Natuurlijk! Hier is een stapsgewijze uitleg om een geanimeerde Seaborn-lineplot te maken die de maandelijkse verkoopcijfers voor 2023 in drie regio's visualiseert, met de door jou gevraagde stijl- en animatie-instellingen: 1. Data Voorbereiding: - Dataset bevat kolommen: 'Maand', 'Regio', 'Verkoop'. - 'Maand' vertegenwoordigt de tijd (maand van het jaar). 2. Benodigdheden: - Seaborn en Matplotlib voor visualisatie. - FuncAnimation van Matplotlib voor animatie. - Pandas voor gegevensverwerking. 3. Voorbeeldcode: ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation # Stel dat je data er zo uitziet: # data = pd.read_csv('verkoop_data.csv') # Voorbeeld dataset (vervang dit door je echte gegevens) data = pd.DataFrame({ 'Maand': ['Januari', 'Februari', 'Maart', 'April', 'Mei', 'Juni', 'Juli', 'Augustus', 'September', 'Oktober', 'November', 'December'] * 3, 'Regio': ['Regio1']*12 + ['Regio2']*12 + ['Regio3']*12, 'Verkoop': [/* je verkoopcijfers hier */] }) # Zorg dat 'Maand' op de juiste volgorde staat maanden = ['Januari', 'Februari', 'Maart', 'April', 'Mei', 'Juni', 'Juli', 'Augustus', 'September', 'Oktober', 'November', 'December'] data['Maand'] = pd.Categorical(data['Maand'], categories=maanden, ordered=True) # Maak een lijst van unieke maanden in volgorde unieke_maanden = data['Maand'].cat.categories # Maak een figure fig, ax = plt.subplots(figsize=(10, 6)) plt.style.use('dark_background') # Donkere achtergrond # Stijlinstellingen ax.grid(color='white', linewidth=0.5) ax.set_xlabel('Maand', fontsize=14, fontweight='bold', color='white') ax.set_ylabel('Verkoop', fontsize=14, fontweight='bold', color='white') ax.set_title('Maandelijkse Verkoopcijfers in 2023', fontsize=16, fontweight='bold', color='white') # Initializeer lege lijnen voor elke regio regio_colors = {'Regio1': 'blue', 'Regio2': 'green', 'Regio3': 'red'} lines = {} for regio in data['Regio'].unique(): line, = ax.plot([], [], label=regio, color=regio_colors.get(regio, 'white'), linewidth=2) lines[regio] = line # Voeg een legend toe ax.legend(fontsize=12, facecolor='black', framealpha=1, edgecolor='white', labelspacing=1.2) # Functie voor het updaten van de animatie def update(frame): maand = unieke_maanden[frame] # Filter data tot de huidige maand df_maand = data[data['Maand'] <= maand] for regio in data['Regio'].unique(): df_regio = df_maand[df_maand['Regio'] == regio] x = range(len(df_regio)) y = df_regio['Verkoop'] lines[regio].set_data(x, y) lines[regio].set_xdata(x) lines[regio].set_ydata(y) # Markeer uitschieters (bijvoorbeeld verkoop > een bepaalde drempel) in oranje # Voor dit voorbeeld markeren we uitschieters als verkoop > 90th percentile uitschieters = df_regio['Verkoop'] > df_regio['Verkoop'].quantile(0.9) # We kunnen uitschieters markeren met scatter if 'scatter' in lines: lines['scatter'].remove() uitschieter_x = [i for i, is_u in enumerate(uitschieters) if is_u] uitschieter_y = df_regio['Verkoop'][uitschieters] lines['scatter'] = ax.scatter(uitscher_x, uitscher_y, color='orange', zorder=5) # Update x-as labels ax.set_xticks(range(len(maanden))) ax.set_xticklabels(maanden, rotation=45, ha='right', color='white', fontsize=10) return list(lines.values()) # Maak de animatie anim = FuncAnimation(fig, update, frames=len(unieke_maanden), interval=500, repeat=False) plt.tight_layout() plt.show() ``` 4. Extra tips: - Pas de drempel voor uitschieters aan naar wens. - Voeg annotaties toe voor belangrijke punten indien gewenst. - Bewaar de animatie als gif of mp4 met `anim.save()`. Met deze aanpak krijg je een vloeiende, stijlvolle animatie die laat zien hoe je verkoopcijfers zich ontwikkelen per regio over de maanden in 2023, met uitschieters duidelijk gemarkeerd in oranje.

