Summary  
Illustrates two methods of using a plotting library’s API: a scripting interface that implicitly manages objects via module-level functions, and an object-oriented interface where you explicitly create Figure and Axes objects and call methods on them.  

General domain of usage  
Data visualization

`matplotlib` のアーキテクチャを理解した上で、**最初のプロット**の作成に進みます。プロットを作成する一般的な2つの方法を紹介します：

* **スクリプト**方式
* `Artist` オブジェクトを明示的にインスタンス化する **オブジェクト指向**方式


## スクリプト方式

この方法では、`Figure` や `Axes` オブジェクトを明示的に作成する必要はありません（内部で自動的に処理されます）。

2次元空間では、各点は **x** 座標と **y** 座標を持ちます。これをプロットするには、`pyplot` サブモジュールをインポートし、`plt` エイリアスを使用して、`x` と `y` の変数を初期化し、`plot()` 関数に `x` と `y` を引数として渡し、ポイントマーカーとして `'o'` を指定します。



注意

import matplotlib.pyplot as plt
x = 5
y = 4
plt.plot(x, y, 'o')
plt.show()

## オブジェクト指向アプローチ

ここでの唯一の違いは、オブジェクト指向アプローチの使用です。`Figure` を使って `Axes` と `subplots()` オブジェクトを作成し、同じ引数で `.plot()` オブジェクトの `Axes` メソッドを呼び出します。


import matplotlib.pyplot as plt
x = 5
y = 4
fig, ax = plt.subplots()
ax.plot(x, y, 'o')
plt.show()

次の2行は `plt.plot()` と同等です。

他の描画関数を `plot()` の代わりに使用しても、両方の方法は同等です。本コースでは主に**スクリプト方式**を使用しますが、両方の方法を理解することが重要です。お好みの方法で点を描画してください。


import unittest
import importlib
from unittest.mock import patch
import user_code  # Assuming student's solution is in user_code.py


# Helper function to apply your dynamic assertion style
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 test_import_pyplot(self):
        condition = hasattr(user_code, "plt")
        _dynamic_test(
            self,
            condition,
            "matplotlib.pyplot is imported as plt.",
            "Expected matplotlib.pyplot to be imported as 'plt'."
        )

    def test_assign_x(self):
        x_value = getattr(user_code, "x", None)
        condition = x_value == 10
        _dynamic_test(
            self,
            condition,
            "Variable 'x' is correctly assigned to 10.",
            f"Expected variable 'x' to be 10, but got {x_value}."
        )

    def test_assign_y(self):
        y_value = getattr(user_code, "y", None)
        condition = y_value == 2
        _dynamic_test(
            self,
            condition,
            "Variable 'y' is correctly assigned to 2.",
            f"Expected variable 'y' to be 2, but got {y_value}."
        )

    def test_plot_called_with_correct_args(self):
        with patch("matplotlib.pyplot.plot") as mock_plot, patch("matplotlib.pyplot.show"):
            # Re-import module to trigger plotting code with patched functions
            importlib.reload(user_code)
            try:
                mock_plot.assert_called_with(10, 2, 'o')
                _dynamic_test(
                    self,
                    True,
                    "plt.plot() called with correct arguments (10, 2, 'o').",
                    ""
                )
            except AssertionError as e:
                _dynamic_test(
                    self,
                    False,
                    "",
                    f"plt.plot() was not called with (10, 2, 'o'): {str(e)}"
                )


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


test_basic_plotting.py

データは私たちの身の回りにあふれており、それを理解することは非常に重要です。可視化は、データ内の特定のパターンや洞察を見つけることで、データを扱うのに役立ちます。Pythonとそのライブラリ（matplotlibやseabornなど）を用いて、データからできるだけ多くの情報を整然かつ簡潔に取得するためのデータ可視化の確かな基礎を身につけます。

Matplotlibによるデータ可視化の基本を学びます。コアとなる概念を理解し、その利点を探り、この基本的なプロットライブラリを使って最初のシンプルなプロットを作成します。

最も一般的なプロットタイプを使ってデータを視覚化する方法を習得します。折れ線グラフ、散布図、棒グラフを作成し、データから得られる洞察を明確に伝える方法を学びます。

プロットをより情報豊かで視覚的に魅力的にする方法を学びます。タイトル、凡例、色、グリッドの追加や、複数のサブプロットを効果的に配置する方法を紹介します。

データの分布やパターンを分析するための統計的な可視化手法を探求します。ヒストグラム、箱ひげ図、円グラフを作成し、より深い統計的洞察を得ます。

Seabornを使用して、可視化スキルをさらに高めましょう。カウントプロット、KDE、ペアプロット、ヒートマップなどの高度なプロットを作成し、Seabornの洗練されたスタイルとカスタマイズオプションを習得します。

Basic Plotting

スクリプト方式

オブジェクト指向アプローチ

解答