# Visualisierung mit Matplotlib & Seaborn (Data Science & ML) > Figures, Axes, Subplots, Line Plots, Scatter Plots, Histogramme, Heatmaps, Styling, Anpassung - 20 Interview-Fragen - Mid-Level - [Interview-Fragen: Data Science & ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen.md) ## 1. Was ist der Hauptunterschied zwischen der pyplot-Schnittstelle und der objektorientierten Schnittstelle in Matplotlib? **Antwort** Die pyplot-Schnittstelle (plt.plot, plt.title) ist eine MATLAB-artige API, die aktuelle Figuren und Axes implizit verwaltet, praktisch für schnelle einfache Plots. Die objektorientierte Schnittstelle (fig, ax = plt.subplots()) gibt explizite Kontrolle über jedes Element (Figure, Axes) und wird für komplexe Plots, mehrere Subplots oder Produktionsskripte empfohlen, da sie den Code lesbarer und wartbarer macht. ## 2. Welche Methode sollte verwendet werden, um eine Figure mit einem Raster aus 2 Zeilen und 3 Spalten von Subplots zu erstellen? **Antwort** Die Funktion plt.subplots(2, 3) erstellt eine Figure mit einem Raster aus 2 Zeilen und 3 Spalten von Subplots. Sie gibt ein Tupel (fig, axes) zurück, wobei axes ein 2D-NumPy-Array der Form (2, 3) ist, das den Zugriff auf jeden Subplot über axes[row, col] ermöglicht. Dieser Ansatz ist die prägnanteste und idiomatischste Methode, um regelmäßige Subplot-Raster in Matplotlib zu erstellen. ## 3. Wie zeigt man eine Korrelations-Heatmap eines Pandas-DataFrames mit Seaborn an? **Antwort** Um eine Korrelations-Heatmap anzuzeigen, berechnet man zuerst die Korrelationsmatrix mit df.corr() und übergibt das Ergebnis dann an sns.heatmap(). Die Option annot=True zeigt Korrelationswerte in jeder Zelle an, was das Lesen erleichtert. Diese Kombination ist das Standardmuster zur Visualisierung von Korrelationen zwischen numerischen Variablen in der explorativen Datenanalyse. ## 17 weitere Fragen verfügbar - Welche Rolle spielt der Parameter 'bins' in plt.hist()? - Wie teilt man die Y-Achse zwischen mehreren Subplots in derselben Zeile? Kostenlos registrieren: https://sharpskill.dev/de/login ## Weitere Data Science & ML-Interviewthemen - [Python-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-basics.md): 25 Fragen, Junior - [Python Objektorientierte Programmierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-oop.md): 20 Fragen, Junior - [Python-Datenstrukturen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/python-data-structures.md): 20 Fragen, Junior - [Git-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/git-fundamentals.md): 18 Fragen, Junior - [SQL-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-basics.md): 20 Fragen, Junior - [NumPy-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/numpy-fundamentals.md): 22 Fragen, Junior - [Pandas-Grundlagen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-basics.md): 22 Fragen, Junior - [Jupyter & Google Colab](https://sharpskill.dev/de/technologies/data-science/interviewfragen/jupyter-colab.md): 16 Fragen, Junior - [SQL Joins & fortgeschrittene Abfragen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/sql-joins-advanced.md): 22 Fragen, Mid-Level - [Fortgeschrittenes Pandas](https://sharpskill.dev/de/technologies/data-science/interviewfragen/pandas-advanced.md): 24 Fragen, Mid-Level - [Interaktive Visualisierungen mit Plotly](https://sharpskill.dev/de/technologies/data-science/interviewfragen/plotly-interactive.md): 18 Fragen, Mid-Level - [Deskriptive Statistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-descriptive.md): 20 Fragen, Mid-Level - [Inferenzstatistik](https://sharpskill.dev/de/technologies/data-science/interviewfragen/statistics-inferential.md): 24 Fragen, Mid-Level - [Web Scraping](https://sharpskill.dev/de/technologies/data-science/interviewfragen/web-scraping.md): 18 Fragen, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/de/technologies/data-science/interviewfragen/bigquery-cloud.md): 18 Fragen, Mid-Level - [Feature Engineering](https://sharpskill.dev/de/technologies/data-science/interviewfragen/feature-engineering.md): 22 Fragen, Mid-Level - [Überwachtes ML: Regression](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-regression.md): 24 Fragen, Mid-Level - [Überwachtes ML: Klassifikation](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-supervised-classification.md): 24 Fragen, Mid-Level - [Entscheidungsbäume & Ensembles](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-trees-ensembles.md): 24 Fragen, Mid-Level - [Unüberwachtes ML](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-unsupervised.md): 22 Fragen, Mid-Level - [ML-Pipelines & Validierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/ml-pipelines-validation.md): 22 Fragen, Mid-Level - [Zeitreihen & Prognosen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/time-series-forecasting.md): 22 Fragen, Mid-Level - [Grundlagen des Deep Learning](https://sharpskill.dev/de/technologies/data-science/interviewfragen/deep-learning-fundamentals.md): 24 Fragen, Senior - [TensorFlow & Keras](https://sharpskill.dev/de/technologies/data-science/interviewfragen/tensorflow-keras.md): 22 Fragen, Senior - [CNN und Bildklassifizierung](https://sharpskill.dev/de/technologies/data-science/interviewfragen/cnn-image-classification.md): 24 Fragen, Senior - [RNN & Sequenzen](https://sharpskill.dev/de/technologies/data-science/interviewfragen/rnn-sequences.md): 22 Fragen, Senior - [Transformers & Attention](https://sharpskill.dev/de/technologies/data-science/interviewfragen/transformers-attention.md): 24 Fragen, Senior - [NLP & Hugging Face](https://sharpskill.dev/de/technologies/data-science/interviewfragen/nlp-huggingface.md): 24 Fragen, Senior - [GenAI & LangChain](https://sharpskill.dev/de/technologies/data-science/interviewfragen/genai-langchain.md): 24 Fragen, Senior - [MLOps und Deployment](https://sharpskill.dev/de/technologies/data-science/interviewfragen/mlops-deployment.md): 24 Fragen, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/de/technologies/data-science/interviewfragen/matplotlib-seaborn