Erkunde Seaborn in einem einzigen praxisorientierten Jupyter Notebook, das die wichtigsten Plot-Familien der Bibliothek vorstellt. Mit dem Iris-Datensatz und erzeugten Matrixdaten vergleichst du Seaborn mit Matplotlib, wendest integrierte Stile an und erstellst relationale, kategoriale, Verteilungs-, Regressions- und Matrixvisualisierungen.
Dies ist ein breiter API-Rundgang, keine langsame Folge mehrerer Labs. Das Notebook zeigt, wie Seaborns High-Level-Funktionen Datenspalten schnell auf Position, Farbe und Marker-Stil abbilden, und ordnet Figure-Level- sowie Axes-Level-Schnittstellen im Zusammenspiel mit Matplotlib ein.
Was du lernen wirst
- Seaborn-Themes, Kontexte, Stile und Paletten auf Matplotlib-Plots anwenden
- Den Iris-Datensatz laden und Kategorien mit
hueundstyleabbilden - Relationale Ansichten mit
relplot,scatterplotundlineploterstellen - Kategoriale Verteilungen mit Strip-, Swarm-, Box-, Violin-, Boxen-, Point-, Bar- und Count-Plots vergleichen
- Ein- und zweidimensionale Verteilungen mit KDE-, Joint- und Pair-Plots untersuchen
- Angepasste Beziehungen mit
regplotundlmplotergänzen - Matrizen mit Heatmaps und geclusterten Heatmaps visualisieren
- Bequeme Figure-Level-Funktionen von eng mit Matplotlib integrierten Axes-Level-Funktionen unterscheiden
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Python-Nutzer, die einen kompakten Überblick über Seaborns Plot-Vokabular für explorative Datenanalyse suchen. Er passt am besten, wenn du Notebook-Code und einfache tabellarische Daten lesen kannst. Da viele APIs in einem Notebook vorkommen, eignet er sich als angeleitete Erkundung und nicht als erste Einführung in Python oder Statistik.
Voraussetzungen: Python- und Jupyter-Grundlagen sowie Variablen, Funktionsaufrufe und tabellarische Daten werden empfohlen. Erste Matplotlib-Erfahrung ist hilfreich, aber nicht erforderlich.
Lernumgebung: Der Kurs stellt eine Ubuntu-22.04-Jupyter-Umgebung mit vorbereitetem Notebook bereit. Du führst Zellen aus und passt sie an, um Bibliotheken zu installieren oder zu importieren, Daten zu laden und Plots direkt anzuzeigen.
Häufig gestellte Fragen
Ist dies ein vollständiger Kurs mit mehreren Labs?
Nein. Es ist ein Einsteiger-Lab mit einem umfangreichen Notebook. Dieses zeigt viele Plot-Familien, enthält aber keine separaten Challenges und kein Abschlussprojekt.
Welche Daten verwende ich?
Die meisten Beispiele nutzen Iris, um Blütenmaße und Arten zu vergleichen. Die Heatmap-Beispiele verwenden außerdem eine mit NumPy erzeugte Matrix.
Vermittelt der Kurs statistische Theorie?
Nein. Er demonstriert Verteilungen, Regressionsanpassungen und Cluster-Heatmaps, erklärt aber nicht die Statistik- oder Clustering-Theorie für eine tiefere Interpretation.
Verwenden alle Beispiele die neueste Seaborn-API?
Nicht vollständig. Das Notebook enthält die ältere distplot-API neben kdeplot, jointplot und pairplot. Nutze es als konzeptionellen Überblick und prüfe für neue Anwendungen die aktuelle Dokumentation.
