Módulo 3.
Gráficos con Python (Matplotlib y Seaborn)
Introducción
En este módulo vamos a aprender cómo generar gráficos usando las librerías Matplotlib y Seaborn. Además, vamos a acompañar
la explicación de los distintos tipos de gráficos con la revisión de algunos conceptos de estadística para facilitar su análisis.
Comenzamos analizando algunos ejemplos sencillos para luego agregar más detalles que se pueden personalizar.
Es importante señalar que ambos paquetes permiten construir gráficos usando sintaxis distintas. No existe una única manera de
expresarla. A lo largo de los ejemplos vamos a ver algunas variaciones de la forma de escribir código para generar gráficos.
Video de inmersión
Unidad 1. Matplotlib
Tema 1: Introducción a Matplotlib y gráficos de línea
Matplotlib es una librería de Python que permite construir visualizaciones estáticas, dinámicas e interactivas. Es muy flexible y da la
posibilidad de personalizar muchos elementos de los gráficos.
Además, puede trabajar con las distintas estructuras de datos de Numpy y Pandas que ya vimos (matrices y dataframes).
Además, existen otras bibliotecas modernas que permiten generar gráficos interactivos y facilitar la exploración de datos en
entornos web y notebooks. Plotly es ampliamente utilizado para dashboards interactivos, ya que permite la creación de gráficos
dinámicos con funciones avanzadas. Altair, por otro lado, ofrece una sintaxis declarativa que simplifica la creación de gráficos
complejos y facilita la manipulación de datos.
En este módulo nos centraremos en Matplotlib y Seaborn, pero es importante conocer estas alternativas para proyectos que
requieran mayor interactividad y automatización.
Vamos a trabajar con un conjunto de datos que contiene la temperatura diaria máxima y mínima para tres estaciones
meteorológicas llamadas: Aeroparque (Capital Federal), Las Lomitas (Formosa) y Río Grande (Tierra del Fuego). Los datos los
obtenemos del Servicio Meteorológico Nacional. Vamos a analizar las diferencias en las temperaturas entre las estaciones.
Para comenzar, importamos las librerías con las que vamos a trabajar: además de Numpy y Pandas para procesar los datos,
vamos a usar para graficar a Matplotlib y Seaborn (que importamos usando los alias plt y sns respectivamente).
Para trabajar con visualizaciones, también debemos importar un conjunto de datos adecuado. Utilizaremos el archivo:
<
Estere contiene información de registros climáticos.
Descárgalo y asegúrate de guardarlo en el mismo directorio donde ejecutarás los scripts de Python.
Figura 1. Importamos los paquetes que vamos a usar y definimos la ruta en la que vamos a trabajar
Fuente: elaboración propia.
Figura 2. Importamos el input (temperaturas.csv) y generamos los dataframes que vamos a usar
Fuente: elaboración propia.
Vamos a generar un primer gráfico para la temperatura máxima a lo largo de los días, un gráfico de línea para esta serie de
tiempo. Una forma de hacerlo es usar la función «plot», que corresponde a Pandas pero usa Matplotlib aplicada a un dataframe (en
este caso aep). Usar esta función es un atajo, más adelante vamos a ver otras formas de escribir las mismas instrucciones.
Figura 3. Gráfico de línea
Fuente: elaboración propia.
Especificamos también los argumentos de las variables a usar (máxima en el eje vertical y fecha en el horizontal) y el tipo de
gráfico (kind = line). Al ejecutar podemos ver la salida y el gráfico de línea nos muestra cómo fluctúa la máxima diaria a lo largo del
año.
Nos va a ayudar a analizar esta variable repasar algunos conceptos: podemos interpretar a las series de tiempo como una suma de
distintos componentes: la tendencia, la estacionalidad y el ruido o componente aleatorio.
Figura 4. Series de tiempo
Fuente: [Imagen sin título sobre series de tiempo]. (2019). Recuperado de https://imgur.com/g0PQASf
La tendencia comprende los movimientos de largo plazo (que se observan en períodos más largos).
La estacionalidad: es el patrón estable y predecible que se repite dentro del período de un año por factores naturales como el
clima o culturales como el calendario escolar. Por ejemplo: los que se observan en la producción agrícola (siembras,
cosechas) o en los precios de la indumentaria (lanzamientos, liquidaciones).
El ruido o componente aleatorio: por el contrario, incluye todos los movimientos que no pueden predecirse, son erráticos o
irregulares.
En series económicas: también podríamos incluir al componente cíclico ya que está relacionado con los movimientos de la
economía en su conjunto (expansiones, recesiones) y tiene una duración mayor a un año pero menor a la de los movimientos
de tendencia.
Figura 5. Componente estacional y aleatorio
Fuente: Elaboración propia
La estacionalidad de una serie de tiempo es el componente que captura los movimientos de largo plazo.
Verdadero.
Falso.
Justificación
Tema 2: Gráficos de barra, histogramas y de área
Otro de los gráficos más usados es el de barras. Estos representan una magnitud usando un atributo visual de forma, tamaño y
longitud. Dichos atributos sirven para comparar entre distintas categorías.
Figura 6. Agregamos las observaciones de una frecuencia diaria a una mensual
Fuente: elaboración propia.
Figura 7. Gráfico de barras horizontales
kind = "barth" - horizontal
kind = "bart" - vertical
Fuente: elaboración propia.
En nuestro ejemplo podríamos querer visualizar el promedio de las temperaturas máximas a nivel mensual. Para esto,
generaremos una tabla auxiliar agrupada por mes usando «groupby» y «agg». Luego, podemos usar la función «plot», seleccionar
las variables que vamos a representar (mes en el eje vertical y temperatura máxima promedio en el eje horizontal). Por último, el
tipo de gráfico barh (que es un gráfico de barras horizontal).
Otro gráfico común es el de área, que es similar al de líneas pero incluye un relleno entre ellas y los ejes. Dentro de estos gráficos,
una posibilidad es que las áreas estén apiladas. Vamos a hacer un gráfico de áreas apiladas para mostrar la evolución de la
amplitud térmica usando las variables mínima y amplitud.
Figura 8. Gráfico de área
Fuente: elaboración propia.
Al especificar las opciones de plt (Matplotlib), vamos a probar una variación: usar la función «plot» y agregar el tipo de gráfico
(área). Entre paréntesis, además de las variables (en este caso hay dos variables en el eje, entre corchetes y separadas por
comas) definimos los colores de las series, el título, la etiqueta del eje vertical y la leyenda.
Un tipo de gráfico muy importante es el histograma ya que nos permite representar la distribución de una variable numérica
continua: en él la frecuencia de los valores se muestra con barras de distinto largo y mismo ancho según intervalos de la variable
(por ejemplo, de 10 en 10). Ellas no tienen espacio entre sí ya que son adyacentes.
Los histogramas nos revelan mucha información para poder analizar la distribución de una variable cuantitativa: su posición central,
su dispersión y forma.
Figura 9. Posición central
Fuente: [Imagen sin título sobre histogramas]. (s.f.). Recuperado de https://statistics.laerd.com/statistical-guides/mann-whitney-u-test-assumptions.php
La tendencia o posición central nos señala un “centro” en torno al cual están distribuidos los valores de la variable que estamos
analizando. Podemos calcular distintas medidas que pueden representar la tendencia central. Las más comunes son la media o
promedio, la moda y la mediana (vamos a verla más adelante). En el gráfico de arriba (figura 9) las dos distribuciones son iguales
excepto que tienen distinta posición central.
Figura 10. Gráfico: Dispersión
Fuente: [Imagen sin título sobre gráfico]. (s.f.). Recuperado de https://www.nlm.nih.gov/nichsr/stats_tutorial/section2/mod8_sd.html
Otra de las características importantes de una distribución es su dispersión, es decir, cuán concentrados o separados están los
valores de la media. La medida más común es el desvío estándar. Asimismo, el rango y el rango intercuartílico también sirven para
analizar esto.
Las medidas de forma son la asimetría, la curtosis (apuntamiento) y la modalidad. La asimetría nos indica cómo se distribuyen
los valores a ambos lados del centro: una distribución puede ser simétrica o asimétrica a derecha o izquierda. La curtosis nos
muestra si la distribución es más aplanada o más apuntada.
Figura 11. Medidas de forma: asimetría y curtosis
Fuente: elaboración propia.
La modalidad hace referencia a la cantidad de picos que tiene una distribución: puede tener uno solo (unimodal), dos (bimodal),
muchos (multimodal) o ninguno (uniforme).
Figura 12. Modalidad
Fuente: [Imagen sin título sobre modalidad]. (s.f.). Recuperado de https://mathematica.stackexchange.com/questions/173275/a-simple-fast-way-to-estimate-distribution-modality
En nuestro ejemplo vamos a representar la distribución de frecuencias de la temperatura máxima en Aeroparque con la función
«hist». También podemos cambiar el tamaño del gráfico con «figsize», el título con «title» y agregar una línea de referencia sobre el
eje X con el valor del promedio en línea punteada.
