# Wizualizacja z Matplotlib & Seaborn (Data Science & ML)

> Figures, axes, subplots, line plots, scatter plots, histogramy, heatmaps, stylizacja, dostosowywanie

- 20 pytań z rozmów
- Mid-Level
- [Pytania z rozmów: Data Science & ML](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne.md)

## 1. 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.

## 2. 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.

## 3. 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.

## Jeszcze 17 dostępnych pytań

- Jaka jest rola parametru 'bins' w plt.hist()?
- Jak współdzielić oś Y między wieloma subplots w tym samym wierszu?

Zarejestruj się za darmo: https://sharpskill.dev/pl/login

## Inne tematy rekrutacyjne Data Science & ML

- [Podstawy Pythona](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-basics.md): 25 pytań, Junior
- [Programowanie Obiektowe w Pythonie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-oop.md): 20 pytań, Junior
- [Struktury danych Python](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-data-structures.md): 20 pytań, Junior
- [Podstawy Git](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/git-fundamentals.md): 18 pytań, Junior
- [Podstawy SQL](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-basics.md): 20 pytań, Junior
- [Podstawy NumPy](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/numpy-fundamentals.md): 22 pytań, Junior
- [Podstawy Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-basics.md): 22 pytań, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/jupyter-colab.md): 16 pytań, Junior
- [SQL Joins i zaawansowane zapytania](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-joins-advanced.md): 22 pytań, Mid-Level
- [Zaawansowany Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-advanced.md): 24 pytań, Mid-Level
- [Interaktywne wizualizacje z Plotly](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/plotly-interactive.md): 18 pytań, Mid-Level
- [Statystyka opisowa](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-descriptive.md): 20 pytań, Mid-Level
- [Statystyka inferencyjna](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-inferential.md): 24 pytań, Mid-Level
- [Web Scraping](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/web-scraping.md): 18 pytań, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/bigquery-cloud.md): 18 pytań, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/feature-engineering.md): 22 pytań, Mid-Level
- [Uczenie nadzorowane: Regresja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-regression.md): 24 pytań, Mid-Level
- [Uczenie nadzorowane: Klasyfikacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-classification.md): 24 pytań, Mid-Level
- [Drzewa Decyzyjne i Ensembles](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-trees-ensembles.md): 24 pytań, Mid-Level
- [ML Nienadzorowane](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-unsupervised.md): 22 pytań, Mid-Level
- [Pipeline'y ML i walidacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-pipelines-validation.md): 22 pytań, Mid-Level
- [Szeregi czasowe i prognozowanie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/time-series-forecasting.md): 22 pytań, Mid-Level
- [Podstawy Deep Learning](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/deep-learning-fundamentals.md): 24 pytań, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/tensorflow-keras.md): 22 pytań, Senior
- [CNN i klasyfikacja obrazów](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/cnn-image-classification.md): 24 pytań, Senior
- [RNN i Sekwencje](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/rnn-sequences.md): 22 pytań, Senior
- [Transformers i Attention](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/transformers-attention.md): 24 pytań, Senior
- [NLP i Hugging Face](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/nlp-huggingface.md): 24 pytań, Senior
- [GenAI i LangChain](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/genai-langchain.md): 24 pytań, Senior
- [MLOps i Wdrożenie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/mlops-deployment.md): 24 pytań, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/matplotlib-seaborn