Summary
This chapter covers how to generate line plots by passing one or two numeric arrays to a plotting function—optionally with markers—while leveraging automatic axis generation based on array indices.

General domain of usage
Data visualization

## Bruksområder

**Linjediagram** brukes til å vise forholdet mellom to variabler (f.eks. **x**, **y**) ved hjelp av rette linjer. Mer formelt viser det forholdet mellom **kontinuerlige** eller **ordinale** variabler på en kontinuerlig datapunktmåte. I tillegg kan det vise hvordan en bestemt variabel endrer seg over tid.

## Lage et linjediagram

Bruk den kjente `plot()`-funksjonen fra `pyplot` for å lage linjediagrammer. Her er et eksempel som viser et kvadratisk forhold mellom to variabler:


import matplotlib.pyplot as plt
import numpy as np

data_linear = np.arange(0, 6)
data_squared = data_linear ** 2

# Creating a line plot with specifying x and y
plt.plot(data_linear, data_squared, '-o')
plt.show()

Faktisk kan denne koden forenkles ytterligere. Se på et annet eksempel:

import matplotlib.pyplot as plt
import numpy as np
data_squared = np.arange(0, 6) ** 2
# Creating a line plot using only one array
plt.plot(data_squared, '-o')
plt.show()

Når kun én array (eller `pandas.Series()`) som `data_squared` sendes til `plot()`-funksjonen, bruker `matplotlib` verdiene i arrayen for y-aksen. X-aksen genereres automatisk ved hjelp av elementindeksene — i dette tilfellet tallene fra 0 til 5.


import unittest
from unittest.mock import patch
import importlib
import numpy as np

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 test_plot_function_is_used(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            importlib.reload(importlib.import_module("user_code"))
            _dynamic_test(
                self,
                mock_plot.called,
                "`plot()` is used to create the line plot.",
                "`plot()` is not used â make sure to call `plt.plot()`."
            )

    def test_plot_arguments_order(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            import user_code
            importlib.reload(importlib.import_module("user_code"))
            x_data = getattr(user_code, 'x_data', None)
            y_data = getattr(user_code, 'y_data', None)

            correct_order = False
            if mock_plot.called:
                args, kwargs = mock_plot.call_args
                correct_order = (
                    np.array_equal(args[0], x_data) and
                    np.array_equal(args[1], y_data)
                )

            _dynamic_test(
                self,
                correct_order,
                "`plot()` is called with `x_data` as x-axis and `y_data` as y-axis in correct order.",
                "`plot()` must be called with `x_data` (x-axis) and `y_data` (y-axis) in correct order."
            )

    def test_plot_style_argument(self):
        with patch('matplotlib.pyplot.plot') as mock_plot:
            importlib.reload(importlib.import_module("user_code"))
            correct_style = False
            if mock_plot.called:
                args, kwargs = mock_plot.call_args
                correct_style = len(args) >= 3 and args[2] == '-o'

            _dynamic_test(
                self,
                correct_style,
                "`plot()` is called with correct style ('-o' - markers and lines).",
                "`plot()` is called with incorrect style."
            )

if __name__ == '__main__':
    unittest.main()


test_line.py

Data finnes overalt rundt oss, og det er svært viktig å kunne tolke det. Visualisering hjelper deg å håndtere data ved å finne bestemte mønstre og innsikter. Du vil utvikle et solid grunnlag i datavisualisering ved bruk av Python og dets biblioteker, som matplotlib og seaborn, for å hente ut mest mulig informasjon fra data på en ryddig og presis måte.

Oppdag det grunnleggende innen datavisualisering med Matplotlib. Lær om kjernebegrepene, utforsk fordelene, og lag din første enkle graf med dette grunnleggende biblioteket for plotting.

Behersk visualisering av data gjennom de mest populære diagramtypene. Lær å bygge linje-, punkt- og stolpediagrammer for å formidle innsikt fra dataene dine på en tydelig måte.

Lær å gjøre diagrammene dine mer informative og visuelt tiltalende. Legg til titler, forklaringer, farger og rutenett, og oppdag hvordan du effektivt kan arrangere flere delplott.

Utforsk statistiske visualiseringer som hjelper med å analysere datadistribusjoner og mønstre. Lag histogrammer, boksdiagrammer og sektordiagrammer for å avdekke dypere statistiske innsikter.

Ta visualiseringsevner til neste nivå med Seaborn. Lag avanserte diagrammer som countplot, KDE, pair plot og heatmap, samtidig som du mestrer Seaborns elegante stil og tilpasningsmuligheter.

Linjediagram

Bruksområder

Lage et linjediagram

Løsning

Awesome!

Linjediagram

Bruksområder

Lage et linjediagram

Løsning