from ironpdf import * # Instantiate Renderer renderer = ChromePdfRenderer() # Create a PDF from a HTML string using Python pdf = renderer.RenderHtmlAsPdf("<h1>Hello World</h1>") # Export to a file or Stream pdf.SaveAs("output.pdf") # Advanced Example with HTML Assets # Load external html assets: Images, CSS and JavaScript. # An optional BasePath 'C:\site\assets\' is set as the file location to load assets from myAdvancedPdf = renderer.RenderHtmlAsPdf("<img src='icons/iron.png'>", r"C:\site\assets") myAdvancedPdf.SaveAs("html-with-assets.pdf")

PYTHON-HILFE

Seaborn Python (Wie es funktioniert: Ein Leitfaden für Entwickler)

Name: IronPDF
Brand: Iron Software
Availability: InStock
Rating: 4.87 (307 reviews)

Curtis Chau

Aktualisiert:18. Januar 2026

Statistische Datenvisualisierung Seaborn ist eine beliebte Python-Vision-Bibliothek. Es basiert auf dem Matplotlib-Python-Modul und bietet eine hochrangige Schnittstelle für die Erstellung attraktiver und informativer statistischer Grafiken. Seaborn eignet sich besonders gut für die Visualisierung komplexer Datensätze und macht die Datenanalyse intuitiver. Später in diesem Artikel werden wir auch IronPDF untersuchen, eine PDF-Generierungs- und Manipulationsbibliothek von Iron Software.

Hauptmerkmale

Benutzeroberfläche auf hohem Niveau: Seaborn bietet eine Benutzeroberfläche auf hohem Niveau, die den Prozess der Erstellung komplexer Visualisierungen vereinfacht. Dies bedeutet, dass Sie anspruchsvolle Diagramme mit nur wenigen Zeilen Code erstellen können.
Integration mit Pandas: Seaborn arbeitet nahtlos mit Pandas-Datenstrukturen zusammen und ermöglicht so die einfache Visualisierung von Daten, die in DataFrames gespeichert sind.
Attraktive Standardstile: Seaborn bietet attraktive Standardstile und Farbpaletten, die dazu beitragen, dass die Diagramme ansprechender und leichter verständlich sind.
Statistische Schätzung: Seaborn beinhaltet Funktionen zum Schätzen und Darstellen statistischer Zusammenhänge, wie z. B. Regressionsgeraden und Konfidenzintervalle.
Eindimensionale und zweidimensionale Verteilungen: Seaborn unterstützt die statistische Datenvisualisierung mit

Eindimensionale Verteilungen in Seaborn
1. Histogramm: Visualisiert die Häufigkeit von Datenpunkten in Intervallen.
2. KDE-Plot: Zeigt eine glatte Kurve, die die Datendichte darstellt.
3. ECDF-Diagramm: Zeigt den kumulativen Anteil der Datenpunkte an.
4. Boxplot: Veranschaulicht die Datenverteilung mit Quartilen und Ausreißern.
Zweidimensionale Verteilungen in Seaborn
1. Streudiagramm: Stellt die Beziehung zwischen zwei Variablen dar.
2. Hexbin-Diagramm: Verwendet hexagonale Bins zur Darstellung der Datendichte.
3. Bivariate KDE-Darstellung: Glatte Dichtedarstellung für zwei Variablen.
4. Paardiagramm: Zeigt paarweise Beziehungen in einem Datensatz.

Erste Schritte

Um mit Seaborn zu beginnen, müssen Sie es mit pip installieren:

pip install seaborn

pip install seaborn

SHELL

Sobald es installiert ist, können Sie Seaborn zusammen mit Matplotlib importieren und Visualisierungen erstellen. Hier ist ein einfaches Beispiel:

import seaborn as sns
import matplotlib.pyplot as plt

# Load an example dataset
tips = sns.load_dataset("tips")

# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt

# Load an example dataset
tips = sns.load_dataset("tips")

# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

PYTHON

In diesem Beispiel laden wir den "tips"-Datensatz und erstellen ein Punktdiagramm, das die Beziehung zwischen der Gesamtrechnung und der Trinkgeldhöhe zeigt, mit unterschiedlichen Farben für verschiedene Tageszeiten.

