Absoluut! Hier is een uitgebreide handleiding in het Nederlands voor het creëren van geavanceerde Seaborn visualisaties met Matplotlib-aanpassingen, precies volgens uw specificaties. ### Vereiste Bibliotheken Eerst importeren we de benodigde bibliotheken. ```python import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt from matplotlib.ticker import StrMethodFormatter ``` ### 1. Voorbereiding van de Data (Voorbeeld) Aangezien u geen specifieke data deelt, creëren we een voorbeelddataset die past bij uw beschrijving. ```python # Creëer een voorbeeld DataFrame np.random.seed(42) # Voor reproduceerbare resultaten maanden = ['Jan', 'Feb', 'Mrt', 'Apr', 'Mei', 'Jun', 'Jul', 'Aug', 'Sep', 'Okt', 'Nov', 'Dec'] regios = ['Noord', 'Oost', 'West', 'Zuid'] data = [] for maand in maanden: for regio in regios: verkopen = np.random.randint(50, 200) data.append({'Maand': maand, 'Regio': regio, 'Verkoop': verkopen}) df = pd.DataFrame(data) # Creëer een tweede metrische voor de dubbele y-as (bijv. groeipercentage) df['Groei (%)'] = np.random.uniform(-10, 25, len(df)) ``` ### 2. De Seaborn Scatterplot met Geavanceerde Matplotlib Aanpassingen Deze code combineert Seaborn's eenvoud met de volledige kracht van Matplotlib voor uw unieke effecten. ```python # Stel de stijl en het kleurenpalet in sns.set_style("whitegrid") sns.set_palette(sns.color_palette(["#1f77b4", "#2ca02c", "#17becf", "#7f7f7f"])) # Blauw, groen, cyaan, grijs # Maak de figuur en het hoofd-asobject (ax1) fig, ax1 = plt.subplots(figsize=(14, 8)) # --- PLOT 1: Scatterplot voor Verkoopaantallen (Linker Y-as) --- # We gebruiken Seaborn om de scatterplot te tekenen scatter = sns.scatterplot( data=df, x='Maand', y='Verkoop', hue='Regio', # Kleur op basis van regio s=100, # Grootte van de markers ax=ax1 # Teken op het eerste assenstelsel ) # --- AANPASSINGEN AAN AX1 (Verkoop) --- # Titel en labels met grotere lettertypen ax1.set_title('Maandelijkse Verkoopcijfers per Regio (2023)', fontsize=16, fontweight='bold', pad=20) ax1.set_xlabel('Maand', fontsize=14) ax1.set_ylabel('Aantal Verkochte Eenheden', fontsize=14, color='#1f77b4') # Kleur label bij as # Pas de tick labels aan voor grotere lettergrootte ax1.tick_params(axis='both', which='major', labelsize=12) ax1.tick_params(axis='y', labelcolor='#1f77b4') # Kleur ticks bij linker as # Formatteer de Y-as om duizendtallen scheidingspunten te hebben ax1.yaxis.set_major_formatter(StrMethodFormatter('{x:,.0f}')) # --- PLOT 2: Lijnplot voor Groeipercentage (Rechter Y-as) --- # Maak een tweede Y-as die dezelfde X-as deelt ax2 = ax1.twinx() # Plot de groei per regio. We groeperen de data eerst per maand en regio. for regio in regios: df_subset = df[df['Regio'] == regio] # Gebruik een lijnplot of scatterplot voor de tweede metriek ax2.plot(df_subset['Maand'], df_subset['Groei (%)'], marker='D', markersize=6, linestyle='--', linewidth=2, label=f'{regio} Groei') # --- AANPASSINGEN AAN AX2 (Groei %) --- ax2.set_ylabel('Groeipercentage (%)', fontsize=14, color='#2ca02c') # Groen label ax2.tick_params(axis='y', labelcolor='#2ca02c') # Groene ticks # Stel grenzen in voor de Y-as voor betere leesbaarheid ax2.set_ylim(df['Groei (%)'].min() - 2, df['Groei (%)'].max() + 2) # --- AANGEPASTE ANNOTATIES MET PIJLEN --- # Voorbeeld: vind de hoogste verkoop en annoteer deze max_verkoop_idx = df['Verkoop'].idxmax() max_row = df.loc[max_verkoop_idx] max_tekst = f"Topverkoop: {max_row['Verkoop']:,.0f}\n{max_row['Regio']} in {max_row['Maand']}" ax1.annotate(max_tekst, xy=(max_row['Maand'], max_row['Verkoop']), # Punt waar de pijl naar wijst xytext=(max_row['Maand'], max_row['Verkoop'] + 30), # Positie van de tekst fontsize=11, ha='center', # Stijl van de pijl arrowprops=dict(arrowstyle='->', lw=1.5, color='red', connectionstyle="arc3,rad=.2"), bbox=dict(boxstyle="round,pad=0.3", facecolor="wheat", alpha=0.8) ) # Voorbeeld: annotatie voor hoogste groei max_groei_idx = df['Groei (%)'].idxmax() max_g_row = df.loc[max_groei_idx] ax2.annotate(f"Max Groei: {max_g_row['Groei (%)']:.1f}%", xy=(max_g_row['Maand'], max_g_row['Groei (%)']), xytext=(max_g_row['Maand'], max_g_row['Groei (%)'] + 3), fontsize=11, ha='center', arrowprops=dict(arrowstyle='->', lw=1.5, color='darkgreen'), bbox=dict(boxstyle="round,pad=0.3", facecolor="lightgreen", alpha=0.8) ) # --- LEGENDA'S --- # Verzamel handles en labels van beide assen voor een gecombineerde legenda handles1, labels1 = ax1.get_legend_handles_labels() handles2, labels2 = ax2.get_legend_handles_labels() # Plaats één gecombineerde legenda in de grafiek ax1.legend(handles1 + handles2, labels1 + labels2, loc='upper left', fontsize=11, frameon=True, fancybox=True) # Verwijder de automatische legenda die Seaborn toevoegt (anders dubbele legenda) ax1.legend_.remove() # Verwijder eerst de oude, anders krijg je er twee ax2.legend_.remove() # Idem voor ax2 # --- FINALE LAYOUT-AANPASSINGEN --- # Pas de layout automatisch aan om overlapping te voorkomen plt.tight_layout() # Toon de grafiek plt.show() ``` ### Belangrijkste Geavanceerde Aanpassingen Toegelicht: 1. **Dubbele Y-as (`ax1.twinx())`**: * Creëert een tweede, onafhankelijke Y-as aan de rechterkant die dezelfde X-as deelt. * `ax1` beheert de verkoopaantallen (blauw). * `ax2` beheert het groeipercentage (groen). 2. **Aangepaste Annotaties met Pijlen (`ax.annotate()`)`**: * Wijst specifieke datapunten aan met tekst. * `xy`: De coördinaten van het punt dat wordt geannoteerd. * `xytext`: De coördinaten waar de tekst moet staan. * `arrowprops`: Dicteeert de stijl, kleur en dikte van de pijl. `connectionstyle` maakt een gebogen lijn. 3. **Geïntegreerde Legenda**: * Handles en labels van *beide* assen (`ax1` en `ax2`) worden gecombineerd tot één centrale legenda, wat cruciaal is voor de leesbaarheid bij een dubbele as. 4. **Stijl en Formattering**: * **Kleurenpalet**: Aangepast via `sns.set_palette()` met blauw- en groentinten. * **Lettergroottes**: Overal aangepast via parameters zoals `fontsize` in `set_title()`, `set_label()`, `tick_params()`, en `annotate()`. * **Y-as Formattering**: `StrMethodFormatter('{x:,.0f}')` voegt duizendtallen scheidingspunten toe (bijv. 1,500). Dit script geeft u een zeer geavanceerde, publicatieklare visualisatie die perfect voldoet aan al uw eisen. Pas de annotaties en de exacte kleurcodes uiteraard aan op basis van uw eigen dataset en voorkeuren.