# Visualizzazione con Matplotlib & Seaborn (Data Science & ML) > Figures, axes, subplots, line plots, scatter plots, istogrammi, heatmaps, styling, personalizzazione - 20 domande da colloquio - Mid-Level - [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md) ## 1. Qual è la differenza principale tra l'interfaccia pyplot e l'interfaccia orientata agli oggetti di Matplotlib? **Risposta** 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. ## 2. Quale metodo usare per creare una figure con una griglia di 2 righe e 3 colonne di subplots? **Risposta** 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. ## 3. Come visualizzare una heatmap di correlazione di un DataFrame Pandas con Seaborn? **Risposta** 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. ## Altre 17 domande disponibili - Qual è il ruolo del parametro 'bins' in plt.hist()? - Come condividere l'asse Y tra più subplots nella stessa riga? Registrati gratis: https://sharpskill.dev/it/login ## Altri argomenti di colloquio Data Science & ML - [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior - [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior - [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior - [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior - [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior - [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior - [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior - [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior - [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level - [Pandas avanzato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-advanced.md): 24 domande, Mid-Level - [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level - [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level - [Statistica inferenziale](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential.md): 24 domande, Mid-Level - [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level - [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level - [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level - [ML Supervisionato: Classificazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification.md): 24 domande, Mid-Level - [Alberi Decisionali e Ensembles](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles.md): 24 domande, Mid-Level - [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level - [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level - [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level - [Fondamenti di Deep Learning](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/deep-learning-fundamentals.md): 24 domande, Senior - [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior - [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior - [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior - [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior - [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior - [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior - [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn