Question 1

Qual è la differenza principale tra l'interfaccia pyplot e l'interfaccia orientata agli oggetti di Matplotlib?

Accepted Answer

L'interfaccia pyplot (plt.plot, plt.title) è un'API in stile MATLAB che gestisce implicitamente figures e axes correnti, conveniente per plot semplici e veloci. L'interfaccia orientata agli oggetti (fig, ax = plt.subplots()) dà controllo esplicito su ogni elemento (Figure, Axes) ed è raccomandata per plot complessi, multiple subplots o script di produzione, perché rende il codice più leggibile e manutenibile.

Question 2

Quale metodo usare per creare una figure con una griglia di 2 righe e 3 colonne di subplots?

Accepted Answer

La funzione plt.subplots(2, 3) crea una figure contenente una griglia di 2 righe e 3 colonne di subplots. Restituisce una tupla (fig, axes) dove axes è un array NumPy 2D di forma (2, 3) che permette di accedere a ogni subplot tramite axes[row, col]. Questo approccio è il modo più conciso e idiomatico per creare griglie regolari di subplots in Matplotlib.

Question 3

Come visualizzare una heatmap di correlazione di un DataFrame Pandas con Seaborn?

Accepted Answer

Per visualizzare una heatmap di correlazione, calcola prima la matrice di correlazione con df.corr(), poi passa il risultato a sns.heatmap(). L'opzione annot=True visualizza i valori di correlazione in ogni cella, rendendo più facile la lettura. Questa combinazione è il pattern standard per visualizzare correlazioni tra variabili numeriche nell'analisi esplorativa dei dati.

Visualizzazione con Matplotlib & Seaborn

Qual è la differenza principale tra l'interfaccia pyplot e l'interfaccia orientata agli oggetti di Matplotlib?

Risposta

Quale metodo usare per creare una figure con una griglia di 2 righe e 3 colonne di subplots?

Risposta

Come visualizzare una heatmap di correlazione di un DataFrame Pandas con Seaborn?

Risposta

Qual è il ruolo del parametro 'bins' in plt.hist()?

Come condividere l'asse Y tra più subplots nella stessa riga?

Altri argomenti di colloquio Data Science & ML

Fondamenti di Python

Programmazione Orientata agli Oggetti in Python

Strutture dati Python

Fondamenti di Git

Fondamenti di SQL

Fondamenti di NumPy

Fondamenti di Pandas

Jupyter & Google Colab

SQL Joins e query avanzate

Pandas avanzato

Visualizzazioni interattive con Plotly

Statistica descrittiva

Statistica inferenziale

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML Supervisionato: Regressione

ML Supervisionato: Classificazione

Alberi Decisionali e Ensembles

ML Non Supervisionato

Pipeline ML e Validazione

Serie Temporali e Previsione

Fondamenti di Deep Learning

TensorFlow & Keras

CNN e classificazione di immagini

RNN e Sequenze

Transformers e Attention

NLP e Hugging Face

GenAI e LangChain

MLOps e Deployment

Padroneggia Data Science & ML per il tuo prossimo colloquio