import matplotlib.pyplot as plt
import numpy as np

# Змодельовані дані навантаження сервера: паралельні з'єднання vs затримка (мс)
rng = np.random.default_rng(42)
connections = rng.uniform(10, 200, 45)
latency = 25 + 0.35 * connections + rng.normal(0, 12, 45)

# --- РІВЕНЬ 0: Мінімальний код (3 рядки) ---
plt.scatter(connections, latency)
plt.show()

# --- РІВЕНЬ 1: Додавання контексту та одиниць виміру ---
fig, ax = plt.subplots(figsize=(6, 4))
ax.scatter(connections, latency, color='#2563eb', s=45)
ax.set_xlabel("Паралельні з'єднання (conn)")
ax.set_ylabel("Затримка відповіді Latency (ms)")
ax.set_title("Навантаження vs Затримка")
plt.show()

# --- РІВЕНЬ 2: Професійний інженерний графік з лінією тренду ---
fig, ax = plt.subplots(figsize=(7, 4.5))
ax.scatter(connections, latency, s=70, color='#3b82f6', 
           edgecolor='#1e3a8a', linewidth=1, alpha=0.75, label="Логи запитів")

# Розрахунок та візуалізація лінійного тренду (y = ax + b)
z = np.polyfit(connections, latency, 1)
p = np.poly1d(z)
x_line = np.linspace(connections.min(), connections.max(), 100)
ax.plot(x_line, p(x_line), color='#ef4444', linestyle='--', linewidth=2,
        label=f"Тренд: {z[0]:.2f}x + {z[1]:.1f}")

ax.set_title("Діагностика затримки API-шлюзу", fontsize=12, fontweight='bold')
ax.set_xlabel("Паралельні з'єднання (conn)", fontsize=10)
ax.set_ylabel("Затримка відповіді Latency (ms)", fontsize=10)
ax.grid(True, linestyle=':', alpha=0.6)
ax.legend(frameon=True, facecolor='#f8fafc', edgecolor='#cbd5e1')
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Генеруємо реалістичні дані: ціна приблизно пропорційна площі + шум
rng = np.random.default_rng(seed=42)
area = rng.uniform(30, 150, 100)  # Площа 30–150 м²
price = 500 * area + rng.normal(0, 8000, 100)  # ~500$/м² + шум

fig, ax = plt.subplots(figsize=(10, 6))

ax.scatter(area, price, alpha=0.6, s=80, color="steelblue", edgecolor="navy")

ax.set_title("Залежність ціни квартири від площі", 
             fontsize=14, fontweight="bold")
ax.set_xlabel("Площа (м²)", fontsize=12)
ax.set_ylabel("Ціна ($)", fontsize=12)
ax.grid(True, alpha=0.3)

# Додаємо лінію тренду для наочності
z = np.polyfit(area, price, 1)  # Лінійна регресія
p = np.poly1d(z)
ax.plot(area, p(area), color="red", linestyle="--", linewidth=2, 
        label=f"Trend: ціна ≈ {z[0]:.0f}·площа + {z[1]:.0f}")
ax.legend(fontsize=11)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Дані: годин навчання → бали на іспиті (50 студентів)
rng = np.random.default_rng(seed=123)
hours_studied = rng.uniform(1, 10, 50)
exam_scores = 40 + 5 * hours_studied + rng.normal(0, 5, 50)

fig, ax = plt.subplots(figsize=(10, 6))

ax.scatter(hours_studied, exam_scores, s=100, alpha=0.6, 
           color="coral", edgecolor="darkred", linewidth=1.5)

ax.set_title("Залежність балів на іспиті від годин навчання", 
             fontsize=14, fontweight="bold")
ax.set_xlabel("Години навчання", fontsize=12)
ax.set_ylabel("Бали на іспиті (0–100)", fontsize=12)
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(42)
fig, axes = plt.subplots(2, 2, figsize=(13, 9.5))