Figura 13. Histograma
Fuente: elaboración propia.
¿Cuál de estas es una medida de forma?
1. Desvío estándar
2. Mediana
3. Rango intercuartílico
4. Asimetría
Justificación
Tema 3: Gráficos de dispersión (scatterplots)
Ahora vamos a construir diagramas o gráficos de dispersión. Estos muestran una nube de puntos (en este caso en dos
dimensiones: x, y) que nos permiten analizar si existe alguna relación estadística entre ambas, es decir, cómo es el comportamiento
de una cuando varía la otra.
Los gráficos de dispersión son una excelente herramienta para analizar la relación entre dos variables. Un aspecto clave es la
correlación entre estas variables, que puede ser positiva, negativa o nula.
Podemos resumir esta información en el coeficiente de correlación que toma la covarianza entre las dos variables (cuánto varía
una cuando varía la otra) y la divide por el producto de los desvíos de ambas variables. Este coeficiente toma valores entre -1 y 1 y
es una medida de la asociación lineal entre dos variables numéricas. Según su dirección, la correlación puede ser positiva o
negativa (lo cual vamos a poder observar en el signo del coeficiente); mientras que esta relación puede ser más fuerte o más débil,
lo que va a estar reflejado en la magnitud. Mientras más cerca del 1 ó -1 la relación lineal es más fuerte.
Por ejemplo, en el siguiente gráfico de dispersión se observa una correlación negativa fuerte entre la temperatura y la humedad
relativa, lo que indica que a medida que la temperatura aumenta, la humedad relativa tiende a disminuir de manera significativa y
consistente.
Figura 14. Correlación negativa fuerte
humedad
temperatura
Fuente: Elaboración propia
Figura 15. Correlaciones
Fuente: [Imagen sin título sobre correlaciones]. (s.f.). Recuperado de https://booksite.elsevier.com/9780128017128/chapter1_5.php
Vamos a construir un gráfico de dispersión para las temperaturas máximas y mínimas en la estación de Aeroparque.
Figura 16. Diagrama de dispersión o scatterplot
Fuente: elaboración propia.
En esta parte del código, en la opción «figsize», mostramos cómo podemos cambiar el tamaño de la figura. Luego, con la función
«scatter» de Matplotlib vamos a generar el gráfico, señalando qué variables usar en el eje x (temperatura mínima) y en el eje y
(temperatura máxima). En este ejemplo también definimos otras características del gráfico como las etiquetas de los ejes, el título y
las líneas de la cuadrícula (grid).
Figura 17. Temperatura
Fuente: Elaboración propia
Una vez ejecutada esta instrucción, podemos observar la relación entre las variables. Como esperamos, existe una relación
positiva y muy fuerte entre ellas: en los días en los que la temperatura mínima es más alta, la máxima tiende a ser más alta
también, aunque existe mucha variabilidad en la amplitud térmica (la diferencia entre las dos) a lo largo de los días.
También podemos calcular el coeficiente de correlación usando numpy, la función «corrcoef» y listando las variables que queremos
analizar. La salida es la matriz de correlaciones, que contiene los coeficientes entre cada par de variables con unos en la diagonal
(las correlaciones de las variables consigo mismas) y los otros coeficientes fuera de la diagonal. En este caso la correlación es
+0.896 (positiva y fuerte).
Figura 18. Coeficiente de correlación
Fuente: elaboración propia.
El coeficiente de correlación puede tomar valores entre 0 y 1.
Verdadero.
Falso.
Justificación
Tema 4: Gráficos boxplot
Los gráficos de caja o boxplots son un tipo de visualización que nos ayuda a entender algunos aspectos de la distribución de una
variable numérica. Estos se basan en los percentiles que nos señalan los valores hasta los cuales se concentra un determinado
porcentaje de la totalidad de las observaciones.
Por ejemplo, si tuviéramos 100 personas y las ordenáramos de menor a mayor por altura, el percentil 10 correspondería a la altura
de la 10° persona en orden de altura, mientras que el percentil 50 (la mediana) sería el valor de la persona en el orden 50; es decir,
la que divide la muestra en dos (y así sucesivamente). A los percentiles también se los llama cuantiles.
Una forma común de resumir esta información sobre la distribución de la variable es usando deciles (percentiles de 10 en 10),
quintiles (dividen la distribución en 5, son percentiles de 20 en 20) o cuartiles (de 25 en 25).
