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` (regresjonsplot) brukes til å visualisere data og en lineær regresjonsmodelltilpasning.

Den tegner et spredningsdiagram av to variabler, `x` og `y`, og tilpasser deretter en lineær regresjonslinje (beste prediksjonslinje) gjennom dem for å visualisere korrelasjonen.



## Viktige parametere

* **`fit_reg`**: dette er den viktigste innstillingen;
* `True` (standard): tegner regresjonslinjen og konfidensintervallet (det skyggelagte området);
* `False`: tegner kun spredningsdiagrammet. Dette er nyttig når du ønsker stilen til `regplot`, men ikke trenger modellen;
* **`marker`**: endrer symbolet for datapunktene (f.eks. `'+'`, `'x'`, `'o'`);
* **`color`**: angir fargen for både punktene og linjen.



## Eksempel

Her er et regresjonsplot som viser det sterke forholdet mellom totalregning og tipsbeløp.

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

Utforsk kraften i statistisk datavisualisering utviklet for å avdekke mønstre og sammenhenger. Bruk Seaborn til å lage informative fordelingsdiagrammer, varmekart og kategoriske diagrammer med minimal kode. Lær å anvende estetiske temaer og fargepaletter som gjør kompleks statistisk data tilgjengelig og lett å tolke.

Visualisering av lineær regresjon

Viktige parametere

Eksempel

Løsning