Natuurlijk! Hier is een stapsgewijze handleiding om Seaborn visualisaties te maken die de distributie van je dataset verkennen en mogelijke uitbijters identificeren, rekening houdend met je gegevens en voorkeuren: 1. Importeer benodigde libraries en stel het donkere thema in. 2. Laad je dataset. 3. Maak boxplots en violin plots voor de variabelen Leeftijd, Inkomen en Uitgavencijfer. 4. Voeg annotaties toe voor uitbijters. Hier is een voorbeeldcode: ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Stel het donkere thema in sns.set_theme(style="darkgrid") # Laad je dataset # Bijvoorbeeld: df = pd.read_csv('jouw_dataset.csv') # Voor deze voorbeeldcode gaan we ervan uit dat je dataset al in een DataFrame heet 'df' # Lijst van variabelen om te analyseren variabelen = ['Leeftijd', 'Inkomen', 'Uitgavencijfer'] for var in variabelen: # Boxplot plt.figure(figsize=(10, 6)) ax = sns.boxplot(x=df[var]) plt.title(f'Boxplot van {var}') # Detecteer uitbijters Q1 = df[var].quantile(0.25) Q3 = df[var].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR # Annotaties voor uitbijters for index, value in df[var].iteritems(): if value < lower_bound or value > upper_bound: ax.annotate(f'{value:.2f}', (0, value), xytext=(5, 0), textcoords='offset points', color='red') plt.show() # Violin plot plt.figure(figsize=(10, 6)) sns.violinplot(x=df[var]) plt.title(f'Violin plot van {var}') # Annotaties voor uitbijters in violin plot for index, value in df[var].iteritems(): if value < lower_bound or value > upper_bound: plt.annotate(f'{value:.2f}', (0, value), xytext=(5, 0), textcoords='offset points', color='red') plt.show() ``` **Samenvatting:** - Gebruik `sns.boxplot()` en `sns.violinplot()` voor de distributievisualisaties. - Detecteer uitbijters met de IQR-methode. - Voeg annotaties toe op de grafieken bij uitbijters, in rood gekleurd voor zichtbaarheid. - Het donkere thema is ingesteld met `sns.set_theme(style="darkgrid")`. Wil je nog meer geavanceerde detectiemethoden of specifieke regio's of maanden analyseren? Laat het gerust weten!

Ik help je graag met het maken van Seaborn visualisaties voor je dataset. Hier is een stapsgewijze handleiding in het Nederlands: ### Vereiste importen ```python import seaborn as sns import matplotlib.pyplot as plt import pandas as pd import numpy as np ``` ### Stap 1: Thema instellen (donker thema) ```python sns.set_theme(style="darkgrid") plt.style.use('dark_background') ``` ### Stap 2: Boxplots voor distributie en uitbijters ```python # Boxplot voor Leeftijd plt.figure(figsize=(10, 6)) ax = sns.boxplot(x=df['Leeftijd'], color='skyblue') plt.title('Distributie van Leeftijd met Uitbijters', fontsize=14) # Annotaties toevoegen voor uitbijters Q1 = df['Leeftijd'].quantile(0.25) Q3 = df['Leeftijd'].quantile(0.75) IQR = Q3 - Q1 outliers = df[(df['Leeftijd'] < (Q1 - 1.5 * IQR)) | (df['Leeftijd'] > (Q3 + 1.5 * IQR))] for i, outlier in outliers.iterrows(): ax.annotate(f'Uitbijter\n{outlier["Leeftijd"]}', xy=(outlier["Leeftijd"], 0), xytext=(outlier["Leeftijd"] + 2, 0.2), arrowprops=dict(arrowstyle='->', color='red'), color='red') plt.show() ``` ### Stap 3: Violin plots voor gedetailleerde distributie ```python # Violin plot voor Inkomen plt.figure(figsize=(12, 6)) ax = sns.violinplot(x=df['Inkomen'], color='lightgreen') plt.title('Distributie van Inkomen', fontsize=14) # Uitbijters markeren Q1_income = df['Inkomen'].quantile(0.25) Q3_income = df['Inkomen'].quantile(0.75) IQR_income = Q3_income - Q1_income outliers_income = df[(df['Inkomen'] < (Q1_income - 1.5 * IQR_income)) | (df['Inkomen'] > (Q3_income + 1.5 * IQR_income))] for i, outlier in outliers_income.iterrows(): ax.annotate(f'Uitbijter\n{outlier["Inkomen"]:,.0f}', xy=(outlier["Inkomen"], 0), xytext=(outlier["Inkomen"] * 1.1, 0.3), arrowprops=dict(arrowstyle='->', color='orange'), color='orange') plt.show() ``` ### Stap 4: Uitgavencijfer analyse met beide plottypes ```python # Combineren in subplots fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6)) # Boxplot sns.boxplot(x=df['Uitgavencijfer'], ax=ax1, color='lightcoral') ax1.set_title('Boxplot - Uitgavencijfer') # Violin plot sns.violinplot(x=df['Uitgavencijfer'], ax=ax2, color='lightcoral') ax2.set_title('Violin Plot - Uitgavencijfer') # Uitbijters annoteren voor beide plots Q1_expense = df['Uitgavencijfer'].quantile(0.25) Q3_expense = df['Uitgavencijfer'].quantile(0.75) IQR_expense = Q3_expense - Q1_expense outliers_expense = df[(df['Uitgavencijfer'] < (Q1_expense - 1.5 * IQR_expense)) | (df['Uitgavencijfer'] > (Q3_expense + 1.5 * IQR_expense))] for ax in [ax1, ax2]: for i, outlier in outliers_expense.iterrows(): ax.annotate(f'Uitbijter\n{outlier["Uitgavencijfer"]:.2f}', xy=(outlier["Uitgavencijfer"], 0), xytext=(outlier["Uitgavencijfer"] * 1.05, 0.2), arrowprops=dict(arrowstyle='->', color='yellow'), color='yellow') plt.tight_layout() plt.show() ``` ### Stap 5: Uitbijters statistieken weergeven ```python print("=== UITBIJTERS STATISTIEKEN ===") print(f"Aantal uitbijters Leeftijd: {len(outliers)}") print(f"Aantal uitbijters Inkomen: {len(outliers_income)}") print(f"Aantal uitbijters Uitgavencijfer: {len(outliers_expense)}") ``` ### Extra tips: 1. Pas de kleuren aan met `palette` parameter voor betere leesbaarheid 2. Gebruik `plt.xticks(rotation=45)` als labels overlappen 3. Overweeg `sns.histplot()` voor aanvullende distributie-inzichten 4. Sla outliers op in een apart DataFrame voor verdere analyse Deze code geeft je een compleet overzicht van de distributie en identificeert duidelijk de uitbijters in je dataset met het gewenste donkere thema.