler des informations statistiques approfondies.

Améliorez vos compétences en visualisation avec Seaborn. Créez des graphiques avancés tels que les countplots, KDE, pair plots et heatmaps tout en maîtrisant le style élégant et les options de personnalisation de Seaborn.

Introduction à Seaborn

Solution

Awesome!

Introduction à Seaborn

Solution