Interaktive Visualisierungen mit Plotly
Plotly Express, interaktive Diagramme, Dashboards, Animationen, geografische Karten, Export
1Was ist der Hauptunterschied zwischen Plotly Express und Plotly Graph Objects?
Was ist der Hauptunterschied zwischen Plotly Express und Plotly Graph Objects?
Antwort
Plotly Express ist eine High-Level-API, mit der Diagramme in einer einzigen Codezeile mit einfachen Parametern erstellt werden können. Plotly Graph Objects ist die Low-Level-API, die vollständige Kontrolle über jedes Diagrammelement bietet. Plotly Express verwendet intern Graph Objects, was den Wechsel zwischen beiden ermöglicht, um Diagramme weiter anzupassen.
2Wie erstellt man ein Scatter Plot mit Plotly Express aus einem Pandas DataFrame?
Wie erstellt man ein Scatter Plot mit Plotly Express aus einem Pandas DataFrame?
Antwort
Die Funktion px.scatter() nimmt ein DataFrame und verwendet die Parameter x und y, um anzugeben, welche Spalten auf jeder Achse angezeigt werden sollen. Diese präzise Syntax ermöglicht das schnelle Erstellen interaktiver Visualisierungen ohne komplexe Konfiguration. Optionale Parameter wie color, size und hover_data ermöglichen die Anreicherung des Diagramms.
3Welcher Plotly Express-Parameter ermöglicht das Einfärben von Punkten gemäß einer kategorialen Variable?
Welcher Plotly Express-Parameter ermöglicht das Einfärben von Punkten gemäß einer kategorialen Variable?
Antwort
Der color-Parameter in Plotly Express weist jedem einzigartigen Wert einer kategorialen Variablen automatisch unterschiedliche Farben zu. Plotly erzeugt eine interaktive Legende und verwendet eine Standardfarbpalette, die für visuelle Unterscheidung optimiert ist. Dieser Parameter funktioniert auch mit numerischen Variablen, um einen Farbverlauf zu erstellen.
Wie zeigt man ein Plotly-Diagramm in einem Jupyter-Notebook an?
Wie exportiert man ein Plotly-Diagramm im HTML-Format zum Teilen?
+15 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten