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")

AIDE PYTHON

Seaborn Python (Guide pour développeurs)

Curtis Chau

Mis à jour:juin 22, 2025

La visualisation de données statistiques Seaborn est une bibliothèque de visualisation Python populaire. Elle est construite sur le module Matplotlib Python et offre une interface de haut niveau pour créer des graphiques statistiques attrayants et informatifs. Seaborn is particularly well-suited for visualizing complex datasets and making data analysis more intuitive. Later in this article, we will also look into IronPDF, a PDF generation and manipulation library from IronSoftware.

Caractéristiques clés

Interface de haut niveau : Seaborn offre une interface de haut niveau, simplifiant le processus de création de visualisations complexes. Cela signifie que vous pouvez réaliser des graphiques sophistiqués avec seulement quelques lignes de code.
Intégration avec Pandas : Seaborn fonctionne parfaitement avec les structures de données de Pandas, facilitant la visualisation de données stockées dans les DataFrames.
Styles par défaut magnifiques : Seaborn est livré avec des styles par défaut magnifiques et des palettes de couleurs qui aident à rendre les graphiques plus attrayants et plus faciles à interpréter.
Estimation statistique : Seaborn inclut des fonctions pour estimer et tracer des relations statistiques, telles que les lignes de régression et les intervalles de confiance.
Distributions univariées et bivariées : Seaborn prend en charge la visualisation de données statistiques avec

Distributions univariées dans Seaborn

Histogramme : Visualise la fréquence des points de données dans des intervalles.
Tracer KDE : Montre une courbe lisse représentant la densité des données.
Tracer ECDF : Affiche la proportion cumulative des points de données.
Boîte à moustaches : Illustre la distribution des données avec les quartiles et les valeurs aberrantes.

Distributions bivariées dans Seaborn

Nuage de points : Dépeint la relation entre deux variables.
Diagramme Hexbin : Utilise des binhex pour montrer la densité de données.
Tracer KDE bivarié : Tracé de densité lisse pour deux variables.
Diagramme de paires : Montre les relations par paires dans un ensemble de données.

Démarrer

Pour commencer avec Seaborn, vous devez l'installer en utilisant pip :

pip install seaborn

pip install seaborn

SHELL

Une fois installé, vous pouvez importer Seaborn avec Matplotlib et créer des visualisations. Voici un exemple simple :

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

Dans cet exemple, nous chargeons l'ensemble de données "tips" et créons un nuage de points montrant la relation entre la facture totale et le montant du pourboire, avec différentes couleurs représentant les différentes heures de la journée.

Sortie

Seaborn Python (Comment ça fonctionne pour les développeurs) : Figure 1 - Exemple de sortie graphique du code ci-dessus

Graphiques couramment utilisés

Graphiques relationnels : Ces graphiques montrent les relations entre les variables. Les exemples incluent les nuages de points et les diagrammes en ligne.

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 (Comment ça fonctionne pour les développeurs) : Figure 2 - Exemple de graphique relationnel

