Show code cell source Hide code cell source

import os
# Por precaución, cambiamos el directorio activo de Python a aquel que contenga este notebook
if "PAD-book" in os.listdir():
    os.chdir(r"PAD-book/Laboratorio-Computacional-de-Analytics/S4 - Explorar, modificar y visualizar bases de datos/S4.TU3/")

Visualización intermedia

Cuando abordamos un proyecto de analítica de datos nos enfrentamos al siguiente reto: ¿Cómo generar valor a partir de grandes volúmenes de información recolectada? Visualizar la información a través de mapas o gráficos simplifica este reto, ya que facilita la identificación de tendencias, patrones y valores atípicos. Usualmente utilizamos las visualizaciones para decidir cómo orientar nuestro análisis.

En este tutorial establecemos nociones fundamentales sobre el uso de la librería seaborn visualización de datos.

Requisitos

Para desarrollar este tutorial necesitarás:

• Utilizar estructuras de datos.

• Implementar estructuras de control.

• Generar visualizaciones básicas con matplotlib.

• Utilizar la librería pandas.

Objetivos

Al final de este tutorial podrás:

1. Crear diferentes tipos de visualizaciones en seaborn.
2. Personalizar visualizaciones de manera amigable utilizando seaborn y matplotlib.pyplot.

1. Librería seaborn

seaborn es una librería especializada en visualizaciones estadísticas para el lenguaje Python. Te recomendamos importar la libería seaborn utilizando el nombre sns (su alias más frecuentemente usado), como se muestra a continuación.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

1.1. Método displot

Este método nos permite crear un histograma. A continuación, crearemos un histograma a partir de información contenida en la base de datos de pingüinos de la librería seaborn.

pinguinos = sns.load_dataset("penguins")  # Cargamos la base de datos de pingüinos de la librería seaborn.

sns.displot(data = pinguinos,             # Utilizamos la base de datos de pingüinos.
            x = "flipper_length_mm",      # Establecemos la varible a la que le queremos sacar el histograma.
            hue = "species",              # Clasificamos los valores de acuerdo a una categoría. En este caso, especies.
            multiple = "stack");          # Apilamos las barras.

1.2. Método boxplot

Este método nos permite crear un diagrama de caja. A continuación, crearemos un diagrama de caja a partir de información contenida en la base de datos de pingüinos de la librería seaborn.

sns.boxplot(y = "flipper_length_mm",  # Establecemos la varible a la que le queremos sacar el diagrama de caja.
            x = "species",            # Clasificamos los valores de acuerdo a una categoría. En este caso, especies.
            data = pinguinos);        # Utilizamos la base de datos de pingüinos.

1.3. Método heatmap

Este método nos permite crear un mapa de calor. A continuación, crearemos un mapa de calor a partir de información contenida en la base de datos de vuelos de la librería seaborn.

vuelos = sns.load_dataset("flights")                  # Cargamos la base de datos de vuelos de la librería seaborn.
vuelos = vuelos.pivot("month", "year", "passengers")  # Cambiamos el tamaño de la base de datos para construir un tabla con el mes, el año y los pasajeros

mapa_calor = sns.heatmap(vuelos,                      # Utilizamos la base de datos de vuelos.
                         annot = True,                # Mostramos las anotaciones.
                         fmt = "d"                    # Ajustamos el formato de los números.
                        )                                  

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
Cell In[5], line 2
      1 vuelos = sns.load_dataset("flights")                  # Cargamos la base de datos de vuelos de la librería seaborn.
----> 2 vuelos = vuelos.pivot("month", "year", "passengers")  # Cambiamos el tamaño de la base de datos para construir un tabla con el mes, el año y los pasajeros
      4 mapa_calor = sns.heatmap(vuelos,                      # Utilizamos la base de datos de vuelos.
      5                          annot = True,                # Mostramos las anotaciones.
      6                          fmt = "d"                    # Ajustamos el formato de los números.
      7                         )                                  

TypeError: DataFrame.pivot() takes 1 positional argument but 4 were given

1.4. Metódo countplot

Este método nos permite crear un gráfico de barras para variables categóricas sin realizar un procesamiento previo. A continuación, crearemos un gráfico de barras para visualizar el uso del medio de comunicación de chat, por parte de un grupo de personas al momento de informarse sobre noticias generales o noticias acerca del COVID-19.