# 1. Параметр s: малі, середні та великі маркери
x_s = np.linspace(1, 10, 20)
y_s = 2 * x_s + rng.normal(0, 1, 20)
axes[0, 0].scatter(x_s[:7], y_s[:7], s=25, color='#0284c7', label="s = 25 (малі)")
axes[0, 0].scatter(x_s[7:14], y_s[7:14], s=90, color='#0ea5e9', edgecolor='#0369a1', linewidth=1, label="s = 90 (середні)")
axes[0, 0].scatter(x_s[14:], y_s[14:], s=220, color='#38bdf8', edgecolor='#0284c7', linewidth=1.5, alpha=0.8, label="s = 220 (великі)")
axes[0, 0].set_title("Параметр s: фіксований або змінний розмір", fontweight='bold')
axes[0, 0].legend()
axes[0, 0].grid(True, linestyle=':', alpha=0.6)

# 2. Параметр marker: спектр геометричних форм
markers = [('o', 'Коло "o"'), ('s', 'Квадрат "s"'), ('^', 'Трикутник "^"'), 
           ('D', 'Ромб "D"'), ('X', 'Хрестик "X"'), ('*', 'Зірка "*"')]
for i, (m, lbl) in enumerate(markers):
    xm = np.linspace(1, 10, 6) + rng.uniform(-0.15, 0.15, 6)
    ym = np.full(6, i + 1) + rng.uniform(-0.1, 0.1, 6)
    axes[0, 1].scatter(xm, ym, marker=m, s=110, color='#8b5cf6', edgecolor='#4c1d95', linewidth=1)
axes[0, 1].set_yticks(range(1, 7))
axes[0, 1].set_yticklabels([m[1] for m in markers])
axes[0, 1].set_title("Параметр marker: форма точок", fontweight='bold')
axes[0, 1].grid(True, linestyle=':', alpha=0.6)

# 3. Параметри alpha та edgecolors: читабельність скупчень
x_c = rng.normal(5, 1.2, 120)
y_c = rng.normal(5, 1.2, 120)
axes[1, 0].scatter(x_c - 1.5, y_c, s=110, color='#ef4444', alpha=1.0, edgecolor='none', label="alpha=1.0 (злипання)")
axes[1, 0].scatter(x_c + 1.5, y_c, s=110, color='#10b981', alpha=0.45, edgecolor='#064e3b', linewidth=1.5, label="alpha=0.45 + контур")
axes[1, 0].set_title("Параметри alpha та edgecolors: розрізнення густини", fontweight='bold')
axes[1, 0].legend(loc='upper left')
axes[1, 0].grid(True, linestyle=':', alpha=0.6)

# 4. Параметри c та cmap: відображення третього виміру
x_d = rng.uniform(0, 10, 60)
y_d = 1.5 * x_d + rng.normal(0, 2, 60)
c_vals = x_d * 2.5 + y_d
sc = axes[1, 1].scatter(x_d, y_d, c=c_vals, cmap='viridis', s=85, edgecolor='black', linewidth=0.5, alpha=0.9)
cbar = fig.colorbar(sc, ax=axes[1, 1], fraction=0.046, pad=0.04)
cbar.set_label("Значення метрики (c)")
axes[1, 1].set_title("Параметри c та cmap: числовий колірний градієнт", fontweight='bold')
axes[1, 1].grid(True, linestyle=':', alpha=0.6)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(seed=42)

fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle("Типи кореляцій та їх візуалізація", fontsize=16, fontweight="bold")

# 1. Сильна позитивна кореляція (r ≈ +0.95)
x1 = np.linspace(0, 10, 100)
y1 = 2 * x1 + 3 + rng.normal(0, 1, 100)
r1 = np.corrcoef(x1, y1)[0, 1]
axes[0, 0].scatter(x1, y1, alpha=0.6, color="green", s=60)
axes[0, 0].set_title(f"Сильна позитивна кореляція\nr = {r1:.2f}", 
                     fontsize=12, fontweight="bold", color="darkgreen")
axes[0, 0].set_xlabel("Змінна X")
axes[0, 0].set_ylabel("Змінна Y")
axes[0, 0].grid(True, alpha=0.3)

# 2. Сильна негативна кореляція (r ≈ −0.92)
x2 = np.linspace(0, 10, 100)
y2 = 50 - 3 * x2 + rng.normal(0, 1.5, 100)
r2 = np.corrcoef(x2, y2)[0, 1]
axes[0, 1].scatter(x2, y2, alpha=0.6, color="red", s=60)
axes[0, 1].set_title(f"Сильна негативна кореляція\nr = {r2:.2f}", 
                     fontsize=12, fontweight="bold", color="darkred")
axes[0, 1].set_xlabel("Змінна X")
axes[0, 1].set_ylabel("Змінна Y")
axes[0, 1].grid(True, alpha=0.3)

