Change from sns.set() to sns.set_theme()

zbmed · Mar 3, 2024 · 84d672b · 84d672b
1 parent 48c9bda
commit 84d672b
Show file tree

Hide file tree

Showing 22 changed files with 28 additions and 28 deletions.
diff --git a/content/descriptive_statistics/bivariate/_index.files/boxplots.ipynb b/content/descriptive_statistics/bivariate/_index.files/boxplots.ipynb
@@ -8,7 +8,7 @@
    "source": [
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "import pandas as pd\n",
     "\n",

diff --git a/content/descriptive_statistics/bivariate/correlation.files/correlation.ipynb b/content/descriptive_statistics/bivariate/correlation.files/correlation.ipynb
@@ -30,7 +30,7 @@
     "import seaborn as sns\n",
     "import pandas as pd\n",
     "import numpy as np\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "n = 1000\n",
     "cor = [-0.99, -0.7, -0.5, -0.2, 0, 0.2, 0.5, 0.7, 0.99]\n",

diff --git a/content/descriptive_statistics/solutions.files/Musterloesung_Projektaufgabe.ipynb b/content/descriptive_statistics/solutions.files/Musterloesung_Projektaufgabe.ipynb
@@ -78,7 +78,7 @@
     "import seaborn as sns\n",
     "import numpy as np\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "# das was wir brauchen in abgekürzter Form"
    ]
   },
@@ -1203,7 +1203,7 @@
     "import matplotlib.pyplot as plt\n",
     "\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "plt.figure(figsize=(16, 6))\n",
     "my_order =['0 to 9 years', '10 to 19 years', '20 to 24 years', '25 to 34 years', '35 to 44 years', '45 to 54 years', '55 to 59 years', '60 to 64 years', '65 to 74 years', '75 years and over']\n",
     "\n",

diff --git a/content/descriptive_statistics/solutions.files/solutions_outlier.ipynb b/content/descriptive_statistics/solutions.files/solutions_outlier.ipynb
@@ -20,7 +20,7 @@
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
     "\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "df = pd.read_csv(\"../data/Library_Usage.csv\",\n",
     "                                low_memory=False\n",
     ")"

diff --git a/content/descriptive_statistics/univariate/symmetrie.files/distributions.ipynb b/content/descriptive_statistics/univariate/symmetrie.files/distributions.ipynb
@@ -39,7 +39,7 @@
     "import pandas as pd\n",
     "import matplotlib.pyplot as plt\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "dat = pd.DataFrame()\n",
     "vals = [0.8, 1, 4]\n",

diff --git a/content/descriptive_statistics/univariate/symmetrie.md b/content/descriptive_statistics/univariate/symmetrie.md
@@ -60,7 +60,7 @@ Mit dem folgenden Beispiel kannst Du ein Histogramm über die Anzahl der Ausleih
 import pandas as pd
 import seaborn as sns
 %matplotlib inline
-sns.set()
+sns.set_theme()
 
 df = pd.read_csv("../data/Library_Usage.csv")
 sns.distplot(df['Total Checkouts'], kde=False)

diff --git a/content/descriptive_statistics/visualizations/examples.files/examples.ipynb b/content/descriptive_statistics/visualizations/examples.files/examples.ipynb
@@ -29,7 +29,7 @@
     "import seaborn as sns\n",
     "# command to print plots directly in jupyter\n",
     "%matplotlib inline \n",
-    "sns.set() # sets the default seaborn theme\n",
+    "sns.set_theme() # sets the default seaborn theme\n",
     "\n",
     "df = pd.read_csv(\"../data/Library_Usage.csv\")\n",
     "df.columns"
@@ -66,7 +66,7 @@
     "import seaborn as sns\n",
     "# command to print plots directly in jupyter\n",
     "%matplotlib inline\n",
-    "sns.set() # sets the default seaborn theme\n",
+    "sns.set_theme() # sets the default seaborn theme\n",
     "\n",
     "# use sample to generate a random subsample\n",
     "df = pd.read_csv(\"../../../data/Library_Usage.csv\").sample(n=1000)\n",

diff --git a/content/descriptive_statistics/visualizations/examples.md b/content/descriptive_statistics/visualizations/examples.md
@@ -30,7 +30,7 @@ import seaborn as sns
 import matplotlib.pyplot as plt
 import numpy as np
 # matplotlib inline
-sns.set()
+sns.set_theme()
 
 df = pd.read_csv("../data/Library_Usage.csv")
 

diff --git a/content/descriptive_statistics/visualizations/tutorial.md b/content/descriptive_statistics/visualizations/tutorial.md
@@ -31,7 +31,7 @@ Die zahlreichen Funktionen, die `seaborn` bietet basieren immer auf dem gleichen
 
 Zuerst werden die benötigten Bibliotheken importiert und der Datensatz eingelesen. Panadas und numpy dienen zur Verarbeitung der Daten. **Seaborn** baut auf **matplotlib**, der Standard-Bibliothek für wissenschaftliche Grafiken, auf und bietet einige Verbesserungen und Vereinfachungen. Der Kommentar `% matplotlib inline` ist ein [Magic Command](https://ipython.readthedocs.io/en/stable/interactive/magics.html#magic-matplotlib) für den Python Kernel in Jupyter Notebooks. Mit diesem Befehl werden Plots direkt im Notebook angezeigt. 
 