Absoluut! Hier is een gedetailleerde, stap-voor-stap handleiding in het Nederlands voor het maken van een geanimeerde Seaborn-lijnplot volgens jouw specificaties. ### Vereiste Bibliotheken Eerst moet je de benodigde bibliotheken installeren en importeren. `seaborn`, `matplotlib` en `pandas` zijn standaard, maar voor animatie heb je `matplotlib.animation` nodig. ```python # Importeer de benodigde bibliotheken import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation import matplotlib.ticker as ticker ``` ### Stap 1: Voorbeelddataset Maken (Jouw Gegevens) Aangezien je je eigen dataset hebt, hoef je dit niet te runnen. Maar voor de volledigheid, zo ziet de structuur eruit: ```python # Voorbeeld van hoe jouw DataFrame eruit zou kunnen zien data = { 'Maand': ['Jan', 'Feb', 'Mrt', 'Apr', 'Mei', 'Jun', 'Jul', 'Aug', 'Sep', 'Okt', 'Nov', 'Dec'] * 3, 'Regio': ['Noord']*12 + ['Oost']*12 + ['Zuid']*12, 'Verkoop': [ 120, 135, 160, 150, 170, 185, 200, 220, 210, 230, 450, 250, # Noord (Nov is een uitschieter) 90, 110, 130, 125, 145, 160, 180, 175, 190, 205, 210, 220, # Oost 150, 140, 155, 165, 160, 172, 168, 183, 197, 210, 205, 218 # Zuid ] } df = pd.DataFrame(data) # Creëer een numerieke volgorde voor de maanden voor correcte sortering maand_volgorde = ['Jan', 'Feb', 'Mrt', 'Apr', 'Mei', 'Jun', 'Jul', 'Aug', 'Sep', 'Okt', 'Nov', 'Dec'] df['Maand_Num'] = df['Maand'].apply(lambda x: maand_volgorde.index(x)) ``` ### Stap 2: Definitie van de Uitschieter (Voor Styling) We definiëren een functie om te controleren of een datapunt een uitschieter is. Hier gebruiken we een simpele methode (meer dan 2 standaarddeviaties van het gemiddelde van zijn regio). ```python def is_uitschieter(rij, df): regio_gegevens = df[df['Regio'] == rij['Regio']]['Verkoop'] gemiddelde = regio_gegevens.mean() std_dev = regio_gegevens.std() return rij['Verkoop'] > (gemiddelde + 2 * std_dev) # Pas de functie toe op de DataFrame df['Is_Uitschieter'] = df.apply(is_uitschieter, df=df, axis=1) ``` ### Stap 3: Opzetten van de Figuur en Stijl (Donkere Achtergrond) We stellen de plotstijl in volgens jouw voorkeuren. ```python # Stel de seaborn stijl in voor een donker thema sns.set_style("darkgrid") # Stel het figuur en axis object op met een donkere achtergrondkleur fig, ax = plt.subplots(figsize=(10, 6)) fig.patch.set_facecolor('#2e2e2e') # Donkergrijze achtergrond voor de figuur ax.set_facecolor('#2e2e2e') # Donkergrijze achtergrond voor de plot # Stel de kleuren voor de lijnen in palette = sns.color_palette("husl", 3) # Kiest 3 kleuren voor de 3 regio's ``` ### Stap 4: De Animatiefunctie Deze functie wordt frame voor frame opgeroepen om de animatie te tekenen. ```python # Lijsten om de lijnobjecten en annotaties bij te houden lijnen = [] annotaties = [] def animate(frame): # Wis de vorige annotaties om overlap te voorkomen for ann in annotaties: ann.remove() annotaties.clear() # Gegevens voor het huidige frame (alle gegevens tot en met de huidige maand) huidige_maand_num = frame plot_gegevens = df[df['Maand_Num'] <= huidige_maand_num] # Update of teken de lijnen voor elke regio for i, regio in enumerate(df['Regio'].unique()): regio_gegevens = plot_gegevens[plot_gegevens['Regio'] == regio] if i < len(lijnen): # Update de bestaande lijn lijnen[i].set_data(regio_gegevens['Maand_Num'], regio_gegevens['Verkoop']) else: # Teken een nieuwe lijn en voeg deze toe aan de lijst