Wizualizacja z Matplotlib & Seaborn
Figures, axes, subplots, line plots, scatter plots, histogramy, heatmaps, stylizacja, dostosowywanie
1Jaka jest główna różnica między interfejsem pyplot a interfejsem obiektowym w Matplotlib?
Jaka jest główna różnica między interfejsem pyplot a interfejsem obiektowym w Matplotlib?
Odpowiedź
Interfejs pyplot (plt.plot, plt.title) to API w stylu MATLAB, które niejawnie zarządza bieżącymi figures i axes, wygodne do szybkich prostych wykresów. Interfejs obiektowy (fig, ax = plt.subplots()) daje jawną kontrolę nad każdym elementem (Figure, Axes) i jest zalecany dla złożonych wykresów, wielu subplots lub skryptów produkcyjnych, ponieważ czyni kod bardziej czytelnym i łatwiejszym w utrzymaniu.
2Której metody użyć, aby utworzyć figure z siatką 2 wierszy i 3 kolumn subplots?
Której metody użyć, aby utworzyć figure z siatką 2 wierszy i 3 kolumn subplots?
Odpowiedź
Funkcja plt.subplots(2, 3) tworzy figure zawierającą siatkę 2 wierszy i 3 kolumn subplots. Zwraca krotkę (fig, axes), gdzie axes jest tablicą NumPy 2D o kształcie (2, 3), umożliwiającą dostęp do każdego subplot przez axes[row, col]. To podejście jest najbardziej zwięzłym i idiomatycznym sposobem tworzenia regularnych siatek subplots w Matplotlib.
3Jak wyświetlić heatmap korelacji DataFrame Pandas za pomocą Seaborn?
Jak wyświetlić heatmap korelacji DataFrame Pandas za pomocą Seaborn?
Odpowiedź
Aby wyświetlić heatmap korelacji, najpierw oblicz macierz korelacji za pomocą df.corr(), a następnie przekaż wynik do sns.heatmap(). Opcja annot=True wyświetla wartości korelacji w każdej komórce, ułatwiając czytanie. Ta kombinacja jest standardowym wzorcem do wizualizacji korelacji między zmiennymi numerycznymi w eksploracyjnej analizie danych.
Jaka jest rola parametru 'bins' w plt.hist()?
Jak współdzielić oś Y między wieloma subplots w tym samym wierszu?
+17 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo