Summary  
Demonstrates how to leverage a high-level plotting library to quickly implement statistical plots with default styles and seamless DataFrame integration.

General domain of usage  
Data visualization

**Seaborn** er et høynivå-bibliotek for plotting basert på `matplotlib`. Her er noen fordeler sammenlignet med `matplotlib`:
* enklere grensesnitt;
* et bredt utvalg av standardstiler og fargepaletter;
* fungerer godt med `pandas` DataFrame;
* et bredt utvalg av innebygde statistiske funksjoner.

Her er et eksempel på et diagram laget med `seaborn` med kun én kodelinje:

Tilsynelatende kan alt du oppnår med `seaborn` også gjøres med `matplotlib`, men det kan ofte kreve mer tid og innsats.

Merk

Likevel, siden `matplotlib` er et relativt **lavnivå** bibliotek i sammenligning, gir det mer **fleksibilitet** for diagrammene dine. Hvis du trenger å lage et unikt diagram med mange tilpasninger, er `matplotlib` fortsatt det beste valget.

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

Data finnes overalt rundt oss, og det er svært viktig å forstå det. Visualisering hjelper deg med å håndtere data ved å finne bestemte mønstre og innsikter. Du vil utvikle et solid grunnlag i datavisualisering ved bruk av Python og dets biblioteker, som matplotlib og seaborn, for å hente ut mest mulig informasjon fra data på en ryddig og konsis måte.

Først vil vi diskutere plotteapplikasjoner, Matplotlib-biblioteket og dets fordeler. Deretter vil du lage ditt første enkle plot ved hjelp av Matplotlib.

Nå er du klar til å lage ulike diagrammer som ofte brukes i praksis. Uten videre introduksjon, la oss gå rett i gang!

Plotting og visualisering handler ikke bare om å lage et diagram eller flere diagrammer, det handler også om å gjøre dem tydelige, forståelige og behagelige å se på. Nå er det på tide å lære tilpasning av diagrammer i matplotlib.

Statistikk er essensielt når man arbeider med data, og det er derfor svært viktig å kunne lage ulike statistiske diagrammer. Nå skal vi utforske de mest vanlige typene.

Seaborn er et annet kraftig visualiseringsbibliotek i Python, bygget på toppen av matplotlib. Nå som du er kjent med matplotlib, er det på tide å utforske visualisering med seaborn.

Introduksjon til Seaborn

Løsning

Awesome!

Introduksjon til Seaborn

Løsning

Awesome!