Ausgabe

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 1 - Beispieldiagrammausgabe aus dem obigen Code

Häufig verwendete Diagramme

Relationale Diagramme: Diese Diagramme zeigen Beziehungen zwischen Variablen. Beispiele sind Punktdiagramme und Liniendiagramme.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
plt.show()

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
plt.show()

PYTHON

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 2 - Beispiel eines relationalen Diagramms

Kategorische Diagramme: Diese Diagramme visualisieren kategoriale Daten. Beispiele sind Balkendiagramme, Boxplots und Violindiagramme.

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
plt.show()

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
plt.show()

PYTHON

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 3 - Beispiel eines kategorialen Diagramms

Verteilungsdiagramme: Beispiele hierfür sind Histogramme und die Kerndichteschätzung.

sns.histplot(data=tips, x="total_bill", kde=True)
plt.show()

sns.histplot(data=tips, x="total_bill", kde=True)
plt.show()

PYTHON

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 4 - Beispiel eines Verteilungsdiagramms

Matrixdiagramme: Diese Diagramme visualisieren Daten in Matrixform. Beispiele sind Heatmaps und Clusterkarten.

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
sns.heatmap(glue)
plt.show()

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
sns.heatmap(glue)
plt.show()

PYTHON

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 5 - Beispiel eines Matrixdiagramms

Seaborn-Diagramme können auch für Verteilungsdiagramme, Liniendiagramme, Boxplots und Balkendiagramme verwendet werden, und die Codierung mit realen oder statistischen Daten ist einfach.

Anpassung

Seaborn ermöglicht umfangreiche Anpassungen von Diagrammen. Sie können den Stil, die Farbpalette und andere Aspekte des Diagramms nach Ihren Bedürfnissen ändern. Zum Beispiel können Sie das Thema einstellen, indem Sie:

sns.set_theme(style="whitegrid")

sns.set_theme(style="whitegrid")

PYTHON

Einführung in IronPDF

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 6 - IronPDF: Die Python PDF-Bibliothek

IronPDF ist eine leistungsstarke Python-Bibliothek, die zum Erstellen, Bearbeiten und Signieren von PDFs mit HTML, CSS, Bildern und JavaScript entwickelt wurde. Es bietet eine hohe Leistung bei minimalem Speicherverbrauch. Hauptmerkmale sind:

HTML zu PDF-Konvertierung:

Konvertieren Sie HTML-Dateien, HTML-Strings und URLs in PDFs. Zum Beispiel verwenden Sie den Chrome-PDF-Renderer, um eine Webseite als PDF zu rendern.
Plattformübergreifende Unterstützung:

IronPDF ist for Python 3+ ausgelegt und läuft auch auf Windows, Mac, Linux oder Cloud-Plattformen.
IronPDF ist auch in .NET, Java, Python und Node.js verfügbar.
Bearbeitung und Signierung:

Setzen Sie Eigenschaften, wenden Sie Passwörter und Berechtigungen an und fügen Sie Ihren PDFs digitale Signaturen hinzu.
Seitentemplates und Einstellungen:

Sie können PDFs mit Kopfzeilen, Fußzeilen, Seitennummern und anpassbaren Rändern anpassen. Es unterstützt außerdem benutzerdefinierte Papiergrößen und responsive Layouts.

Einhaltung von Standards:

Entspricht den PDF-Standards, einschließlich PDF/A und PDF/UA, unterstützt die UTF-8-Zeichenkodierung und verwaltet Ressourcen wie Bilder, CSS und Schriftarten.

Installation

pip install ironpdf

pip install ironpdf

SHELL

Erstellen von PDF-Dokumenten mit IronPDF und Seaborn

Voraussetzungen

Stellen Sie sicher, dass Visual Studio Code als Code-Editor installiert ist.
Python-Version 3 ist installiert.

Fangen wir zunächst an, eine Python-Datei zu erstellen, um unsere Skripte hinzuzufügen.

Öffnen Sie Visual Studio Code und erstellen Sie eine Datei, seabornDemo.py.