Justamente el boxplot toma los cuartiles (expresados como Q1, Q2, etc.) de una variable y los representa con cajas y bigotes. Los
límites superiores e inferiores de la caja estarán ubicados en los valores Q1 (percentil 25) y Q3 (percentil 75), mientras que la línea
dentro de la caja va a corresponder a la mediana (Q2 o percentil 50). Los bigotes reflejan lo siguiente: se toma la diferencia entre
Q3 y Q1, llamada rango intercuartílico o RIC (una medida de dispersión) y se lo multiplica por 1,5, que sumado a Q3 y restado a Q1
nos dan los extremos de los bigotes. Los valores que estén por fuera de estos límites pueden ser identificados como potenciales
valores atípicos o extremos (como vimos anteriormente, no es el único criterio) y se los representa con puntos individuales. En
algunas variaciones de este gráfico también se puede agregar la media aritmética o promedio con otro símbolo especial.
Como otros tipos de gráficos, los boxplots poseen ciertas desventajas. Por ejemplo, no permiten distinguir con mayor detalle de la
distribución de los valores como la modalidad. La posible solución es emplear los gráficos de violín (los veremos en la siguiente
unidad).
Figura 19. Boxplots
Fuente: [Imagen sin título sobre boxplots]. (s.f.). Recuperado de https://www.qvision.es/blogs/manuel-rodriguez/2015/03/30/interpretacion-de-los-graficos-de-caja-en-el-analisis-descriptivo-e-
inferencial/
Figura 20. Diagrama de caja
Fuente: [Imagen sin título sobre diagrama de caja]. (s.f.). Recuperado de https://commons.wikimedia.org/wiki/File:Diagrama_de_caja.jpg
En nuestro ejemplo vamos a generar un boxplot simple con la temperatura máxima. Usamos la función de Matplotlib «boxplot» y
señalamos la variable que queremos usar.
Figura 21. Código diagrama de caja (boxplot)
Q1 Q2 Q3
Fuente: elaboración propia.
Como chequeo, podemos verificar los valores de los cuartiles que nos interesan: Q1, Q2 o mediana y Q3.
Figura 22. Cuartiles de la distribución
Fuente: elaboración propia.
El rango intercuartílico se define como la diferencia entre el tercer y el primer cuartil.
Verdadero.
Falso.
Justificación
Unidad 2. Seaborn
Tema 1: Introducción a Seaborn, gráficos de densidad y de burbujas
Seaborn es una librería que también nos sirve para hacer visualizaciones en Python. Está construida sobre Matplotlib y una de sus
ventajas es que su sintaxis es más sencilla. En esta unidad vamos a ver algunas variaciones de los gráficos más comunes que
vimos en la primera parte (pero usando Seaborn).
Los gráficos de densidad, también conocidos como de densidad de kernel, son variaciones de los histogramas. Su diferencia es
que “suavizan” la forma de la distribución, facilitando la remoción del posible ruido que tenga. Además, tiene la ventaja de no
depender de la cantidad de intervalos o contenedores (bins) que es necesario definir en los histogramas.
Figura 23. Gráficos de densidad o de densidad de kernel VARIACION DEL HISTOGRAMA
Fuente: elaboración propia.
Para implementar este tipo de gráfico vamos a usar la función «kdeplot» de Seaborn. Graficaremos la distribución de la
temperatura máxima desagregándola por estación meteorológica. En el gráfico puede verse la diferencia entre los climas de los
tres lugares, así como las distintas características de la distribución (por ejemplo, la bimodalidad en Aeroparque y Río Grande).
También vamos a generar un gráfico de burbujas (bubbleplot) que es una variación del diagrama de dispersión. La distinción es que
incorpora otra variable o dimensión que está representada en el tamaño de los marcadores. Su beneficio es que permite
representar una variable más. La desventaja es que en los círculos las diferentes magnitudes son más difíciles de discriminar.
Figura 24. Gráficos de burbujas VARIACION DEL DIAGRAMA DE DISPERSION
Fuente: elaboración propia.
En nuestro ejemplo vamos a modificar el gráfico de temperaturas mínimas y máximas, agregándole a cada marcador el tamaño por
amplitud térmica. La función es la misma que para el scatterplot pero agregamos la opción de size (tamaño).
Los gráficos de burbujas son una variación de…
1. Gráficos de línea
2. Gráficos de dispersión (scatterplot)
3. Gráficos de área
4. Gráficos de caja y bigotes (boxplot)
Justificación
Tema 2: Gráficos violin plot
Los gráficos de violín combinan los elementos de los gráficos de caja (boxplots) y de densidad. Permiten analizar visualmente los
cuartiles y outliers. También incluyen un gráfico de densidad en espejo sobre el mismo eje que muestra en más detalle la
distribución de la variable.
