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

De `regplot` (regressieplot) wordt gebruikt om gegevens en een lineair regressiemodel te visualiseren.

Het maakt een spreidingsdiagram van twee variabelen, `x` en `y`, en past vervolgens een lineaire regressielijn (de best passende voorspellingslijn) toe om de correlatie te visualiseren.



## Belangrijkste parameters

* **`fit_reg`**: dit is de belangrijkste schakelaar;
* `True` (standaard): tekent de regressielijn en het betrouwbaarheidsinterval (het gearceerde gebied);
* `False`: tekent alleen het spreidingsdiagram. Dit is handig wanneer je de stijl van `regplot` wilt gebruiken, maar het model niet nodig hebt;
* **`marker`**: wijzigt het symbool van de datapunten (bijv. `'+'`, `'x'`, `'o'`);
* **`color`**: stelt de kleur in voor zowel de punten als de lijn.



## Voorbeeld

Hier is een regressieplot die de sterke relatie tussen het totaalbedrag van de rekening en het fooi-bedrag toont.

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

Ontdek de kracht van statistische datavisualisatie die patronen en relaties onthult. Gebruik Seaborn om informatieve distributieplots, heatmaps en categorische grafieken te maken met minimale code. Leer esthetische thema's en kleurpaletten toe te passen die complexe statistische data toegankelijk en eenvoudig te interpreteren maken.

Lineaire Regressie Visualiseren

Belangrijkste parameters

Voorbeeld

Oplossing