Análisis con Python uso Biblioteca Seaborn

 

Análisis con Python uso Biblioteca Seaborn.ipynb

Volver

Análisis con Python uso Biblioteca Seaborn

Introducción a Seaborn: Una visión general de la biblioteca

Seaborn es una biblioteca de visualización de datos para Python basada en Matplotlib. La principal característica de Seaborn es una interfaz de alto nivel con la que es fácil crear gráficos elegantes de una forma sencilla. Siendo una excelente opción para analizar datos en Python. En esta entrada, una introducción a Seaborn, comienza una serie de publicaciones sobre Seaborn en la que se analizarán las principales características de esta popular herramienta.

Visión general de Seaborn

Posiblemente la principal característica que se puede destacar de Seaborn es su capacidad para generar gráficos estéticamente agradables usando pocas líneas de código. Ofreciendo una amplia gama de estilos predeterminados. Simplificando el proceso de creación de las visualizaciones de datos, así como su personalización. Además, Seaborn también proporciona una interfaz intuitiva para la visualización de relaciones entre variables. Algo que veremos de una forma clara en esta introducción a Seaborn.

Paso 1: Instalación de Seaborn

Primero, necesitas tener instalado Seaborn. Si aún no lo tienes, puedes instalarlo usando pip:

Paso 1: Instalación de Matplotlib

Si aún no tienes Matplotlib instalado, puedes hacerlo usando pip:

!pip install Seaborn

Requirement already satisfied: Seaborn in /usr/local/lib/python3.10/dist-packages (0.12.2)

Requirement already satisfied: numpy!=1.24.0,>=1.17 in /usr/local/lib/python3.10/dist-packages (from Seaborn) (1.23.5)

Requirement already satisfied: pandas>=0.25 in /usr/local/lib/python3.10/dist-packages (from Seaborn) (1.5.3)

Requirement already satisfied: matplotlib!=3.6.1,>=3.1 in /usr/local/lib/python3.10/dist-packages (from Seaborn) (3.7.1)

Requirement already satisfied: contourpy>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (1.2.0)

Requirement already satisfied: cycler>=0.10 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (0.12.1)

Requirement already satisfied: fonttools>=4.22.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (4.45.1)

Requirement already satisfied: kiwisolver>=1.0.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (1.4.5)

Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (23.2)

Requirement already satisfied: pillow>=6.2.0 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (9.4.0)

Requirement already satisfied: pyparsing>=2.3.1 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (3.1.1)

Requirement already satisfied: python-dateutil>=2.7 in /usr/local/lib/python3.10/dist-packages (from matplotlib!=3.6.1,>=3.1->Seaborn) (2.8.2)

Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas>=0.25->Seaborn) (2023.3.post1)

Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.7->matplotlib!=3.6.1,>=3.1->Seaborn) (1.16.0)

Paso 2: Importación de Librerías

Vamos a importar las librerías necesarias para nuestro análisis. Generalmente, junto con Seaborn, utilizamos Pandas para manejar datos y Matplotlib para ajustes adicionales en los gráficos.

import seaborn as sns

import pandas as pd

import matplotlib.pyplot as plt

Paso 3: Cargar Datos

Seaborn trabaja muy bien con DataFrames de Pandas. Vamos a cargar un conjunto de datos de ejemplo que viene con Seaborn, como el dataset 'tips' que contiene información sobre propinas en un restaurante.

tips = sns.load_dataset('tips')

tips.head()

Resultados

Paso 4: Análisis Exploratorio de Datos

Antes de visualizar los datos, es una buena práctica realizar un análisis exploratorio básico. Esto incluye revisar las primeras filas, entender los tipos de datos y posiblemente describir estadísticas básicas.

# Revisar las primeras filas del dataset

tips.head()

 

# Describir estadísticas básicas

tips.describe()

RESULTADOS

Paso 5: Crear un Gráfico

Ahora, vamos a crear un gráfico sencillo. Por ejemplo, un gráfico de barras que muestre el promedio de las propinas por día de la semana. Este código genera una gráfica de líneas donde el eje X representa los días de la semana y el eje Y las temperaturas.

sns.barplot(x='day', y='tip', data=tips)

plt.show()

RESULTADOS

Paso 6: Personalizar el Gráfico

Seaborn permite personalizar los gráficos fácilmente. Podemos añadir títulos, cambiar colores, entre otros.

Paso 7: Explorar Otros Tipos de Gráficos

Seaborn ofrece una variedad de gráficos. Por ejemplo, podrías crear un diagrama de caja para ver la distribución de las propinas por día.

sns.boxplot(x='day', y='tip', data=tips)

plt.show()

RESULTADOS

Paso 8: Guardar el Gráfico

Si deseas guardar el gráfico en un archivo, puedes hacerlo fácilmente con Matplotlib.

sns.barplot(x='day', y='tip', data=tips)

plt.title('Promedio de Propinas por Día')

plt.savefig('mi_grafico.png')

RESULTADO

Este es un ejemplo básico para empezar con Seaborn. Hay muchas más funcionalidades y tipos de gráficos que puedes explorar. Te recomiendo revisar la documentación oficial de Seaborn para aprender más sobre las capacidades de esta potente herramienta.

Volver