Visualisasi dengan Matplotlib & Seaborn
Figures, axes, subplots, line plots, scatter plots, histogram, heatmaps, styling, kustomisasi
1Apa perbedaan utama antara antarmuka pyplot dan antarmuka berorientasi objek di Matplotlib?
Apa perbedaan utama antara antarmuka pyplot dan antarmuka berorientasi objek di Matplotlib?
Jawaban
Antarmuka pyplot (plt.plot, plt.title) adalah API gaya MATLAB yang secara implisit mengelola figures dan axes saat ini, nyaman untuk plot sederhana yang cepat. Antarmuka berorientasi objek (fig, ax = plt.subplots()) memberikan kontrol eksplisit atas setiap elemen (Figure, Axes) dan direkomendasikan untuk plot kompleks, multiple subplots, atau script produksi, karena membuat kode lebih mudah dibaca dan dipelihara.
2Metode mana yang harus digunakan untuk membuat figure dengan grid 2 baris dan 3 kolom subplots?
Metode mana yang harus digunakan untuk membuat figure dengan grid 2 baris dan 3 kolom subplots?
Jawaban
Fungsi plt.subplots(2, 3) membuat figure yang berisi grid 2 baris dan 3 kolom subplots. Mengembalikan tuple (fig, axes) di mana axes adalah array NumPy 2D dengan shape (2, 3) yang memungkinkan akses ke setiap subplot melalui axes[row, col]. Pendekatan ini adalah cara paling ringkas dan idiomatis untuk membuat grid subplots reguler di Matplotlib.
3Bagaimana menampilkan heatmap korelasi dari Pandas DataFrame dengan Seaborn?
Bagaimana menampilkan heatmap korelasi dari Pandas DataFrame dengan Seaborn?
Jawaban
Untuk menampilkan heatmap korelasi, hitung dulu matriks korelasi dengan df.corr(), lalu teruskan hasilnya ke sns.heatmap(). Opsi annot=True menampilkan nilai korelasi di setiap cell, membuatnya lebih mudah dibaca. Kombinasi ini adalah pola standar untuk memvisualisasikan korelasi antar variabel numerik dalam analisis data eksplorasi.
Apa peran parameter 'bins' dalam plt.hist()?
Bagaimana berbagi sumbu Y antara beberapa subplots dalam baris yang sama?
+17 pertanyaan wawancara
Topik wawancara Data Science & ML lainnya
Dasar-dasar Python
Pemrograman Berorientasi Objek Python
Struktur Data Python
Dasar-Dasar Git
Dasar-dasar SQL
Dasar-Dasar NumPy
Dasar-dasar Pandas
Jupyter & Google Colab
SQL Joins & Kueri Lanjutan
Pandas Lanjutan
Visualisasi Interaktif dengan Plotly
Statistik Deskriptif
Statistik Inferensial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Terbimbing: Regresi
ML Terbimbing: Klasifikasi
Pohon Keputusan & Ensemble
ML Tanpa Pengawasan
Pipeline ML & Validasi
Deret Waktu & Peramalan
Dasar-Dasar Deep Learning
TensorFlow & Keras
CNN dan klasifikasi gambar
RNN & Sekuens
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps dan Deployment
Kuasai Data Science & ML untuk wawancara berikutnya
Akses semua pertanyaan, flashcards, tes teknis, latihan code review dan simulator wawancara.
Mulai gratis