Question 1

Wat is het belangrijkste verschil tussen de pyplot-interface en de objectgeoriënteerde interface van Matplotlib?

Accepted Answer

De pyplot-interface (plt.plot, plt.title) is een MATLAB-stijl API die de huidige figures en axes impliciet beheert, handig voor snelle eenvoudige plots. De objectgeoriënteerde interface (fig, ax = plt.subplots()) geeft expliciete controle over elk element (Figure, Axes) en wordt aanbevolen voor complexe plots, meerdere subplots of productiescripts, omdat het de code leesbaarder en beter onderhoudbaar maakt.

Question 2

Welke methode moet worden gebruikt om een figure te maken met een raster van 2 rijen en 3 kolommen subplots?

Accepted Answer

De functie plt.subplots(2, 3) maakt een figure met een raster van 2 rijen en 3 kolommen subplots. Het retourneert een tuple (fig, axes) waarbij axes een 2D NumPy-array van vorm (2, 3) is, waarmee elke subplot via axes[row, col] toegankelijk is. Deze aanpak is de meest beknopte en idiomatische manier om regelmatige rasters van subplots in Matplotlib te maken.

Question 3

Hoe een correlatie-heatmap van een Pandas DataFrame weergeven met Seaborn?

Accepted Answer

Om een correlatie-heatmap weer te geven, bereken eerst de correlatiematrix met df.corr() en geef het resultaat vervolgens door aan sns.heatmap(). De optie annot=True toont correlatiewaarden in elke cel, waardoor het makkelijker leesbaar wordt. Deze combinatie is het standaardpatroon voor het visualiseren van correlaties tussen numerieke variabelen in exploratieve data-analyse.

Visualisatie met Matplotlib & Seaborn

Wat is het belangrijkste verschil tussen de pyplot-interface en de objectgeoriënteerde interface van Matplotlib?

Antwoord

Welke methode moet worden gebruikt om een figure te maken met een raster van 2 rijen en 3 kolommen subplots?

Antwoord

Hoe een correlatie-heatmap van een Pandas DataFrame weergeven met Seaborn?

Antwoord

Wat is de rol van de parameter 'bins' in plt.hist()?

Hoe de Y-as delen tussen meerdere subplots in dezelfde rij?

Andere Data Science & ML-sollicitatieonderwerpen

Python-basisbeginselen

Python Objectgeoriënteerd Programmeren

Python-datastructuren

Git-Fundamenten

SQL-basisbeginselen

NumPy-grondbeginselen

Pandas-basis

Jupyter & Google Colab

SQL Joins & geavanceerde queries

Geavanceerd Pandas

Interactieve visualisaties met Plotly

Beschrijvende statistiek

Inferentiële statistiek

Web Scraping

BigQuery & Cloud Data

Feature Engineering

Supervised ML: Regressie

Supervised ML: Classificatie

Beslissingsbomen & Ensembles

Ongesuperviseerd ML

ML Pipelines & Validatie

Tijdreeksen & Voorspelling

Fundamenten van Deep Learning

TensorFlow & Keras

CNN en beeldclassificatie

RNN & Reeksen

Transformers & Attention

NLP & Hugging Face

GenAI & LangChain

MLOps en Deployment

Beheers Data Science & ML voor je volgende gesprek