Absoluut. Hier is een gedetailleerd, stap-voor-stap plan in het Nederlands voor het creëren van de complexe Seaborn visualisatie die u beschrijft. ### Stap 1: Importeer de Benodigde Bibliotheken ```python import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt from matplotlib.patches import Rectangle ``` ### Stap 2: Data Voorbereiding en Integratie Aangezien uw data uit twee bronnen komt, is de eerste stap het samenvoegen (mergen) op een gemeenschappelijke sleutel, zoals een `klant_id` of `transactie_id`. ```python # Laad de datasets df_financieel = pd.read_csv('financiële_resultaten.csv') df_demografisch = pd.read_csv('demografische_klantgegevens.csv') # Voeg de datasets samen op een gemeenschappelijke sleutel # Vervang 'gemeenschappelijke_sleutel' door de daadwerkelijke kolomnaam (bijv. 'klant_id') df_geïntegreerd = pd.merge(df_financieel, df_demografisch, on='gemeenschappelijke_sleutel') # Controleer het resultaat print(df_geïntegreerd.head()) ``` ### Stap 3: Data Transformatie (Indien Nodig) Zorg ervoor dat de kolommen voor uw facetten het juiste datatype hebben. ```python # Zorg dat 'Kwartaal' een categorische volgorde heeft (Q1, Q2, Q3, Q4) df_geïntegreerd['Kwartaal'] = pd.Categorical(df_geïntegreerd['Kwartaal'], categories=['Q1', 'Q2', 'Q3', 'Q4'], ordered=True) # Zorg dat 'Productcategorie' een category is (optie, maar vaak efficiënter) df_geïntegreerd['Productcategorie'] = df_geïntegreerd['Productcategorie'].astype('category') ``` ### Stap 4: Opzetten van de Visualisatie en Stijl ```python # Stel het donkere thema in sns.set_theme(style="darkgrid") plt.rcParams['figure.facecolor'] = '0.1' # Zeer donkergrijs voor de figuurachtergrond plt.rcParams['axes.facecolor'] = '0.2' # Donkergrijs voor de plot-achtergrond plt.rcParams['text.color'] = '0.9' # Bijna witte tekstkleur plt.rcParams['axes.labelcolor'] = '0.9' plt.rcParams['xtick.color'] = '0.9' plt.rcParams['ytick.color'] = '0.9' # Creëer een FacetGrid object voor de segmentatie g = sns.FacetGrid( df_geïntegreerd, row='Productcategorie', # Rijfacet col='Kwartaal', # Kolomfacet margin_titles=True, # Nette titels sharex=True, # **CRUCIAAL: Synchroniseer X-as** sharey=True, # **CRUCIAAL: Synchroniseer Y-as** height=4, # Hoogte van elke subplot aspect=1.2 # Breedte/hoogte verhouding ) ``` ### Stap 5: Grafieken Toevoegen aan het Grid We gebruiken `.map_dataframe()` om meerdere grafieken in elk facet te tekenen. We tekenen eerst het histogram en dan de boxplot overheen. ```python # Definieer een functie die een histogram en boxplot combineert def combined_plot(data, **kwargs): # Verkrijg de kleur uit de palette (voor synchronisatie) color = sns.color_palette()[0] # Teken histogram sns.histplot( data=data, x='Waarde', # Vervang 'Waarde' door de naam van uw numerieke variabele (bijv. 'Omzet', 'Winst') kde=True, # Voeg een Kernel Density Estimate lijn toe alpha=0.5, # Doorzichtigheid van de bars color=color, **kwargs ) # Teken boxplot. We gebruiken `boxprops` om de kleur te synchroniseren. sns.boxplot( data=data, x='Waarde', color=color, boxprops=dict(alpha=0.7, facecolor=color, linewidth=2), whiskerprops=dict(color=color, linewidth=2), capprops=dict(color=color, linewidth=2), medianprops=dict(color='red', linewidth=2), # Maak de mediaan rood voor nadruk width=0.2 ) # Pas de combined_plot functie toe op elk facet in het grid g.map_dataframe(combined_plot) # Stel de hoofdtitel in g.fig.suptitle('Distributie van Financiële Waarde per Productcategorie en Kwartaal', fontsize=16, y=1.02, color='white') ``` ### Stap 6: Annotaties Toevoegen Dit is het meest handmatige deel. U kunt belangrijke datapunten (bijv. mediaan, uitbijters) vinden en labelen. ```python # Voorbeeld: Vind de mediaan voor een specifieke categorie en kwartaal # Dit zou in een loop moeten voor de belangrijkste punten die u wilt benadrukken. # Bijv. voor Productcategorie='A' en Kwartaal='Q1' subset = df_geïntegreerd[(df_geïntegreerd['Productcategorie'] == 'A') & (df_geïntegreerd['Kwartaal'] == 'Q1')] median_val = subset['Waarde'].median() # Vind de ax (subplot) voor dat specifieke facet. # U moet de rij- en kolomindex weten. Dit vereist enige experimentatie. # ax = g.axes[rij_index, kolom_index] (indexering begint bij 0) # Annoteer de mediaan op die ax # ax.axvline(median_val, color='red', linestyle='--', alpha=0.8) # ax.text(median_val, ax.get_ylim()[1]*0.9, f'Mediaan: {median_val:.2f}', color='red', ha='center') ``` ### Stap 7: Afronden en Tonen ```python # Pas de layout aan om overlapping te voorkomen g.tight_layout() # Pas de assenlabels aan g.set_axis_labels('Financiële Waarde (€)', 'Aantal') plt.show() ``` ### Belangrijke Punten en Aandachtspunten: 1. **Kolomnamen:** Vervang `'Waarde'`, `'Productcategorie'`, `'Kwartaal'`, en `'gemeenschappelijke_sleutel'` door de exacte namen van de kolommen in uw DataFrames. 2. **Annotaties:** Het toevoegen van automatische annotaties voor elk facet is complex en vereist vaak het itereren over `g.axes.flat` en het berekenen van statistieken voor elke subset data. Het voorbeeld hierboven toont de principes voor één facet. 3. **Kleuren:** De code gebruikt `sns.color_palette()[0]` om de eerste kleur uit het actieve Seaborn kleurenpalet te halen. Dit garandeert dat het histogram en de boxplot in elk facet de *zelfde* kleur gebruiken, wat voldoet aan uw synchronisatie-eis. U kunt een specifiek palet instellen met `sns.set_palette("viridis")` aan het begin. 4. **Performanie:** Voor zeer grote datasets kan een `FacetGrid` met gecombineerde plots traag worden. Overweeg dan om een sample van uw data te nemen voor exploratieve analyse. Deze code geeft u een robuuste basis om uw geïntegreerde data te visualiseren volgens uw specifieke, geavanceerde eisen.