1.3 Vizualizarea datelor cu Matplotlib și Seaborn

Un grafic bun îți spune ce model să alegi, ce coloane contează și unde sunt valorile aberante. Programa cere șase tipuri de grafice plus interpretarea lor.

Teorie

Setup și anatomia unui grafic

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

df = pd.read_csv("train.csv")

plt.figure(figsize=(8, 5))       # dimensiunea figurii
# ... desenul propriu-zis ...
plt.title("Titlu")
plt.xlabel("axa X"); plt.ylabel("axa Y")
plt.legend()
plt.show()

Grafice liniare — evoluții în timp

plt.plot(df["ziua"], df["temperatura"], label="temperatura")
plt.plot(df["ziua"], df["umiditate"], label="umiditate")

Interpretare: trend (crește/scade), sezonalitate (tipar repetitiv), salturi bruște (posibile erori de măsurare).

Grafice cu bare — comparații între categorii

medii = df.groupby("oras")["pret"].mean().sort_values()
plt.bar(medii.index, medii.values)
# sau: sns.barplot(data=df, x="oras", y="pret")

Interpretare: compară niveluri între categorii. Sortarea barelor face diferențele evidente dintr-o privire.

Histograme — distribuția unei variabile

plt.hist(df["pret"], bins=30)
# sau: sns.histplot(df["pret"], kde=True)

Interpretare: formă simetrică sau asimetrică (coadă lungă → ia în calcul logaritmarea), una sau mai multe „cocoașe" (mai multe grupuri în date), valori extreme izolate.

Scatter plot — relația dintre două variabile

plt.scatter(df["suprafata"], df["pret"], alpha=0.5)
# sau: sns.scatterplot(data=df, x="suprafata", y="pret", hue="oras")

Interpretare: nor în formă de linie → relație liniară (candidat pentru regresie liniară); curbă → relație neliniară; nor difuz → variabile slab corelate. Parametrul hue colorează după o a treia variabilă.

Box plot — mediană, cuartile, valori aberante

sns.boxplot(data=df, x="oras", y="pret")

Interpretare: linia din mijloc este mediana, cutia acoperă 50% din valori (Q1–Q3), punctele izolate sunt outlieri. Ideal pentru a compara distribuții între grupuri și a găsi valori suspecte.

Heatmap — matricea de corelație

corr = df.select_dtypes("number").corr()
sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm")

Interpretare: valori aproape de +1/−1 → legătură puternică (bun predictor sau coloană redundantă); aproape de 0 → legătură liniară slabă. Caută coloanele puternic corelate cu ținta — acelea sunt feature-urile importante.

Problemă rezolvată: explorarea unui set de date

import pandas as pd, seaborn as sns, matplotlib.pyplot as plt

df = pd.read_csv("train_data.csv")

fig, ax = plt.subplots(2, 2, figsize=(12, 9))

# 1. distribuția țintei
ax[0][0].hist(df["pret"], bins=30)
ax[0][0].set_title("Distribuția prețului")

# 2. corelații cu ținta
corr = df.select_dtypes("number").corr()
sns.heatmap(corr, annot=True, fmt=".2f", ax=ax[0][1])

# 3. cel mai corelat feature vs țintă
ax[1][0].scatter(df["suprafata"], df["pret"], alpha=0.4)
ax[1][0].set_title("Suprafață vs preț")

# 4. outlieri pe categorii
sns.boxplot(data=df, x="zona", y="pret", ax=ax[1][1])

plt.tight_layout(); plt.show()

Probleme propuse