Notwendige Bibliotheken installieren:

pip install seaborn
pip install ironpdf

pip install seaborn
pip install ironpdf

SHELL

Fügen Sie dann den folgenden Code hinzu, um die Verwendung der IronPDF- und Seaborn-Python-Pakete zu demonstrieren:

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 

# Apply your license key
License.LicenseKey = "your key here"

# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)

# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")

# Save the plot as a PNG file
plt.savefig("scatterplot.png")

# Convert the image to PDF using IronPDF
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")

# Display the plot
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 

# Apply your license key
License.LicenseKey = "your key here"

# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)

# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")

# Save the plot as a PNG file
plt.savefig("scatterplot.png")

# Convert the image to PDF using IronPDF
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")

# Display the plot
plt.show()

PYTHON

Code-Erklärung

In diesem Beispiel verwenden wir den "tips"-Datensatz, um ein Punktdiagramm zu zeichnen, speichern es als Bild und konvertieren es mithilfe von IronPDF in ein PDF.

Bibliotheken importieren: Importieren Sie die für die Datenvisualisierung und PDF-Generierung erforderlichen Bibliotheken.
Lizenzschlüssel: Für die Funktionsfähigkeit der IronPDF -Bibliothek ist das Hinzufügen eines Lizenzschlüssels erforderlich.
Datensatz laden: Laden Sie den Beispieldatensatz "tips".
DataFrame ausgeben: Geben Sie den DataFrame aus, um ihn in der Ausgabe anzuzeigen.
Diagramm erstellen: Verwenden Sie die scatterplot-Methode von Seaborn, um die Daten zu visualisieren.
Diagramm speichern: Speichern Sie Ihr Diagramm mit der savefig-Methode von Matplotlib.
In PDF konvertieren: Verwenden Sie die ImageToPdf- und SaveAs-Methoden von IronPDF, um das Bild in ein PDF zu konvertieren.
Diagramm anzeigen: Zeigen Sie das Streudiagramm mit plt.show() an.

Ausgabe

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 7 - Fenster mit Streudiagramm aus dem obigen Codebeispiel

PDF

Seaborn Python (Anleitung für Entwickler: Funktionsweise): Abbildung 8 - PDF-Ausgabe unter Verwendung von IronPDF zur Anzeige des Streudiagramms

IronPDF-Lizenz

IronPDF for Python-Lizenzschlüssel ermöglicht Nutzern, seine umfassenden Funktionen vor dem Kauf zu testen. Nach dem Testlizenzzeitraum können Entwickler eine dauerhafte Lizenz erwerben, die ihren Projektanforderungen entspricht.

Platzieren Sie den Lizenzschlüssel am Anfang des Skripts, bevor Sie das IronPDF-Paket verwenden:

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

PYTHON

Abschluss

Seaborn ist weithin anerkannt für seine Fähigkeiten in der Datenvisualisierung. Seine hochrangige Schnittstelle, Integration mit Pandas und schöne Standardstile machen es zu einer ausgezeichneten Wahl für die Erstellung informativer und attraktiver statistischer Grafiken. Ob Sie Anfänger oder erfahrener Datenwissenschaftler sind, Seaborn kann Ihnen helfen, Ihre Daten effektiver zu erkunden und zu verstehen. Andererseits ist IronPDF eine beliebte Bibliothek für die PDF-Erstellung und -Manipulation in .NET-Umgebungen, bekannt für ihr robustes Funktionsset und einfache Bedienung, hilft beim Dokumentieren und Archivieren der Ergebnisse von Seaborn auf standardisierte Weise, um sie als PDFs zu speichern. Beide Bibliotheken bieten Entwicklern hervorragende Fähigkeiten zur Entwicklung und Archivierung moderner Datenvisualisierungsergebnisse.

Curtis Chau

Jetzt mit dem Ingenieurteam chatten

Technischer Autor

Curtis Chau hat einen Bachelor-Abschluss in Informatik von der Carleton University und ist spezialisiert auf Frontend-Entwicklung mit Expertise in Node.js, TypeScript, JavaScript und React. Leidenschaftlich widmet er sich der Erstellung intuitiver und ästhetisch ansprechender Benutzerschnittstellen und arbeitet gerne mit modernen Frameworks sowie der Erstellung gut strukturierter, optisch ansprechender ...