-Mit `sns.set()` wird das grundlegende Design der Plots dem Design von Seaborn angepasst. Die Funktion `DataFrame.sample()` wird verwendet, um eine Zufalsstichprobe der Größe $n=1000$ aus dem Datenstatz zu erstellen. Dies dient zur **besseren Lesbarkeit** des Plots in diesem Tutorial. 
+Mit `sns.set_theme()` wird das grundlegende Design der Plots dem Design von Seaborn angepasst. Die Funktion `DataFrame.sample()` wird verwendet, um eine Zufalsstichprobe der Größe $n=1000$ aus dem Datenstatz zu erstellen. Dies dient zur **besseren Lesbarkeit** des Plots in diesem Tutorial. 
 
 {{% customnotice code%}}
 ```python
@@ -40,7 +40,7 @@ import matplotlib.pyplot as plt
 import seaborn as sns
 import numpy as np
 %matplotlib inline
-sns.set()
+sns.set_theme()
 
 # use sample to generate a random subsample
 df = pd.read_csv("../data/Library_Usage.csv").sample(n=1000)

diff --git a/content/inference/bootstrap.md b/content/inference/bootstrap.md
@@ -71,7 +71,7 @@ Die Mittelwerte jeder Simulation werden in der Liste `x_means` abgespeichert. Di
 ```python
 #matplotlib inline
 import seaborn as sns
-sns.set()
+sns.set_theme()
 sns.distplot(x_means, kde=False, bins=35)
 ```
 

diff --git a/content/organisation/quiz_intro.md b/content/organisation/quiz_intro.md
@@ -22,5 +22,5 @@ LastModifierEmail = ""
 {{< quiz vorbereitung_quiz>}}
 {{< item question="1. Mit welcher Tastenkombination kannst Du Zellen in Jupyter Notebooks ausführen?" answer=3 choices="Strg+R,Enter,Strg+Enter" >}}
 {{< item question="2. Wie viele Zeilen enthält der San Francisco Library Usage Datensatz?" answer=2 choices="423448,436290,493515,4210398" >}}
-{{< item question="3. Was macht die Funktion sns.set() aus dem seaborn package?" answer=3 choices="das Paket seaborn wird importiert,dem Paket wird der kürzere Name sns zugewiesen,das Standard-Design von mit matplotlib generierten Plots wird angepasst" >}}
+{{< item question="3. Was macht die Funktion sns.set_theme() aus dem seaborn package?" answer=3 choices="das Paket seaborn wird importiert,dem Paket wird der kürzere Name sns zugewiesen,das Standard-Design von mit matplotlib generierten Plots wird angepasst" >}}
 {{< /quiz >}}
diff --git a/content/organisation/recap_python/notebooks.files/example_jupyter.ipynb b/content/organisation/recap_python/notebooks.files/example_jupyter.ipynb
@@ -35,8 +35,8 @@
     "import matplotlib.pyplot as plt\n",
     "import seaborn as sns\n",
     "\n",
-    "# sns.set() verschönert das Aussehen der plots\n",
-    "sns.set()\n",
+    "# sns.set_theme() verschönert das Aussehen der plots\n",
+    "sns.set_theme()\n",
     "\n",
     "# 100 normalverteilte Zahlen werden generiert\n",
     "random_numbers = np.random.normal(size = 100)\n",

diff --git a/content/organisation/recap_python/packages/seaborn.md b/content/organisation/recap_python/packages/seaborn.md
@@ -25,7 +25,7 @@ description = "Verbesserung und Weiterentwicklung der matplotlib Bibliothek."
 
 [seaborn](https://seaborn.pydata.org/) baut auf matplotlib auf und bietet eine Vielzahl von Funktionen, die es erlauben schnell und einfach schöne statistische Visualisierungen zu erstellen. Seaborn ist also keine komplett eigenenständige Graphik-Bibliothek, sondern nutzt intern die Funktionalitäten und Datenstrukturen von matplotlib.
 
-Eine wichtige Funktion ist die `sns.set()` Methode. Wenn sie am Anfang eines Python-Scripts ausgeführt wird, wird intern das Design der Plots erheblich verbessert. Alle plots, die nach dem Aufruf der Funktion erstellt werden, sehen viel besser aus.
+Eine wichtige Funktion ist die `sns.set_theme()` Methode. Wenn sie am Anfang eines Python-Scripts ausgeführt wird, wird intern das Design der Plots erheblich verbessert. Alle plots, die nach dem Aufruf der Funktion erstellt werden, sehen viel besser aus.
 
 Teste den Unterschied mit dem folgenden Beispiel:
 
@@ -37,7 +37,7 @@ import matplotlib.pyplot as plt
