Die Erstellung von publikationsreifen statistischen Visualisierungen erfordert erheblichen Boilerplate-Code und Designentscheidungen. Diese Skill bietet optimierten Zugang zu seaborn-Bibliotheksfunktionen für die Erstellung von Box-Plots, Violin-Plots, Heatmaps und Pair-Plots mit ansprechenden Standardeinstellungen und pandas-Integration.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "seaborn". Erstellen Sie einen Box-Plot, der den Umsatz nach Region zeigt, unter Verwendung des sales_data DataFrame. Setzen Sie Region als x-Achse und Umsatz als y-Achse.
Erwartetes Ergebnis:
Ein Box-Plot mit Regionen auf der x-Achse, Umsatz auf der y-Achse, der Median, Quartile und Ausreißer für jede Region zeigt. Sauberes Styling mit seaborn-Standardwerten angewendet.
Verwendung von "seaborn". Generieren Sie eine Heatmap der Korrelationsmatrix von customer_data mit Annotationen, die die Korrelationskoeffizienten zeigen.
Erwartetes Ergebnis:
Eine quadratische Heatmap mit Zellen, die nach Korrelationsstärke gefärbt sind (rot-blaue divergierende Palette), numerische Annotationen in jeder Zelle und eine Farbleisten-Legende, die die Skala zeigt.
Verwendung von "seaborn". Erstellen Sie einen Violin-Plot der Antwortzeiten nach Prioritätsstufe aus support_data, mit Box innen, die Quartile zeigt.
Erwartetes Ergebnis:
Ein Violin-Plot mit Prioritätsstufen auf der x-Achse und Antwortzeiten auf der y-Achse. Jede Violine zeigt die vollständige Verteilung, mit einem Box-Plot-Overlay, das Median- und Quartilslinien anzeigt.
Sicherheitsaudit
SicherAll static findings are false positives. The scanner incorrectly identified markdown documentation formatting (backticks for inline code) as shell command execution, library names as cryptographic algorithms, and standard metadata as network indicators. This is a legitimate statistical visualization skill with no malicious code or risky operations.
Qualitätsbewertung
Was du bauen kannst
Datensatzverteilungen für die Analyse untersuchen
Schnell Verteilungsvergleiche über kategoriale Gruppen mit Box-Plots und Violin-Plots erstellen, um Ausreißer und Muster in experimentellen oder Umfragedaten zu identifizieren.
Korrelationsmatrizen in Notebooks visualisieren
Annotierte Heatmaps mit Korrelationskoeffizienten zwischen Variablen erstellen, um die Merkmalsauswahl und die Beurteilung der Multikollinearität in Machine-Learning-Workflows zu unterstützen.
Publikationsreife Abbildungen erstellen
Gestylte statistische Abbildungen mit konsistenter Ästhetik für akademische Arbeiten, Berichte und Präsentationen mit Seaborn-Thema-Anpassung erstellen.
Probiere diese Prompts
Verwenden Sie die seaborn-Skill, um einen Box-Plot zu erstellen, der Werte über eine kategoriale Variable vergleicht. Verwenden Sie das sample_data DataFrame mit 'category' als x-Achse und 'value' als y-Achse. Wenden Sie das seaborn-Standard-Theme an und fügen Sie entsprechende Beschriftungen hinzu.
Generieren Sie einen Violin-Plot mit der seaborn-Skill, der die Verteilung von 'scores' nach 'treatment_group' aus experiment_data zeigt. Fügen Sie die Option inner='box' hinzu, um Quartile anzuzeigen. Verwenden Sie eine professionelle Farbpalette und stellen Sie die Abbildungsgröße auf 10x6 ein.
Erstellen Sie eine Heatmap mit seaborn, um die Korrelationsmatrix von features_df zu visualisieren. Annotieren Sie Zellen mit Korrelationswerten, verwenden Sie eine divergierende Farbkarte, die bei 0 zentriert ist, und fügen Sie eine Farbleisten-Legende hinzu. Stellen Sie die Abbildungsgröße entsprechend für die Lesbarkeit ein.
Generieren Sie einen Pair-Plot mit seaborn für die Spalten ['sepal_length', 'sepal_width', 'petal_length', 'petal_width'] aus iris_data. Färben Sie Punkte nach Spezies, zeigen Sie Streudiagramme im unteren Dreieck und Verteilungen auf der Diagonale, und verwenden Sie eine Unterteilungsrastergröße von 12x12.
Bewährte Verfahren
- Verwenden Sie konsistente Abbildungsgrößen (über matplotlib-Abbildungsparameter eingestellt), wenn Sie mehrere zusammenhängende Visualisierungen für Berichte erstellen
- Wenden Sie seaborn-Theme-Einstellungen (sns.set_theme) einmal am Anfang von Sitzungen für konsistentes Styling über alle generierten Abbildungen an
- Wählen Sie geeignete Farbpaletten (divergierend für Korrelationen, sequentiell für Größenordnungen), um Datenbeziehungen genau darzustellen
Vermeiden
- Vermeiden Sie die Erstellung übermäßig komplexer Visualisierungen mit zu vielen Kategorien (erwägen Sie die Aggregation oder Filterung von Daten zuerst)
- Verwenden Sie keine Box-Plots für sehr kleine Stichprobengrößen, bei denen Violin- oder Strip-Plots die Verteilung besser zeigen würden
- Vermeiden Sie es, Abbildungen mit übermäßigen Annotationen zu überladen; halten Sie Beschriftungen und Titel klar und prägnant
Häufig gestellte Fragen
Was ist der Unterschied zwischen Box-Plots und Violin-Plots in seaborn?
Kann ich seaborn mit Daten verwenden, die in pandas DataFrames gespeichert sind?
Wie speichere ich seaborn-Abbildungen für die Publikation?
Welche Farbpaletten sind in seaborn verfügbar?
Wie passe ich das seaborn-Abbildungs-Styling global an?
Kann ich matplotlib und seaborn in derselben Abbildung kombinieren?
Entwicklerdetails
Autor
K-Dense-AILizenz
BSD-3-Clause license
Repository
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/seabornRef
main
Dateistruktur