Graphiques catégoriels : Ces graphiques visualisent les données catégorielles. Exemples : diagrammes en barres, boîtes à moustaches, et diagrammes de violon.
```
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

Graphiques de distribution : Exemples : histogrammes et estimation de la densité du noyau.

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 (Comment ça fonctionne pour les développeurs) : Figure 4 - Exemple de graphique de distribution

Graphiques matriciels : Ces graphiques visualisent les données sous forme matricielle. Les exemples incluent les cartes thermiques et les cartes de cluster.

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 (Comment ça fonctionne pour les développeurs) : Figure 5 - Exemple de graphique matriciel

Les graphiques Seaborn peuvent également être utilisés pour des graphiques de distribution, des graphiques en ligne, des boîtes à moustaches et des diagrammes en barres, et le traçage de code avec des données réelles ou statistiques est facile.

Personnalisation

Seaborn permet de personnaliser largement les graphiques. Vous pouvez modifier le style du graphique, la palette de couleurs, et d'autres aspects pour répondre à vos besoins. Par exemple, vous pouvez définir le thème en utilisant :

sns.set_theme(style="whitegrid")

sns.set_theme(style="whitegrid")

PYTHON

Présentation d'IronPDF

Seaborn Python (Comment ça fonctionne pour les développeurs) : Figure 6 - IronPDF : La bibliothèque PDF Python

IronPDF est une bibliothèque Python puissante conçue pour créer, éditer, et signer des PDF en utilisant HTML, CSS, images, et JavaScript. Il offre des performances de haute qualité tout en utilisant une mémoire minimale. Les fonctionnalités clés incluent :

Conversion HTML en PDF :

Convertir des fichiers HTML, des chaînes HTML, et des URLs en PDF. Par exemple, utiliser le moteur de rendu PDF de Chrome pour rendre une page web en PDF.

Support multiplateforme :

IronPDF est conçu pour Python 3+ et fonctionne également sous Windows, Mac, Linux, ou sur les plateformes Cloud.
IronPDF is also available in .NET, Java, Python, and Node.js.

Edition et signature :

Définir les propriétés, appliquer des mots de passe et des permissions, et ajouter des signatures numériques à vos PDF.

Modèles et paramètres de page :

Vous pouvez personnaliser les PDF avec des en-têtes, pieds de page, numéros de page, et marges ajustables. Il supporte également des tailles de papier personnalisées et des mises en page adaptatives.

Conformité aux normes :

Conforme aux normes PDF, y compris PDF/A et PDF/UA, supporte le codage des caractères UTF-8, et gère les actifs comme les images, CSS, et polices.

Installation

pip install ironpdf

pip install ironpdf

SHELL

Générer des documents PDF en utilisant IronPDF et Seaborn

Prérequis

Assurez-vous que Visual Studio Code est installé en tant qu'éditeur de code.
La version 3 de Python est installée.

Pour commencer, créons un fichier Python pour ajouter nos scripts.

Ouvrez Visual Studio Code et créez un fichier, seabornDemo.py.

Installez les bibliothèques nécessaires :

pip install seaborn
pip install ironpdf

pip install seaborn
pip install ironpdf

SHELL

Ajoutez ensuite le code ci-dessous pour démontrer l'utilisation des packages IronPDF et Seaborn Python :

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

Explication du code

Dans cet exemple, nous utilisons l'ensemble de données "tips" pour tracer un nuage de points, le sauvegarder comme image, et le convertir en PDF en utilisant IronPDF.

Importer les bibliothèques : Importer les bibliothèques nécessaires pour la visualisation de données et la génération de PDF.
Clé de licence : Ajouter une clé de licence est nécessaire pour que la bibliothèque IronPDF fonctionne.
Charger l'ensemble de données : Charger l'ensemble de données d'exemple "tips".
Imprimer le DataFrame : Imprimer le DataFrame pour l'afficher dans la sortie.
Créer le graphique : Utiliser la méthode scatterplot de Seaborn pour visualiser les données.
Sauvegarder le graphique : Sauvegarder votre graphique en utilisant la méthode savefig de Matplotlib.
Convertir en PDF : Utiliser les méthodes ImageToPdf et SaveAs de IronPDF pour convertir l'image en PDF.
Afficher le graphique : Afficher le nuage de points en utilisant plt.show().

Sortie

Seaborn Python (Comment ça fonctionne pour les développeurs) : Figure 7 - Fenêtre de nuage de points de l'exemple de code ci-dessus

PDF

Seaborn Python (Comment ça fonctionne pour les développeurs) : Figure 8 - Sortie PDF utilisant IronPDF pour afficher le nuage de points

Licence IronPDF

IronPDF pour Python permet aux utilisateurs de tester ses fonctionnalités complètes avant d'acheter. Après la période de licence d'essai, les développeurs peuvent acheter une licence perpétuelle qui correspond aux besoins de leur projet.

Placez la clé de licence au début du script avant d'utiliser le package IronPDF :

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

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

PYTHON

Conclusion

Seaborn est largement reconnu pour ses capacités en visualisation de données. Son interface de haut niveau, son intégration avec Pandas, et ses magnifiques styles par défaut en font un excellent choix pour créer des graphiques statistiques informatifs et attrayants. Que vous soyez débutant ou data scientist expérimenté, Seaborn peut vous aider à explorer et comprendre vos données plus efficacement. On the other hand, IronPDF is a popular library for PDF generation and manipulation in .NET environments, known for its robust feature set and ease of use, helps to document and archive the results from Seaborn in a standard way to save them as PDFs. Les deux bibliothèques ajoutent d'excellentes compétences aux développeurs pour développer et archiver les résultats modernes de visualisation de données.

Curtis Chau

Discutez maintenant avec l'équipe d'ingénierie

Rédacteur technique

Curtis Chau détient un baccalauréat en informatique (Université de Carleton) et se spécialise dans le développement front-end avec expertise en Node.js, TypeScript, JavaScript et React. Passionné par la création d'interfaces utilisateur intuitives et esthétiquement plaisantes, Curtis aime travailler avec des frameworks modernes ...