Natuurlijk! Hieronder vind je een voorbeeld van hoe je met Seaborn en Pandas geavanceerde barplots kunt maken, waarbij je aangepaste aggregaties toepast en je visualisaties stijlvol en informatief maakt. Stap 1: Data voorbereiden en aggregaties toepassen ```python import pandas as pd import seaborn as sns import matplotlib.pyplot as plt # Voorbeeld: je dataset inladen # df = pd.read_csv('jouw_data.csv') # Aggregatie: som en gemiddelde per regio, productcategorie en maand # Eerst groeperen grouped = df.groupby(['regio', 'productcategorie', 'maand']).agg({ 'omzet': ['sum', 'mean'], 'aantallen': ['sum', 'mean'] }).reset_index() # De kolomnamen aanpassen grouped.columns = ['regio', 'productcategorie', 'maand', 'omzet_som', 'omzet_gem', 'aantallen_som', 'aantallen_gem'] ``` Stap 2: Visualisatie maken met Seaborn barplot ```python # Stel je wilt de totale omzet per regio visualiseren plt.figure(figsize=(12, 6)) sns.set_theme(style="whitegrid", palette="muted") # Pas stijl en kleuren aan # Barplot voor som van omzet per regio ax = sns.barplot(data=grouped, x='regio', y='omzet_som', palette='Set2') # Voeg annotaties toe met waarde for p in ax.patches: height = p.get_height() ax.annotate(f'{height:.0f}', (p.get_x() + p.get_width() / 2., height), ha='center', va='bottom', fontsize=10) plt.title('Totale omzet per regio') plt.ylabel('Omzet (som)') plt.xlabel('Regio') plt.show() ``` Stap 3: Alternatief – gemiddelde omzet per regio en productcategorie ```python plt.figure(figsize=(14, 7)) sns.set_theme(style="whitegrid", palette="deep") ax = sns.barplot(data=grouped, x='regio', y='omzet_gem', hue='productcategorie') # Annotaties for container in ax.containers: for p in container: height = p.get_height() ax.annotate(f'{height:.0f}', (p.get_x() + p.get_width() / 2., height), ha='center', va='bottom', fontsize=9) plt.title('Gemiddelde omzet per regio en productcategorie') plt.ylabel('Gemiddelde omzet') plt.xlabel('Regio') plt.legend(title='Productcategorie') plt.show() ``` Extra tips: - Pas het kleurenpalet aan met `palette='your_choice'` of door zelf kleuren te definiëren. - Voor meer stijl, experimenteer met `sns.set_theme()` of `sns.set_context()`. - Voeg labels, titels en annotaties toe voor meer duidelijkheid. Wil je nog een specifiek voorbeeld of hulp bij een andere aggregatie of visualisatietype?

Absoluut! Hier is een uitgebreide handleiding in het Nederlands voor het maken van geavanceerde, aangepaste Seaborn visualisaties op basis van jouw dataset. ### Stap 1: Importeer de Benodigde Bibliotheken ```python import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt # Stel de stijl en het kleurenpalet in (een extra wens) sns.set_theme(style="whitegrid") plt.rcParams['figure.dpi'] = 120 # Voor betere resolutie ``` ### Stap 2: Voorbeeld Data Preparation (Pas aan naar jouw eigen dataset) ```python # JOUW DATA INLADEN (vervang dit met je eigen DataFrame, bijv. df = pd.read_csv('jouw_bestand.csv')) # Voor dit voorbeeld creëren we even een demo-dataset np.random.seed(42) # Voor reproduceerbare resultaten date_rng = pd.date_range(start='2023-01-01', end='2023-12-31', freq='M') categorieën = ['Elektronica', 'Kleding', 'Huis & Tuin'] regios = ['Noord', 'Oost', 'Zuid', 'West'] data = [] for datum in date_rng: for categorie in categorieën: for regio in regios: data.append({ 'Maand': datum.strftime('%Y-%m'), 'Categorie': categorie, 'Regio': regio, 'Omzet': np.random.randint(1000, 5000), 'Aantal': np.random.randint(50, 200) }) df = pd.DataFrame(data) print(df.head()) ``` ### Stap 3: Aangepaste Aggregatie Toepassen Je kunt `groupby()` en `agg()` van Pandas gebruiken om de gewenste sommen en gemiddelden te berekenen voordat je gaat plotten. **Voorbeeld 1: Totale omzet per regio (Som)** ```python # Aggregeer de data: Totale Omzet per Regio df_agg_som_regio = df.groupby('Regio', as_index=False).agg( Totale_Omzet=('Omzet', 'sum') ) print(df_agg_som_regio) ``` **Voorbeeld 2: Gemiddelde verkoop per productcategorie (Gemiddelde)** ```python # Aggregeer de data: Gemiddelde Omzet per Categorie df_agg_gem_categorie = df.groupby('Categorie', as_index=False).agg( Gemiddelde_Omzet=('Omzet', 'mean') ) print(df_agg_gem_categorie) ``` ### Stap 4: Geavanceerde Visualisaties Maken **Visualisatie 1: Barplot van Totale Omzet per Regio (Som)** ```python # Stel een custom kleurenpalet in (een extra wens) custom_palette = ["#4C72B0", "#DD8452", "#55A868", "#C44E52"] # Maak de figuur en axis fig, ax = plt.subplots(figsize=(10, 6)) # Creëer de barplot barplot = sns.barplot( data=df_agg_som_regio, x='Regio', y='Totale_Omzet', palette=custom_palette, ax=ax, estimator='sum' # Dit is hier redundant omdat we al geaggregeerd hebben, maar goed om te weten. ) # Titel en labels plt.title('Totale Omzet per Regio', fontsize=16, fontweight='bold', pad=20) plt.xlabel('Regio', fontsize=12) plt.ylabel('Totale Omzet (€)', fontsize=12) # Voeg annotaties (waardes) toe boven elke bar (een extra wens) for p in barplot.patches: barplot.annotate( format(p.get_height(), '.0f') + ' €', # Formatteer het getal zonder decimalen (p.get_x() + p.get_width() / 2., p.get_height()), ha='center', va='center', xytext=(0, 10), textcoords='offset points', fontweight='bold' ) plt.tight_layout() plt.show() ``` **Visualisatie 2: Gestapelde barplot van Gemiddelde Omzet per Categorie en Regio** *Dit is een krachtigere, multidimensionale view.* ```python # Aggregeer de data voor de complexere plot df_agg_adv = df.groupby(['Categorie', 'Regio'], as_index=False).agg( Gem_Omzet=('Omzet', 'mean') ) # Maak de figuur plt.figure(figsize=(12, 7)) # Creëer een barplot met 'hue' voor de tweede dimensie (Regio) barplot_adv = sns.barplot( data=df_agg_adv, x='Categorie', y='Gem_Omzet', hue='Regio', palette=custom_palette ) plt.title('Gemiddelde Omzet per Productcategorie, uitgesplitst per Regio', fontsize=16, fontweight='bold', pad=20) plt.xlabel('Productcategorie', fontsize=12) plt.ylabel('Gemiddelde Omzet (€)', fontsize=12) # Verplaats de legenda en maak hem wat transparanter plt.legend(title='Regio', bbox_to_anchor=(1.05, 1), loc='upper left') # Voeg opnieuw annotaties toe for p in barplot_adv.patches: if not pd.isna(p.get_height()): # Voorkom annoteren van onzichtbare bars barplot_adv.annotate( format(p.get_height(), '.0f') + ' €', (p.get_x() + p.get_width() / 2., p.get_height()), ha='center', va='center', xytext=(0, 7), textcoords='offset points', fontsize=9 ) plt.tight_layout() plt.show() ``` ### Belangrijke Punten en Vervolgstappen: 1. **Data-aggregatie vooraf:** De sleutel tot geavanceerde visualisaties is het eerst bewerken en aggregeren van je DataFrame met `groupby().agg()` naar de gewenste vorm. Seaborn plot dan deze reeds berekende waarden. 2. **Experimenteer met `hue`:** De `hue` parameter in `sns.barplot()` is enorm krachtig om een extra dimensie (zoals 'Regio') aan je visualisatie toe te voegen. 3. **Kleurenpalet:** Je kunt eenvoudig elk gewenst kleurenpalet instellen via de `palette` parameter. Seaborn heeft er veel ingebouwd (`deep`, `muted`, `pastel`, `dark`, `colorblind`), of je kunt een eigen lijst met HEX-codes opgeven, zoals in het voorbeeld. 4. **Annotaties:** De `annotate` functie van matplotlib (hier gebruikt via de `patches` van de barplot) is de manier om waarden toe te voegen. Je kunt de positie (`xytext`) en opmaak aanpassen. 5. **Export:** Gebruik `plt.savefig('mijn_plot.png', dpi=300, bbox_inches='tight')` voor het exporteren van een hoogwaardige afbeelding. Pas de groepslijnen (`groupby`) aan om de inzichten te krijgen die je zoekt, bijvoorbeeld `groupby(['Maand', 'Categorie'])` om de trend over tijd per categorie te zien. Veel succes!