# 3. Слабка кореляція (r ≈ +0.3)
x3 = rng.uniform(0, 10, 100)
y3 = 0.5 * x3 + rng.normal(0, 4, 100)
r3 = np.corrcoef(x3, y3)[0, 1]
axes[1, 0].scatter(x3, y3, alpha=0.6, color="orange", s=60)
axes[1, 0].set_title(f"Слабка позитивна кореляція\nr = {r3:.2f}", 
                     fontsize=12, fontweight="bold", color="darkorange")
axes[1, 0].set_xlabel("Змінна X")
axes[1, 0].set_ylabel("Змінна Y")
axes[1, 0].grid(True, alpha=0.3)

# 4. Немає кореляції (r ≈ 0)
x4 = rng.uniform(0, 10, 100)
y4 = rng.uniform(0, 10, 100)
r4 = np.corrcoef(x4, y4)[0, 1]
axes[1, 1].scatter(x4, y4, alpha=0.6, color="gray", s=60)
axes[1, 1].set_title(f"Немає лінійної кореляції\nr = {r4:.2f}", 
                     fontsize=12, fontweight="bold", color="black")
axes[1, 1].set_xlabel("Змінна X")
axes[1, 1].set_ylabel("Змінна Y")
axes[1, 1].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(seed=42)

fig, axes = plt.subplots(1, 3, figsize=(16, 5))
fig.suptitle("Лінійні vs нелінійні залежності", fontsize=15, fontweight="bold")

# 1. Лінійна залежність (r показує правильно)
x1 = np.linspace(0, 10, 100)
y1 = 2 * x1 + rng.normal(0, 2, 100)
r1 = np.corrcoef(x1, y1)[0, 1]

axes[0].scatter(x1, y1, alpha=0.6, color="blue", s=50)
axes[0].set_title(f"Лінійна залежність\nr = {r1:.2f} (адекватно)", fontweight="bold")
axes[0].set_xlabel("X")
axes[0].set_ylabel("Y")
axes[0].grid(True, alpha=0.3)

# 2. Квадратична залежність (r близький до 0, але зв'язок очевидний!)
x2 = np.linspace(-5, 5, 100)
y2 = x2**2 + rng.normal(0, 2, 100)
r2 = np.corrcoef(x2, y2)[0, 1]

axes[1].scatter(x2, y2, alpha=0.6, color="red", s=50)
axes[1].set_title(f"Квадратична залежність\nr = {r2:.2f} (вводить в оману!)", 
                  fontweight="bold", color="darkred")
axes[1].set_xlabel("X")
axes[1].set_ylabel("Y = X²")
axes[1].grid(True, alpha=0.3)

# 3. Синусоїдальна залежність (r ≈ 0, але чіткий паттерн)
x3 = np.linspace(0, 4*np.pi, 100)
y3 = np.sin(x3) + rng.normal(0, 0.1, 100)
r3 = np.corrcoef(x3, y3)[0, 1]

axes[2].scatter(x3, y3, alpha=0.6, color="green", s=50)
axes[2].set_title(f"Періодична залежність\nr = {r3:.2f} (не бачить паттерн)", 
                  fontweight="bold", color="darkgreen")
axes[2].set_xlabel("X")
axes[2].set_ylabel("Y = sin(X)")
axes[2].grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Дані: досвід роботи (роки) → зарплата ($)
rng = np.random.default_rng(seed=42)
experience = rng.uniform(0, 15, 80)
salary = 30000 + 3500 * experience + rng.normal(0, 8000, 80)

fig, ax = plt.subplots(figsize=(10, 6))

# Scatter plot
ax.scatter(experience, salary, alpha=0.6, s=70, color="purple", 
           edgecolor="darkviolet", label="Дані")

