Een count plot maken met een DataFrame

In deze oefening bekijken we de antwoorden op een enquête onder jongeren. Onze hoofdvraag is hier: hoeveel van de ondervraagde jongeren geven aan bang te zijn voor spinnen? Deelnemers werd gevraagd om het eens of oneens te zijn met de stelling "I am afraid of spiders". Antwoorden lopen van 1 tot en met 5, waarbij 1 "Strongly disagree" is en 5 "Strongly agree".

Om je op weg te helpen is het bestandspad naar het csv-bestand met de enquêtegegevens toegewezen aan de variabele csv_filepath.

Let op: omdat csv_filepath een Python-variabele is, hoef je er geen aanhalingstekens omheen te zetten wanneer je het csv-bestand inleest.

Deze oefening maakt deel uit van de cursus

Introductie tot datavisualisatie met Seaborn

Cursus bekijken

Oefeninstructies

Importeer Matplotlib, pandas en Seaborn met de standaardnamen.
Maak een DataFrame df van het csv-bestand op csv_filepath.
Gebruik de functie countplot() met de argumenten x= en data= om een count plot te maken met de waarden uit de kolom "Spiders" op de x-as.
Toon de plot.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Import Matplotlib, pandas, and Seaborn




# Create a DataFrame from csv file


# Create a count plot with "Spiders" on the x-axis


# Display the plot

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot datavisualisatie met Seaborn

SkillTag.level.beginnerSkillTag.label

4.9+

Begin de cursus gratis

What is Seaborn, and when should you use it? In this chapter, you will find out! Plus, you will learn how to create scatter plots and count plots with both lists of data and pandas DataFrames. You will also be introduced to one of the big advantages of using Seaborn - the ability to easily add a third variable to your plots by using color to represent different subgroups.

Exercise 1: Introductie tot Seaborn Exercise 2: Een spreidingsdiagram maken met lijsten Exercise 3: Een count-plot maken met een lijst Exercise 4: pandas gebruiken met Seaborn Exercise 5: "Tidy" vs. "untidy" data Exercise 6: Een count plot maken met een DataFrame

Huidige oefening

Exercise 7: Een derde variabele toevoegen met hue Exercise 8: Hue en scatterplots Exercise 9: Hue en count plots

In this chapter, you will create and customize plots that visualize the relationship between two quantitative variables. To do this, you will use scatter plots and line plots to explore how the level of air pollution in a city changes over the course of a day and how horsepower relates to fuel efficiency in cars. You will also see another big advantage of using Seaborn - the ability to easily create subplots in a single figure!

Exercise 1: Introduction to relational plots and subplots Exercise 2: Creating subplots with col and row Exercise 3: Creating two-factor subplots Exercise 4: Customizing scatter plots Exercise 5: Changing the size of scatter plot points Exercise 6: Changing the style of scatter plot points Exercise 7: Introduction to line plots Exercise 8: Interpreting line plots Exercise 9: Visualizing standard deviation with line plots Exercise 10: Plotting subgroups in line plots

Categorical variables are present in nearly every dataset, but they are especially prominent in survey data. In this chapter, you will learn how to create and customize categorical plots such as box plots, bar plots, count plots, and point plots. Along the way, you will explore survey data from young people about their interests, students about their study habits, and adult men about their feelings about masculinity.

Exercise 1: Count plots and bar plots Exercise 2: Count plots Exercise 3: Bar plots with percentages Exercise 4: Customizing bar plots Exercise 5: Box plots Exercise 6: Create and interpret a box plot Exercise 7: Omitting outliers Exercise 8: Adjusting the whiskers Exercise 9: Point plots Exercise 10: Customizing point plots Exercise 11: Point plots with subgroups

In this final chapter, you will learn how to add informative plot titles and axis labels, which are one of the most important parts of any data visualization! You will also learn how to customize the style of your visualizations in order to more quickly orient your audience to the key takeaways. Then, you will put everything you have learned together for the final exercises of the course!

Exercise 1: Changing plot style and color Exercise 2: Changing style and palette Exercise 3: Changing the scale Exercise 4: Using a custom palette Exercise 5: Adding titles and labels: Part 1 Exercise 6: FacetGrids vs. AxesSubplots Exercise 7: Adding a title to a FacetGrid object Exercise 8: Adding titles and labels: Part 2 Exercise 9: Adding a title and axis labels Exercise 10: Rotating x-tick labels Exercise 11: Putting it all together Exercise 12: Box plot with subgroups Exercise 13: Bar plot with subgroups and subplots Exercise 14: Well done! What's next?