Summary  
This chapter introduces a high-level plotting library that simplifies creating statistical visualizations through concise function calls, built-in styling, and seamless integration with tabular data.  

General domain of usage  
Data visualization

**Seaborn** on korkean tason visualisointikirjasto, joka pohjautuu `matplotlib`-kirjastoon. Tarkastellaan sen etuja verrattuna `matplotlib`-kirjastoon:
* yksinkertaisempi käyttöliittymä;
* laaja valikoima oletustyylejä ja väripaletteja;
* toimii hyvin yhteen `pandas` DataFrame -rakenteen kanssa;
* monipuoliset sisäänrakennetut tilastolliset toiminnot.

Alla esimerkki kuvaajasta, joka on luotu `seaborn`-kirjastolla yhdellä koodirivillä:

Kaikki, mitä voit toteuttaa `seaborn`-kirjastolla, on mahdollista tehdä myös `matplotlib`-kirjastolla, mutta se saattaa usein vaatia enemmän aikaa ja vaivaa.

Huomio

Kuitenkin, koska `matplotlib` on verrattain **alhaisen tason** kirjasto, se tarjoaa enemmän **joustavuutta** kaavioiden luomiseen. Jos tarvitset hyvin yksilöllisen kaavion, jossa on runsaasti mukautuksia, `matplotlib` on edelleen paras valinta.

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 on kaikkialla ympärillämme, ja sen ymmärtäminen on erittäin tärkeää. Visualisointi auttaa käsittelemään dataa löytämällä siitä tiettyjä kuvioita ja oivalluksia. Kehität vankan perustan datan visualisoinnille Pythonilla ja sen kirjastoilla, kuten matplotlib ja seaborn, saadaksesi mahdollisimman paljon tietoa datasta selkeällä ja tiiviillä tavalla.

Tutustu Matplotlibin keskeisiin tietojen visualisoinnin perusteisiin. Käy läpi sen ydinkäsitteet, tarkastele sen etuja ja luo ensimmäinen yksinkertainen kuvaaja tämän keskeisen piirtoalustan avulla.

Hallitse tiedon visualisointi suosituimpien kuvaajatyypien avulla. Opi rakentamaan viiva-, piste- ja pylväsdiagrammeja havainnollistaaksesi datasta saadut oivallukset selkeästi.

Opi tekemään kaavioistasi informatiivisempia ja visuaalisesti houkuttelevampia. Lisää otsikoita, selitteitä, värejä ja ruudukoita sekä tutustu useiden alikuvioiden tehokkaaseen asetteluun.

Tutustu tilastollisiin visualisointeihin, jotka auttavat analysoimaan aineistojen jakaumia ja rakenteita. Laadi histogrammeja, laatikkokaavioita ja piirakkakaavioita syvällisempien tilastollisten havaintojen löytämiseksi.

Vie visualisointitaitosi seuraavalle tasolle Seabornin avulla. Luo edistyneitä kaavioita, kuten countplot-, KDE-, pair plot- ja heatmap-kaavioita, samalla kun hallitset Seabornin tyylikkäät ulkoasut ja mukautusmahdollisuudet.

Seabornin Esittely

Ratkaisu

Seabornin Esittely

Ratkaisu