การแสดงผลข้อมูลด้วย Matplotlib & Seaborn
Figures, axes, subplots, line plots, scatter plots, histograms, heatmaps, styling, การปรับแต่ง
1ความแตกต่างหลักระหว่าง pyplot interface และ object-oriented interface ใน Matplotlib คืออะไร?
ความแตกต่างหลักระหว่าง pyplot interface และ object-oriented interface ใน Matplotlib คืออะไร?
คำตอบ
Interface pyplot (plt.plot, plt.title) เป็น API สไตล์ MATLAB ที่จัดการ figures และ axes ปัจจุบันโดยปริยาย สะดวกสำหรับการสร้างพล็อตอย่างง่ายและรวดเร็ว Interface แบบ object-oriented (fig, ax = plt.subplots()) ให้การควบคุมที่ชัดเจนเหนือแต่ละ element (Figure, Axes) และแนะนำสำหรับพล็อตที่ซับซ้อน, subplots หลายตัว, หรือ production scripts เพราะทำให้ code อ่านง่ายและบำรุงรักษาได้ดีกว่า
2ควรใช้เมธอดใดในการสร้าง figure ที่มี grid ขนาด 2 แถวและ 3 คอลัมน์ของ subplots?
ควรใช้เมธอดใดในการสร้าง figure ที่มี grid ขนาด 2 แถวและ 3 คอลัมน์ของ subplots?
คำตอบ
ฟังก์ชัน plt.subplots(2, 3) สร้าง figure ที่มี grid ขนาด 2 แถวและ 3 คอลัมน์ของ subplots โดยจะคืนค่า tuple (fig, axes) ซึ่ง axes เป็น 2D NumPy array รูปทรง (2, 3) ที่ช่วยให้เข้าถึงแต่ละ subplot ผ่าน axes[row, col] วิธีนี้เป็นวิธีที่กระชับและเป็นมาตรฐานที่สุดในการสร้าง grid subplots ปกติใน Matplotlib
3จะแสดง correlation heatmap ของ Pandas DataFrame ด้วย Seaborn ได้อย่างไร?
จะแสดง correlation heatmap ของ Pandas DataFrame ด้วย Seaborn ได้อย่างไร?
คำตอบ
ในการแสดง correlation heatmap ให้คำนวณ correlation matrix ด้วย df.corr() ก่อน จากนั้นส่งผลลัพธ์ไปยัง sns.heatmap() ตัวเลือก annot=True จะแสดงค่า correlation ในแต่ละ cell ทำให้อ่านง่ายขึ้น การรวมกันนี้เป็นรูปแบบมาตรฐานสำหรับการแสดงผล correlations ระหว่างตัวแปรเชิงตัวเลขในการวิเคราะห์ข้อมูลเชิงสำรวจ
บทบาทของพารามิเตอร์ 'bins' ใน plt.hist() คืออะไร?
จะแชร์แกน Y ระหว่าง subplots หลายตัวในแถวเดียวกันได้อย่างไร?
+17 คำถามสัมภาษณ์
หัวข้อสัมภาษณ์ Data Science & ML อื่นๆ
พื้นฐาน Python
การเขียนโปรแกรมเชิงวัตถุด้วย Python
โครงสร้างข้อมูล Python
พื้นฐาน Git
พื้นฐาน SQL
พื้นฐาน NumPy
พื้นฐาน Pandas
Jupyter & Google Colab
SQL Joins และคิวรีขั้นสูง
Pandas ขั้นสูง
การแสดงผลแบบโต้ตอบด้วย Plotly
สถิติเชิงพรรณนา
สถิติเชิงอนุมาน
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML แบบมีผู้สอน: การถดถอย
ML แบบมีผู้สอน: การจำแนกประเภท
Decision Trees และ Ensembles
Unsupervised ML
ML Pipelines และการตรวจสอบ
Time Series และการพยากรณ์
พื้นฐาน Deep Learning
TensorFlow & Keras
CNN และการจำแนกภาพ
RNN และซีเควนซ์
Transformers และ Attention
NLP และ Hugging Face
GenAI และ LangChain
MLOps และการ Deploy
เชี่ยวชาญ Data Science & ML สำหรับการสัมภาษณ์ครั้งถัดไป
เข้าถึงคำถามทั้งหมด flashcards แบบทดสอบเทคนิค แบบฝึกหัด code review และตัวจำลองสัมภาษณ์
เริ่มใช้ฟรี