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** är ett hög-nivå visualiseringsbibliotek baserat på `matplotlib`. Här är några av dess fördelar jämfört med `matplotlib`:
* enklare gränssnitt;
* ett brett utbud av standardstilar och färgpaletter;
* fungerar väl med `pandas` DataFrame;
* ett brett utbud av inbyggda statistiska funktioner.

Här är ett exempel på ett diagram skapat med `seaborn` med endast en rad kod:

Tydligen kan allt som kan göras med `seaborn` även uppnås med `matplotlib`, men det kan ofta ta mer tid och ansträngning.

Notering

Dock erbjuder `matplotlib`, som är ett betydligt **låg-nivå** bibliotek i jämförelse, mer **flexibilitet** för dina diagram. Om du behöver skapa ett unikt diagram med många anpassningar är `matplotlib` fortfarande det bästa valet.

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 finns överallt omkring oss, och att förstå den är oerhört viktigt. Visualisering hjälper dig att hantera data genom att identifiera vissa mönster och insikter. Du kommer att utveckla en gedigen grund inom datavisualisering med Python och dess bibliotek, såsom matplotlib och seaborn, för att få ut så mycket information som möjligt ur data på ett tydligt och koncist sätt.

Först kommer vi att diskutera plottingsapplikationer, Matplotlib-biblioteket och dess fördelar. Därefter kommer du att skapa din första enkla plot med Matplotlib.

Nu är du redo att skapa olika diagram som ofta används i praktiken. Utan vidare dröjsmål, låt oss börja direkt!

Att skapa diagram och visualiseringar handlar inte bara om att generera ett eller flera diagram, utan även om att göra dem tydliga, begripliga och estetiskt tilltalande. Dags att lära sig anpassning av diagram i matplotlib.

Statistik är avgörande vid arbete med data, därför är det mycket viktigt att kunna skapa olika statistiska diagram. Nu är det dags att utforska de vanligaste av dem.

Seaborn är ett annat kraftfullt visualiseringsbibliotek i Python som är byggt ovanpå matplotlib. Nu när du är bekant med matplotlib är det dags att fördjupa sig i visualisering med seaborn.

Introduktion till Seaborn

Lösning

Awesome!

Awesome!

Introduktion till Seaborn

Lösning

Awesome!