 import seaborn as sns
 
 # setup the seaborn library
-sns.set()
+sns.set_theme()
 
 # create the same plot as in the previous example
 x = range(1, 10)
@@ -46,5 +46,5 @@ plt.plot(x, x)
 {{% /customnotice %}}
 
 {{% customnotice tip%}}
-Wenn Du im Jupyter Notebook das Code-Beispiel ausgeführst hast und danach den Aufruf `sns.set()` entfernst, ändert sich das Design des Plots erstmal nicht. Für einen "Reset" musst Du den Kernel (also der im Hintergrund laufende Python Prozess) mit einem Klick auf <i class="fas fa-redo"></i> neu starten.
+Wenn Du im Jupyter Notebook das Code-Beispiel ausgeführst hast und danach den Aufruf `sns.set_theme()` entfernst, ändert sich das Design des Plots erstmal nicht. Für einen "Reset" musst Du den Kernel (also der im Hintergrund laufende Python Prozess) mit einem Klick auf <i class="fas fa-redo"></i> neu starten.
 {{% /customnotice %}}
diff --git a/content/organisation/solutions.md b/content/organisation/solutions.md
@@ -31,4 +31,4 @@ LastModifierEmail = ""
 
 1. Strg+Enter
 2. 436290, `len(df)`
-3. siehe (unter `sns.set()`): https://seaborn.pydata.org/introduction.html
+3. siehe (unter `sns.set_theme()`): https://seaborn.pydata.org/introduction.html
diff --git a/content/solutions.files/Musterloesung_Projektaufgabe.ipynb b/content/solutions.files/Musterloesung_Projektaufgabe.ipynb
@@ -78,7 +78,7 @@
     "import seaborn as sns\n",
     "import numpy as np\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "# das was wir brauchen in abgekürzter Form"
    ]
   },
@@ -1203,7 +1203,7 @@
     "import matplotlib.pyplot as plt\n",
     "\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "plt.figure(figsize=(16, 6))\n",
     "my_order =['0 to 9 years', '10 to 19 years', '20 to 24 years', '25 to 34 years', '35 to 44 years', '45 to 54 years', '55 to 59 years', '60 to 64 years', '65 to 74 years', '75 years and over']\n",
     "\n",

diff --git a/content/solutions.files/solutions_boxplots.ipynb b/content/solutions.files/solutions_boxplots.ipynb
@@ -25,7 +25,7 @@
    "source": [
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "import pandas as pd\n",
     "\n",

diff --git a/content/solutions.files/solutions_case_study.ipynb b/content/solutions.files/solutions_case_study.ipynb
@@ -30,7 +30,7 @@
     "import pandas as pd\n",
     "import seaborn as sns\n",
     "%matplotlib inline\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "df = pd.read_csv(\"../data/Library_Usage_Clean.csv\",\n",
     "                low_memory=False\n",

diff --git a/content/solutions.files/solutions_outlier.ipynb b/content/solutions.files/solutions_outlier.ipynb
@@ -20,7 +20,7 @@
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
     "\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "df = pd.read_csv(\"../data/Library_Usage.csv\",\n",
     "                                low_memory=False\n",
     ")"

diff --git a/content/solutions.md b/content/solutions.md
@@ -34,7 +34,7 @@ Hier finden sich die Musterlösungen aller Einheiten im Überblick.
 1. Strg+Enter
 2. siehe hier: https://docs.anaconda.com/anaconda/packages/pkg-docs/
 3. 423448, `len(df)`
-4. siehe (unter `sns.set()`): https://seaborn.pydata.org/introduction.html
+4. siehe (unter `sns.set_theme()`): https://seaborn.pydata.org/introduction.html
 
 
 ### 2. Grundlagen der Datenanalyse in Python

diff --git a/public/images/boxplots.ipynb b/public/images/boxplots.ipynb
@@ -8,7 +8,7 @@
    "source": [
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "import pandas as pd\n",
     "\n",

diff --git a/public/images/boxplots.png b/public/images/boxplots.png
diff --git a/static/images/boxplots.ipynb b/static/images/boxplots.ipynb
@@ -8,7 +8,7 @@
    "source": [
     "import seaborn as sns\n",
     "import matplotlib.pyplot as plt\n",
-    "sns.set()\n",
+    "sns.set_theme()\n",
     "\n",
     "import pandas as pd\n",
     "\n",