Figura 25. Gráficos de violín SIMILAR AL GRAFICO DE DENSIDAD
Fuente: elaboración propia.
En nuestro ejemplo vamos a graficar las distribuciones de las temperaturas mínimas por estación meteorológica. Si observamos
detenidamente, podremos notar las similitudes con el gráfico de densidades del tema anterior.
Los gráficos de violín (violin plots) combinan los diagramas de dispersión con los de densidad.
Verdadero.
Falso.
Justificación
Tema 3: Paneles de gráficos (facets)
Muchas veces necesitamos analizar la distribución de alguna variable (pero agrupando sus valores de acuerdo a alguna
dimensión). En estos casos es muy útil usar paneles de gráficos o facets. Ellos nos permiten generar múltiples visualizaciones,
compartiendo los mismos ejes y tamaños, pero mostrando distintos subconjuntos de los datos originales. También reciben otros
nombres como small multiples o trellis charts.
En nuestro caso, vamos a graficar paneles de diagramas de dispersión (scatterplots) para cada una de las estaciones
meteorológicas que tenemos en el conjunto de datos original (Aeroparque, Las Lomitas y Río Grande).
Vamos a usar la función «FacetGrid» de Seaborn. Definiremos la tabla de origen de los datos, la variable por la que vamos a
segmentar estos gráficos (en este caso, la estación), la variable por la que van a tomar el color los marcadores
del scatterplot (también la estación) y los parámetros que controlan el tamaño (height o altura y aspect o proporción).
Figura 26. Paneles de gráficos
Fuente: elaboración propia.
Otra opción que nos puede ser útil es la posibilidad de componer gráficos que tengan subgráficos. Estos pueden ser de distintos
tipos de visualizaciones (por ejemplo, de líneas y de barras) o no compartir los mismos ejes. En nuestro caso vamos a construir uno
con dos subgráficos: un scatterplot como los que vimos antes y otro con un histograma más una línea con la estimación de la
función de densidad (Kernel Density Estimation o KDE).
Figura 27. Subgráficos
Fuente: elaboración propia.
Para esto, vamos a usar la función «subplot». En ella, los argumentos son el números de filas, de columnas y, para cada gráfico
que construyamos, su orden. Los tres números van juntos, sin espacio. Luego generamos cada uno de los subgráficos, incluyendo
la primera línea que indica a cuál de los subgráficos pertenece. En este caso, probamos la opción «savefig» que nos sirve para
exportar el gráfico.
Los gráficos de panel contienen distintas variables y ejes.
Verdadero.
Falso.
Justificación
Tema 4: Gráficos marginales (histogramas, rugs y boxplots)
Como mencionamos en los módulos anteriores, una vez que logremos entender los distintos componentes de los gráficos,
podemos ser flexibles y construir variaciones de estos según lo que necesitemos. Una forma de agregar información sin agregar
mucha “tinta” es incorporar gráficos auxiliares sobre los márgenes para facilitar la lectura aprovechando el mismo eje. Estos pueden
ser de distintos tipos, como histogramas, boxplots o gráficos de densidades. Vamos a ver cómo implementar estos ejemplos con
Seaborn.
Primero vamos a ver la forma más sencilla pero menos flexible, que es usar «jointplot». Con los argumentos generales (dataframe y
variables en el eje x, y) es suficiente. También podemos ajustar otros parámetros como el tamaño.
Figura 28. Gráfico de barra marginales usando «jointplot»
Fuente: elaboración propia.
Podemos también usar «JointGrid» ya que nos permitirá personalizar más características del gráfico. En la primera línea definimos
las opciones generales y en las siguientes dos, el gráfico central y los gráficos marginales. Vamos a ver un ejemplo con boxplots.
Figura 29. Boxplots marginales
Fuente: elaboración propia.
Y otro con funciones de densidad:
Figura 30. Funciones de densidad marginales
Fuente: elaboración propia.
Por último, una alternativa útil es incluir en los ejes los rugs o marcas para cada observación. Esto puede servir en casos en los que
tengamos una cantidad no demasiado grande de registros para graficar o en los que sea necesario resaltar outliers, por ejemplo.
En este caso, incluimos dos líneas, una en la que especificamos las opciones del scatterplot y otra para las opciones del rugplot.
Una de las ventajas de los gráficos auxiliares sobre los márgenes es poder agregar más información sin afectar
demasiado al “ratio datos-tinta”.
Verdadero.
Falso.
Justificación
Figura 31. Rugplot
Fuente: elaboración propia.
Video de habilidades
Cierre
