Matplotlib und Seaborn

Matplotlib und Seaborn sind zwei Bibliotheken zur Datenvisualisierung - also zum Erstellen von Diagrammen und Grafiken,n. Hier eine einfache Erklärung.

Matplotlib

• Eine grundlegende Bibliothek zur Visualisierung.
• Ermöglicht die Erstellung von Diagrammen.
• Sehr flexibel und anpassbar, jedoch manchmal etwas kompliziert und “low-level”.
• Das Modul pyplot (oft importiert als plt) ist der am häufigsten genutzte Teil.

Seaborn

• Baut auf Matplotlib auf - eine Erweiterung, die einfacher zu nutzen ist.
• Hat ein schöneres Design und liefert automatisch ansprechende Diagramme.
• Besonders gut für statistische Grafiken wie Boxplots, Violinplots, Heatmaps usw.
• Ist auf die Verwendung mit Pandas-DataFrames ausgelegt.
• Für das gleiche Ergebnis benötigt man mit Matplotlib häufig deutlich mehr Code als mit Seaborn.

1 Matplotlib

1.1 Grundlagen

1.1.1 Import

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use('dark_background')

Wie np bei NumPy und pd bei Pandas ist plt eine geläufige Bezeichnung und sollte nicht geändert werden.

1.1.2 Zeichnen einer Funktion

# x-Werte definieren
x = np.linspace(
    start=0,
    stop=2 * np.pi,
    num=50,
)

# Grafik und Axen initialisieren
fig = plt.figure()
ax = plt.axes()

# Funktion festlegen
y = np.sin(x)

# Grafik zeichnen und anzeigen
ax.plot(x, y)
plt.show()

1.1.3 Plotten einer Linie

x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.show()

1.1.4 Achsenbeschriftung, Titel & Legende

plt.plot(x, y, label='Werte')
plt.xlabel('X-Achse')
plt.ylabel('Y-Achse')
plt.title('Ein einfacher Plot')
plt.legend()
plt.show()

1.1.5 Linienstil, Marker, Farben

plt.plot(x, y, color='red', linestyle='--', linewidth=2, marker='o', markersize=8)

1.2 Diagrammtypen

1.2.1 Scatter Plot

plt.scatter(x, y, color='blue', marker='x', s=100, alpha=0.7)

1.2.2 Balkendiagramm

plt.bar(['A', 'B', 'C'], [10, 20, 15], color='green')
plt.barh(['A', 'B', 'C'], [10, 20, 15], color='orange')

1.2.3 Histogramm

data = [1, 2, 2, 3, 3, 3, 4, 4, 5]
plt.hist(data, bins=5, color='purple', edgecolor='black')

1.2.4 Boxplot

data1 = [1, 2, 5, 7, 8]
data2 = [2, 3, 6, 8, 9]
plt.boxplot([data1, data2], labels=['Gruppe 1', 'Gruppe 2'])

1.2.5 Mehrere Subplots

plt.figure(figsize=(10, 5))
plt.subplot(1, 2, 1)
plt.plot(x, y)
plt.subplot(1, 2, 2)
plt.bar(x, y)
plt.tight_layout()
plt.show()

1.2.6 Speichern

plt.savefig('mein_plot.png', dpi=300, bbox_inches='tight')

2 Seaborn

import seaborn as sns
import matplotlib.pyplot as plt
df = sns.load_dataset('tips')

2.1 Stil und Themes

sns.set_style('whitegrid')
sns.set_context('notebook')

2.2 Plots nach Datentyp

2.2.1 Line Plot

sns.lineplot(data=df, x='total_bill', y='tip')

2.2.2 Scatter Plot mit Gruppierung

sns.scatterplot(data=df, x='total_bill', y='tip', hue='sex', style='smoker', size='size')

2.2.3 Histogramm & Verteilung

sns.histplot(df['total_bill'], kde=True, bins=20)
sns.kdeplot(df['total_bill'], fill=True)

2.2.4 Boxplot & Violinplot

sns.boxplot(data=df, x='day', y='total_bill', hue='sex')
sns.violinplot(data=df, x='day', y='total_bill', inner='quartile')

2.2.5 Stripplot & Swarmplot

sns.stripplot(data=df, x='day', y='total_bill', jitter=True)
sns.swarmplot(data=df, x='day', y='total_bill')

2.3 Korrelation & Matrix-Plots

2.3.1 Heatmap

corr = df.corr(numeric_only=True)
sns.heatmap(corr, annot=True, cmap='coolwarm', linewidths=0.5)

2.3.2 Pairplot

sns.pairplot(df, hue='sex', diag_kind='kde')

2.3.3 Jointplot

sns.jointplot(data=df, x='total_bill', y='tip', kind='reg')

2.4 Nützliche Tipps & Tricks