**Seaborn** is een high-level visualisatiebibliotheek gebaseerd op `matplotlib`. Hier zijn de voordelen ten opzichte van `matplotlib`:
* eenvoudigere interface;
* een breed scala aan standaardstijlen en kleurpaletten;
* werkt goed met `pandas` DataFrame;
* een breed scala aan ingebouwde statistische functies.

Hier is een voorbeeld van een grafiek gemaakt met `seaborn` in slechts één regel code:

Blijkbaar kan alles wat je met `seaborn` kunt bereiken ook met `matplotlib` worden gedaan, maar dit kost vaak meer tijd en moeite.

Opmerking

Toch biedt `matplotlib`, als een relatief **low-level** bibliotheek, meer **flexibiliteit** voor je visualisaties. Als je een unieke grafiek met veel aanpassingen wilt maken, blijft `matplotlib` de beste keuze.

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 is overal om ons heen, en het begrijpen ervan is van groot belang. Visualisatie helpt bij het analyseren van data door patronen en inzichten te ontdekken. U ontwikkelt een degelijke basis in datavisualisatie met Python en de bijbehorende bibliotheken, zoals matplotlib en seaborn, om zo veel mogelijk informatie uit data te halen op een overzichtelijke en beknopte manier.

Eerst bespreken we plottoepassingen, de Matplotlib-bibliotheek en de voordelen ervan. Vervolgens maak je je eerste eenvoudige plot met Matplotlib.

Nu bent u klaar om diverse in de praktijk veelgebruikte grafieken te maken. Laten we zonder verdere omhaal direct aan de slag gaan!

Plotten en visualisatie gaan niet alleen over het maken van één of meerdere grafieken, maar ook over het duidelijk, begrijpelijk en aantrekkelijk presenteren ervan. Tijd om het aanpassen van plots in Matplotlib te leren.

Statistiek is essentieel bij het werken met data, daarom is het uiterst belangrijk om te weten hoe je verschillende statistische grafieken maakt. Nu is het tijd om de meest voorkomende te verkennen.

Seaborn is een andere krachtige plotbibliotheek in Python, gebouwd bovenop matplotlib. Nu je vertrouwd bent met matplotlib, is het tijd om je te verdiepen in visualisatie met seaborn.

Introductie tot Seaborn

Oplossing

Introductie tot Seaborn

Oplossing