lijn, = ax.plot(regio_gegevens['Maand_Num'], regio_gegevens['Verkoop'], color=palette[i], marker='o', linewidth=2.5, markersize=4, label=regio) lijnen.append(lijn) # Markeer uitschieters (ORANJE) voor het huidige frame huidige_data = df[df['Maand_Num'] == huidige_maand_num] uitschieters = huidige_data[huidige_data['Is_Uitschieter']] for _, uit in uitschieters.iterrows(): punt = ax.plot(uit['Maand_Num'], uit['Verkoop'], 'o', color='orange', markersize=8, markeredgecolor='white', markeredgewidth=1.5) # Voeg een annotatie toe voor de uitschieter annotatie = ax.annotate(f"Uitschieter!\n{uit['Verkoop']}", xy=(uit['Maand_Num'], uit['Verkoop']), xytext=(uit['Maand_Num']+0.5, uit['Verkoop']+20), color='white', weight='bold', # Vette labels arrowprops=dict(arrowstyle='->', color='orange', lw=1.5), bbox=dict(boxstyle="round,pad=0.3", facecolor='#2e2e2e', edgecolor='orange', alpha=0.8) ) annotaties.append(annotatie) # Titel en labels updaten huidige_maand_naam = maand_volgorde[huidige_maand_num] if huidige_maand_num < len(maand_volgorde) else 'Einde' ax.set_title(f"Maandelijkse Verkoopcijfers 2023\nTot en met: {huidige_maand_naam}", color='white', fontsize=14, weight='bold') # Vette titel ax.set_xlabel("Maand", color='white', weight='bold') # Vette aslabel ax.set_ylabel("Verkoop", color='white', weight='bold') # Vette aslabel # Stel de x-as in met maandnamen ax.set_xticks(range(len(maand_volgorde))) ax.set_xticklabels(maand_volgorde, color='white') ax.set_yticks(ax.get_yticks()) ax.set_yticklabels(ax.get_yticks(), color='white') # Witte tekst op y-as # Legenda ax.legend(facecolor='#2e2e2e', edgecolor='None', labelcolor='white', loc='upper left') # Stel de grenzen in ax.set_xlim(-0.5, 11.5) ax.set_ylim(df['Verkoop'].min() - 20, df['Verkoop'].max() + 50) # Maak de randen van de plot wit for spine in ax.spines.values(): spine.set_color('white') return lijnen + annotaties ``` ### Stap 5: De Animatiefunctie Aanroepen en Opslaan ```python # Creëer de animatie ani = FuncAnimation( fig=fig, func=animate, frames=13, # 12 maanden + 1 extra frame om het eindresultaat te tonen interval=500, # 500 milliseconden (0.5 seconden) tussen frames blit=True, # Optimaliseert de animatie repeat=False # Animatie stopt na één keer ) # Toon de animatie (in Jupyter Notebook/Google Colab) # plt.show() # OF Sla de animatie op als GIF bestand (vereist pillow library: `pip install pillow`) ani.save('geanimeerde_verkoop_2023.gif', writer='pillow', fps=2) # fps=2 komt overeen met interval=500 plt.close() # Sluit de plot om te voorkomen dat deze dubbel wordt weergegeven ``` ### Samenvatting van wat deze code doet: 1. **Dataset**: Werkt met een DataFrame die de kolommen `Maand`, `Regio` en `Verkoop` heeft. 2. **Animatie**: Bouwt de lijnplot maand voor maand op. 3. **Snelheid**: Een nieuw frame elke 500 milliseconden (0.5 seconden). 4. **Uitschieters**: Markeert punten die statistisch gezien uitschieters zijn met een **oranje** marker en een annotatie. 5. **Stijl**: Gebruikt een **donkere achtergrond** (`#2e2e2e`) met witte rasterlijnen (via `sns.darkgrid`). 6. **Labels**: Alle labels, titels en legenda zijn **wit** en **vet** gemaakt. 7. **Output**: De animatie wordt opgeslagen als een `GIF`-bestand met de naam `geanimeerde_verkoop_2023.gif`. Zorg ervoor dat je de `pillow` bibliotheek geïnstalleerd hebt (`pip install pillow`) om de animatie als GIF op te kunnen slaan. Succes met je visualisatie