Візуалізація з Matplotlib & Seaborn
Figures, axes, subplots, line plots, scatter plots, гістограми, heatmaps, стилізація, кастомізація
1У чому головна різниця між інтерфейсом pyplot та об'єктно-орієнтованим інтерфейсом Matplotlib?
У чому головна різниця між інтерфейсом pyplot та об'єктно-орієнтованим інтерфейсом Matplotlib?
Відповідь
Інтерфейс pyplot (plt.plot, plt.title) — це API в стилі MATLAB, який неявно керує поточними figures та axes, зручний для швидких простих графіків. Об'єктно-орієнтований інтерфейс (fig, ax = plt.subplots()) дає явний контроль над кожним елементом (Figure, Axes) і рекомендується для складних графіків, кількох subplots або production-скриптів, оскільки робить код більш читабельним та підтримуваним.
2Який метод використовувати для створення figure із сіткою з 2 рядків і 3 стовпців subplots?
Який метод використовувати для створення figure із сіткою з 2 рядків і 3 стовпців subplots?
Відповідь
Функція plt.subplots(2, 3) створює figure, яка містить сітку з 2 рядків і 3 стовпців subplots. Вона повертає кортеж (fig, axes), де axes — це 2D NumPy масив форми (2, 3), що дозволяє звертатися до кожного subplot через axes[row, col]. Цей підхід є найбільш стислим та ідіоматичним способом створення регулярних сіток subplots у Matplotlib.
3Як відобразити heatmap кореляції Pandas DataFrame за допомогою Seaborn?
Як відобразити heatmap кореляції Pandas DataFrame за допомогою Seaborn?
Відповідь
Щоб відобразити heatmap кореляції, спочатку обчисліть матрицю кореляції за допомогою df.corr(), потім передайте результат у sns.heatmap(). Параметр annot=True відображає значення кореляції в кожній клітинці, що полегшує читання. Ця комбінація є стандартним шаблоном для візуалізації кореляцій між числовими змінними в розвідувальному аналізі даних.
Яка роль параметра 'bins' у plt.hist()?
Як спільно використовувати вісь Y між кількома subplots в одному рядку?
+17 питань зі співбесід
Інші теми співбесід Data Science & ML
Основи Python
Об'єктно-орієнтоване програмування Python
Структури даних Python
Основи Git
Основи SQL
Основи NumPy
Основи Pandas
Jupyter & Google Colab
SQL Joins та розширені запити
Просунутий Pandas
Інтерактивні візуалізації з Plotly
Описова статистика
Інференційна статистика
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Кероване ML: Регресія
Кероване ML: Класифікація
Дерева рішень та ансамблі
Некероване ML
ML Pipelines та валідація
Часові ряди та прогнозування
Основи Deep Learning
TensorFlow & Keras
CNN та класифікація зображень
RNN та послідовності
Transformers та Attention
NLP та Hugging Face
GenAI та LangChain
MLOps та розгортання
Опануй Data Science & ML для наступної співбесіди
Отримай доступ до всіх питань, flashcards, технічних тестів, вправ code review та симуляторів співбесід.
Почни безкоштовно