Librería Seaborn

 

E

Libreria Seaborn

Seaborn es una biblioteca de visualización de datos en Python basada en Matplotlib. Está diseñada para crear visualizaciones atractivas y informativas de datos estadísticos. Seaborn simplifica la creación de gráficos estadísticos complejos y aporta una estética agradable a las visualizaciones.

​

Importancia de Seaborn: 

• Se integra bien con Pandas DataFrames, lo que facilita la visualización de datos almacenados en Pandas.

• Su sintaxis es más simple que Matplotlib, lo que facilita la creación de gráficos complejos con menos líneas de código.

• Seaborn proporciona una amplia gama de paletas de colores y estilos de trazado

• Aquí hay algunos puntos clave sobre Seaborn:

1. Estética atractiva: Seaborn proporciona una interfaz de alto nivel para crear gráficos estadísticos atractivos. La biblioteca viene con temas prediseñados y paletas de colores que mejoran la apariencia de los gráficos de manera predeterminada.

2. 
   

3. Integración con Pandas: Seaborn se integra bien con DataFrames de Pandas, lo que facilita la visualización de datos almacenados en estructuras de datos tabulares.

4. 
   

5. Tipos de gráficos: Ofrece una variedad de gráficos estadísticos, como gráficos de dispersión, diagramas de caja (box plots), histogramas, gráficos de barras, diagramas de violín, mapas de calor y más. Estos gráficos están optimizados para mostrar relaciones y distribuciones en datos.

6. 
   

7. Facetas: Seaborn permite la creación sencilla de gráficos de facetas (facet grids), lo que facilita la visualización de múltiples subconjuntos de datos en una sola figura.

8. 
   

9. Personalización sencilla: Aunque Seaborn proporciona una apariencia atractiva de forma predeterminada, también es altamente personalizable. Los usuarios pueden ajustar fácilmente elementos como colores, estilos y tamaños de línea.

10. 
    

11. Integración con Matplotlib: Aunque Seaborn es una biblioteca independiente, se integra bien con Matplotlib. Esto significa que puedes utilizar funciones de Seaborn junto con funciones de Matplotlib para obtener el máximo control y flexibilidad en la creación de gráficos.

12. 
    

13. Documentación completa: Seaborn tiene una documentación completa que proporciona ejemplos detallados y explicaciones de cómo utilizar cada función. Esto facilita a los usuarios aprender y utilizar la biblioteca de manera efectiva.

14. 
    

15. 
    

16. 
17. 
    

18. Ejemplo 1:

• Gráfico de Relación (Scatter Plot)

  En este caso, estamos creando un gráfico de dispersión (scatter plot) para visualizar la relación entre dos variables, en este caso, el total de la cuenta (total_bill) y la propina (tip) en un conjunto de datos de propinas de restaurantes. El gráfico muestra puntos en un plano cartesiano donde cada punto representa una factura, y su posición en el gráfico muestra cuánto se gastó y cuánta propina se dejó. Además, utilizamos colores (hue) para diferenciar entre hombres y mujeres. Este tipo de gráfico es útil para identificar patrones de relación entre dos variables y detectar posibles correlaciones.

  ​     

import seaborn as sns

import matplotlib.pyplot as plt

# Crear datos de ejemplo

data = sns.load_dataset("tips")

# Crear un scatter plot para mostrar la relación entre total_bill y tip

sns.scatterplot(data=data, x="total_bill", y="tip", hue="sex")

# Mostrar el gráfico

plt.show()

EJEMPLO 2: 

* Gráfico de Distribución (Distribución de Datos)

En este ejemplo, estaremos visualizando la distribución de un solo atributo en un conjunto de datos. Utilizamos datos de flores Iris y representamos la distribución de la longitud del sépalo. El gráfico muestra la frecuencia de diferentes valores de longitud del sépalo y, opcionalmente, una estimación de la función de densidad de probabilidad (KDE). Este tipo de gráfico es útil para comprender la distribución de un solo atributo en un conjunto de datos y para identificar tendencias o patrones.

 

import seaborn as sns

import matplotlib.pyplot as plt

# Crear datos de ejemplo

data = sns.load_dataset("iris")

# Crear un gráfico de distribución de un solo atributo

sns.histplot(data=data, x="sepal_length", kde=True)

# Mostrar el gráfico

plt.show()

1.