Summary  
This chapter introduces how to create and manage Figure and Axes objects in matplotlib’s artist layer via the pyplot module, demonstrating the use of subplots() to set up a canvas, plotting on the Axes, and printing the canvas with show().

General domain of usage  
Data visualization

`matplotlib` har tre lager:
* **Backend-lager**: renderar diagram till skärmar eller filer;
* **Artist-lager**: beskriver hur data är arrangerad, består av ett objekt, `Artist`;
* **Scripting-lager**: kopplar samman de två föregående lagren och förenklar åtkomsten till dem.

Huvudfokus ligger på scripting-lagret med modulen `pyplot` och artist-lagret. Artist-lagret inkluderar följande:

* **Behållare** (t.ex. `Figure`, `Axes`);
* **Primitiver** (t.ex. linje, rektangel, cirkel, text, etc).

`Figure` är det huvudsakliga `Artist`-objektet och kan ses som en duk där alla diagram placeras. I princip håller det ihop allt.

Å andra sidan är `Axes` ett objekt som består av två axelobjekt, x-axel och y-axel.



`Figure` = duk, `Axes` = x-axel + y-axel.

Notering

Nu följer en genomgång av hur `Figure` och dess `Axes` skapas:

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot()
plt.show()

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.

Ultimat Visualisering med Python

Skapa en Duk

Ultimat Visualisering med Python

Skapa en Duk