Para este ejemplo almacenamos los datos en el DataFrame df_covid_19.

df_covid_19 = pd.read_csv("./Archivos/BID-Cornell.csv", index_col = 0) 
df_covid_19.columns = df_covid_19.columns.str[7:]
df_covid_19.columns = df_covid_19.columns.str.split("_", expand = True)
df_covid_19

	noti					covid
	redessociales	chat	periodicos	tv	radio	redessociales	chat	periodicos	tv	radio
id
1000060.0	Siempre	Siempre	Casi siempre	A veces	Nunca	Siempre	Siempre	Siempre	A veces	Nunca
1000734.0	Casi siempre	A veces	A veces	Casi siempre	Casi siempre	Casi siempre	Casi siempre	A veces	Casi siempre	Casi siempre
1000120.0	Nunca	A veces	A veces	Siempre	Siempre	Nunca	A veces	A veces	Siempre	Siempre
1000235.0	Siempre	Siempre	A veces	A veces	A veces	Siempre	Siempre	Nunca	A veces	Nunca
1000828.0	Casi siempre	A veces	A veces	A veces	A veces	Casi siempre	Casi siempre	A veces	A veces	Nunca
...	...	...	...	...	...	...	...	...	...	...
17001614.0	A veces	A veces	Casi siempre	Siempre	Casi siempre	Nunca	A veces	Casi siempre	Siempre	Casi siempre
17017448.0	Siempre	Siempre	A veces	A veces	Nunca	Siempre	Siempre	A veces	A veces	Nunca
17013032.0	Siempre	Siempre	Siempre	Siempre	Siempre	Siempre	Casi siempre	Siempre	Siempre	Siempre
17014760.0	Siempre	Siempre	Siempre	Casi siempre	Casi siempre	Siempre	Siempre	Siempre	Casi siempre	Casi siempre
17003990.0	Casi siempre	Nunca	Nunca	Casi siempre	Casi siempre	Casi siempre	Nunca	A veces	Casi siempre	Casi siempre

216092 rows × 10 columns

data = df_covid_19.loc[:, pd.IndexSlice[:, 'chat']]       # Filtramos los datos con el objetivo de analizar el uso del medio de comunicación de chat.
display(data)
# Declaramos el gráfico de barras utilizando el método countplot.
ax = sns.countplot(x = pd.IndexSlice['covid', 'chat'],   # Ubicamos las categorías de la frencuencia del uso de este medio de comunicación en el eje x.
                   data = data                           # Utilizamos los datos filtrados previamente.
                  )                                       

	noti	covid
	chat	chat
id
1000060.0	Siempre	Siempre
1000734.0	A veces	Casi siempre
1000120.0	A veces	A veces
1000235.0	Siempre	Siempre
1000828.0	A veces	Casi siempre
...	...	...
17001614.0	A veces	A veces
17017448.0	Siempre	Siempre
17013032.0	Siempre	Casi siempre
17014760.0	Siempre	Siempre
17003990.0	Nunca	Nunca

216092 rows × 2 columns

Ahora, utilizaremos el parámetro hue para añadir el uso del medio de comunicación de las noticias a nuestra visualización. Además, utilizaremos el parámetro hue_order para establecer el orden en el que queremos que aparezcan las categorías en nuestra visualización.

ax = sns.countplot(x = pd.IndexSlice['covid', 'chat'],                            # Añadimos otra categoría a la visualización: el uso del medio de comunicación de las noticias.
                   hue = pd.IndexSlice['noti', 'chat'],                           # Ubicamos las categorías de la frencuencia del uso de este medio de comunicación en el eje x.
                   hue_order = ['Siempre', 'Casi siempre', 'A veces', 'Nunca'],   # Establecemos un orden para las categorías.
                   data = data                                                    # Utilizamos los datos filtrados previamente.
                  ) 

Por último, editamos el gráfico. Para esto, utilizamos los métodos vistos anteriormente para los objetos de tipo axes y el módulo pyplot de matplotlib.

# Declaramos el gráfico de barras utilizando el método countplot.
ax = sns.countplot(x = pd.IndexSlice['covid', 'chat'], 
                   hue = pd.IndexSlice['noti', 'chat'], 
                   hue_order = ['Siempre', 'Casi siempre', 'A veces', 'Nunca'], 
                   data = data
                  )

ax.legend_.remove()                                                            # Eliminamos la leyenda del gráfico.
ax.set(xlabel = 'Chat como fuente de info. sobre el Covid-19',                 # Añadimos una etiqueta al eje x.
       ylabel = 'Personas'                                                     # Añadimos una etiqueta al eje y.
      )                                                         
ax.set_ybound(upper = 60000)                                                   # Declaramos el límite superior en 60000.

# Modificamos la leyenda de la visualización.
plt.legend(title = 'Chat como fuente de info. general',                        # Añadimos título a la visualización.
           loc = 'upper left',                                                 # Ubicamos la leyenda en la parte superior izquierda.
           labels = ['Siempre', 'Casi siempre', 'A veces', 'Nunca'],           # Añadimos etiquetas de datos.
           prop = {'size': 7}                                                  # Definimos el tamaño de la leyenda.
          )                   

# Mostramos la visualización.
plt.show(ax)              

Referencias

Seaborn (2020). Seaborn: statistical data visualization. Recuperado el 11 de febrero de 2020 de: https://seaborn.pydata.org/index.html

Créditos

Autores: Juan David Reyes Jaimes, Jorge Esteban Camargo Forero, Alejandro Mantilla Redondo, Maria Camila Diaz, Diego Alejandro Cely Gómez

Fecha última actualización: 12/07/2022