# Лінія тренду (лінійна регресія)
z = np.polyfit(experience, salary, 1)  # Поліном 1-го ступеня (пряма)
p = np.poly1d(z)

x_trend = np.linspace(experience.min(), experience.max(), 100)
ax.plot(x_trend, p(x_trend), color="red", linestyle="--", linewidth=2.5, 
        label=f"Trend: зарплата ≈ {z[0]:.0f}·досвід + {z[1]:.0f}")

ax.set_title("Залежність зарплати від досвіду роботи", 
             fontsize=14, fontweight="bold")
ax.set_xlabel("Досвід роботи (роки)", fontsize=12)
ax.set_ylabel("Зарплата ($)", fontsize=12)
ax.legend(fontsize=11)
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(42)
x = np.linspace(1, 10, 40)
# Нелінійний процес із шумом: сповільнений логарифмічний ріст + прискорення наприкінці
y = 3.5 * np.log(x) + 0.15 * (x - 4)**2 + rng.normal(0, 0.4, 40)
x_dense = np.linspace(1, 10, 200)

fig, axes = plt.subplots(2, 2, figsize=(13, 9.5))
degs = [1, 2, 3, 10]
configs = [
    ("deg=1 (Лінійний тренд)", "Підходить для строго лінійних залежностей", '#dc2626'),
    ("deg=2 (Квадратична парабола)", "Враховує прискорення росту або вигин", '#2563eb'),
    ("deg=3 (Кубічний поліном)", "Гнучка апроксимація складної траєкторії", '#16a34a'),
    ("deg=10 (Оверфіттінг / Перенавчання)", "Небезпека: модель апроксимує випадковий шум!", '#d97706')
]

for idx, (deg, (t_main, t_sub, col)) in enumerate(zip(degs, configs)):
    ax = axes[idx // 2, idx % 2]
    ax.scatter(x, y, color='#475569', s=55, alpha=0.75, edgecolor='#0f172a', label="Виміри")
    
    # Розрахунок полінома
    coefs = np.polyfit(x, y, deg)
    poly = np.poly1d(coefs)
    y_dense = poly(x_dense)
    
    if deg == 10:
        ax.set_ylim(y.min() - 1.5, y.max() + 1.5)
        
    ax.plot(x_dense, y_dense, color=col, linewidth=2.2, label=f"polyfit(deg={deg})")
    ax.set_title(f"{t_main}\n{t_sub}", fontweight='bold')
    ax.set_xlabel("Навантаження (X)")
    ax.set_ylabel("Час виконання (Y)")
    ax.grid(True, linestyle=':', alpha=0.6)
    ax.legend()

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Дані про квартири: площа, кімнати, район (0=Схід, 1=Центр, 2=Захід)
rng = np.random.default_rng(seed=42)
n = 150
area = rng.uniform(30, 120, n)
rooms = rng.integers(1, 5, n)
district = rng.choice([0, 1, 2], n, p=[0.4, 0.3, 0.3])

# Ціна залежить від площі та району
price_per_sqm = np.array([400, 600, 500])  # Центр дорожчий
price = price_per_sqm[district] * area + rng.normal(0, 5000, n)

fig, ax = plt.subplots(figsize=(12, 7))

# Scatter з кольоровим кодуванням району
colors = ["#FF6B6B", "#4ECDC4", "#95E1D3"]  # Схід, Центр, Захід
district_names = ["Схід", "Центр", "Захід"]

for i, (color, name) in enumerate(zip(colors, district_names)):
    mask = district == i
    ax.scatter(area[mask], price[mask], c=color, s=80, alpha=0.7, 
               edgecolor="black", linewidth=0.5, label=name)

ax.set_title("Ціна квартир: площа vs район", fontsize=14, fontweight="bold")
ax.set_xlabel("Площа (м²)", fontsize=12)
ax.set_ylabel("Ціна ($)", fontsize=12)
ax.legend(title="Район", fontsize=11)
ax.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Дані про міста: населення, ВВП на душу, регіон, площа міста
rng = np.random.default_rng(seed=123)
n = 50
population = rng.uniform(100, 5000, n)  # тисяч людей
gdp_per_capita = rng.uniform(5000, 50000, n)  # $
city_area = rng.uniform(50, 500, n)  # км²

fig, ax = plt.subplots(figsize=(12, 7))

# Розмір точок пропорційний площі міста
scatter = ax.scatter(population, gdp_per_capita, s=city_area, alpha=0.6, 
                     c=city_area, cmap="viridis", edgecolor="black", linewidth=1)

ax.set_title("Населення vs ВВП на душу (розмір точки = площа міста)", 
             fontsize=14, fontweight="bold")
ax.set_xlabel("Населення (тис. осіб)", fontsize=12)
ax.set_ylabel("ВВП на душу ($)", fontsize=12)
ax.grid(True, alpha=0.3)

# Додаємо colorbar для пояснення кольорів
cbar = plt.colorbar(scatter, ax=ax)
cbar.set_label("Площа міста (км²)", fontsize=11)

# Легенда для розміру точок
sizes = [100, 300, 500]
labels = ["100 км²", "300 км²", "500 км²"]
legend_handles = [plt.scatter([], [], s=size, c="gray", alpha=0.6, edgecolor="black") 
                  for size in sizes]
ax.legend(legend_handles, labels, title="Площа міста", 
          loc="upper left", frameon=True, fontsize=10)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(42)
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# Синтетичні системні метрики сервера
x_mem = rng.uniform(5, 50, 60)         # RAM (GB)
y_lat = 10 + 0.8 * x_mem + rng.normal(0, 5, 60)  # Latency (ms)
cpu_load = x_mem * 1.5 + rng.normal(0, 10, 60)   # CPU Load (%)
sla_delta = rng.normal(0, 4, 60)                 # Відхилення від SLA (ms)
payload = rng.uniform(20, 450, 60)               # Розмір тіла запиту (KB)

# 1. Sequential colormap ('viridis')
sc1 = axes[0, 0].scatter(x_mem, y_lat, c=cpu_load, cmap='viridis', s=70, edgecolor='#1e293b', linewidth=0.5)
cb1 = fig.colorbar(sc1, ax=axes[0, 0], fraction=0.046, pad=0.04)
cb1.set_label("CPU Load (%)")
axes[0, 0].set_title("Послідовна шкала (Sequential 'viridis'):\nдля величин від низьких до високих", fontweight='bold')
axes[0, 0].set_xlabel("Пам'ять RAM (GB)")
axes[0, 0].set_ylabel("Час відповіді (мс)")
axes[0, 0].grid(True, linestyle=':', alpha=0.6)

# 2. Diverging colormap ('coolwarm')
sc2 = axes[0, 1].scatter(x_mem, y_lat, c=sla_delta, cmap='coolwarm', vmin=-10, vmax=10, s=70, edgecolor='#1e293b', linewidth=0.5)
cb2 = fig.colorbar(sc2, ax=axes[0, 1], fraction=0.046, pad=0.04)
cb2.set_label("Відхилення SLA Δ (мс)")
axes[0, 1].set_title("Дивергентна шкала (Diverging 'coolwarm'):\nдля відхилень в обидва боки від 0", fontweight='bold')
axes[0, 1].set_xlabel("Пам'ять RAM (GB)")
axes[0, 1].set_ylabel("Час відповіді (мс)")
axes[0, 1].grid(True, linestyle=':', alpha=0.6)

# 3. Bubble Chart (розмір точки = розмір запиту)
axes[1, 0].scatter(x_mem, y_lat, s=payload, color='#0284c7', alpha=0.55, edgecolor='#0369a1', linewidth=1)
for s_val, s_lbl in [(50, "50 KB"), (200, "200 KB"), (400, "400 KB")]:
    axes[1, 0].scatter([], [], s=s_val, color='#0284c7', alpha=0.55, edgecolor='#0369a1', label=s_lbl)
axes[1, 0].legend(title="Розмір payload", loc='upper left')
axes[1, 0].set_title("Кодування розміром (Bubble chart, параметр s):\nвага кожного окремого вимірювання", fontweight='bold')
axes[1, 0].set_xlabel("Пам'ять RAM (GB)")
axes[1, 0].set_ylabel("Час відповіді (мс)")
axes[1, 0].grid(True, linestyle=':', alpha=0.6)

# 4. 4D поєднання (X, Y, Колір, Розмір) + горизонтальний Colorbar
sc4 = axes[1, 1].scatter(x_mem, y_lat, s=payload * 0.8, c=cpu_load, cmap='plasma', alpha=0.75, edgecolor='#0f172a', linewidth=0.6)
cb4 = fig.colorbar(sc4, ax=axes[1, 1], orientation='horizontal', fraction=0.046, pad=0.15)
cb4.set_label("CPU Load (%) — горизонтальний colorbar")
axes[1, 1].set_title("4D комбінація (X, Y, Колір, Розмір):\nодночасний аналіз 4 системних метрик", fontweight='bold')
axes[1, 1].set_xlabel("Пам'ять RAM (GB)")
axes[1, 1].set_ylabel("Час відповіді (мс)")
axes[1, 1].grid(True, linestyle=':', alpha=0.6)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

rng = np.random.default_rng(42)
mean = [50, 50]
cov = [[15, 9], [9, 10]]
x_big, y_big = rng.multivariate_normal(mean, cov, 12000).T

fig, axes = plt.subplots(2, 2, figsize=(13, 9.5))

# 1. Проблема оверплотингу
axes[0, 0].scatter(x_big, y_big, color='#1e293b', s=8, alpha=1.0)
axes[0, 0].set_title("Проблема: Оверплотинг (12 000 точок, alpha=1.0)\nВнутрішня структура прихована в суцільній плямі", fontweight='bold')
axes[0, 0].set_xlabel("Метрика A")
axes[0, 0].set_ylabel("Метрика B")
axes[0, 0].grid(True, linestyle=':', alpha=0.4)

# 2. Часткове покращення: висока прозорість
axes[0, 1].scatter(x_big, y_big, color='#2563eb', s=8, alpha=0.08)
axes[0, 1].set_title("Часткове рішення: Прозорість (alpha=0.08)\nЯдро проглядається, але точну густину оцінити важко", fontweight='bold')
axes[0, 1].set_xlabel("Метрика A")
axes[0, 1].set_ylabel("Метрика B")
axes[0, 1].grid(True, linestyle=':', alpha=0.4)

# 3. Гексагональний біннінг (gridsize=25)
hb1 = axes[1, 0].hexbin(x_big, y_big, gridsize=25, cmap='Blues', mincnt=1, edgecolors='#cbd5e1', linewidths=0.2)
cb1 = fig.colorbar(hb1, ax=axes[1, 0], fraction=0.046, pad=0.04)
cb1.set_label("Кількість подій у стільнику")
axes[1, 0].set_title("Гексагональний біннінг: ax.hexbin(gridsize=25)\nАгрегація даних у правильні шестикутники", fontweight='bold')
axes[1, 0].set_xlabel("Метрика A")
axes[1, 0].set_ylabel("Метрика B")

# 4. Дрібний hexbin з логарифмічною шкалою (bins='log')
hb2 = axes[1, 1].hexbin(x_big, y_big, gridsize=45, cmap='inferno', bins='log', mincnt=1)
cb2 = fig.colorbar(hb2, ax=axes[1, 1], fraction=0.046, pad=0.04)
cb2.set_label("log10(Кількість подій)")
axes[1, 1].set_title("Hexbin з bins='log' та gridsize=45\nЧіткий контраст між поодинокими аномаліями та ядром", fontweight='bold')
axes[1, 1].set_xlabel("Метрика A")
axes[1, 1].set_ylabel("Метрика B")

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Створюємо датасет з 4 змінними
rng = np.random.default_rng(seed=42)
n = 200

data = pd.DataFrame({
    "Зріст (см)": rng.normal(170, 10, n),
    "Вага (кг)": rng.normal(70, 15, n),
    "Вік (роки)": rng.uniform(18, 65, n),
    "Дохід ($)": rng.lognormal(10, 0.5, n)
})

# Додаємо кореляцію між зростом та вагою
data["Вага (кг)"] = 0.4 * data["Зріст (см)"] + rng.normal(0, 8, n)

# Scatter matrix
from pandas.plotting import scatter_matrix

fig, axes = plt.subplots(4, 4, figsize=(14, 14))
scatter_matrix(data, ax=axes, alpha=0.6, figsize=(14, 14), 
               diagonal="hist", color="steelblue", edgecolor="navy", 
               linewidth=0.5, hist_kwds={"bins": 20, "edgecolor": "black"})

plt.suptitle("Scatter Matrix: всі пари змінних", fontsize=16, fontweight="bold", y=0.995)
plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Системні метрики сервера
metrics = ["CPU %", "RAM GB", "IOPS", "Net In", "Latency"]
corr = np.array([
    [1.00,  0.72,  0.58,  0.41,  0.86],
    [0.72,  1.00,  0.34,  0.28,  0.64],
    [0.58,  0.34,  1.00,  0.69,  0.45],
    [0.41,  0.28,  0.69,  1.00,  0.31],
    [0.86,  0.64,  0.45,  0.31,  1.00]
])

fig, axes = plt.subplots(2, 2, figsize=(13, 11))

# 1. Базовий imshow з фіксованими vmin/vmax
im1 = axes[0, 0].imshow(corr, cmap='coolwarm', vmin=-1, vmax=1)
fig.colorbar(im1, ax=axes[0, 0], fraction=0.046, pad=0.04)
axes[0, 0].set_xticks(range(len(metrics)))
axes[0, 0].set_yticks(range(len(metrics)))
axes[0, 0].set_xticklabels(metrics, rotation=35, ha='right')
axes[0, 0].set_yticklabels(metrics)
axes[0, 0].set_title("Базовий Heatmap: ax.imshow(corr, cmap='coolwarm')\nФіксований діапазон vmin=-1, vmax=1", fontweight='bold')

# 2. Матриця з динамічними текстовими анотаціями (ax.text)
im2 = axes[0, 1].imshow(corr, cmap='RdBu_r', vmin=-1, vmax=1)
fig.colorbar(im2, ax=axes[0, 1], fraction=0.046, pad=0.04)
axes[0, 1].set_xticks(range(len(metrics)))
axes[0, 1].set_yticks(range(len(metrics)))
axes[0, 1].set_xticklabels(metrics, rotation=35, ha='right')
axes[0, 1].set_yticklabels(metrics)
for i in range(len(metrics)):
    for j in range(len(metrics)):
        val = corr[i, j]
        # Адаптивний колір шрифту для контрасту на темних комірках
        txt_col = 'white' if abs(val) > 0.65 else 'black'
        axes[0, 1].text(j, i, f"{val:.2f}", ha='center', va='center', 
                        color=txt_col, fontweight='bold', fontsize=9.5)
axes[0, 1].set_title("Матриця з числовими анотаціями (ax.text)\nТочні числові коефіцієнти всередині клітинок", fontweight='bold')

# 3. Ефект інтерполяції (bilinear vs nearest)
sub_corr = corr[:3, :3]
im3 = axes[1, 0].imshow(sub_corr, cmap='viridis', interpolation='bilinear')
fig.colorbar(im3, ax=axes[1, 0], fraction=0.046, pad=0.04)
axes[1, 0].set_xticks(range(3))
axes[1, 0].set_yticks(range(3))
axes[1, 0].set_xticklabels(metrics[:3])
axes[1, 0].set_yticklabels(metrics[:3])
axes[1, 0].set_title("Ефект інтерполяції: interpolation='bilinear'\nЗгладжування градієнтів для просторових карт", fontweight='bold')

# 4. Трикутна маска (усунення дублювання симетричних пар)
mask = np.triu(np.ones_like(corr, dtype=bool), k=1)
masked_corr = np.ma.masked_where(~mask, corr)
im4 = axes[1, 1].imshow(masked_corr, cmap='coolwarm', vmin=-1, vmax=1)
fig.colorbar(im4, ax=axes[1, 1], fraction=0.046, pad=0.04)
axes[1, 1].set_xticks(range(len(metrics)))
axes[1, 1].set_yticks(range(len(metrics)))
axes[1, 1].set_xticklabels(metrics, rotation=35, ha='right')
axes[1, 1].set_yticklabels(metrics)
for i in range(len(metrics)):
    for j in range(len(metrics)):
        if mask[i, j]:
            val = corr[i, j]
            txt_col = 'white' if abs(val) > 0.65 else 'black'
            axes[1, 1].text(j, i, f"{val:.2f}", ha='center', va='center', 
                            color=txt_col, fontweight='bold', fontsize=9.5)
axes[1, 1].set_title("Трикутна маска (np.triu):\nусунення дублювання пар і тривіальної діагоналі", fontweight='bold')

plt.tight_layout()
plt.show()