El objetivo de la visualización de datos es comunicar datos o información de forma clara y eficaz a los lectores. Aquí hay 5 bibliotecas de Python que debes probar para ayudarte a hacerlo, con descripciones y enlaces a guías de inicio rápido para cada una.
«The purpose of visualization is insight, not pictures.»
―Ben Shneiderman
La visualización de datos es la presentación visual de datos o información. El objetivo de la visualización de datos es comunicar los datos o la información de forma clara y eficaz a los lectores. Normalmente, los datos se visualizan en forma de gráfico, infografía, diagrama, mapa, etc.
¿Cómo ayuda?
Identificar tendencias y valores atípicos
Contar una historia dentro de los datos
Reforzar un argumento u opinión
Destacar un punto importante en un conjunto de datos
Profundicemos en cada una de ellas.
Bibliotecas necesarias
Usar el gestor de paquetes pip para instalar a continuación:
pip install matplotlib pip install seaborn pip install plotnine pip install plotly pip install bokeh
Matplotlib
Matplotlib es una completa biblioteca para crear visualizaciones estáticas, animadas e interactivas en Python. La mayoría de los programadores comienzan su viaje de visualización de datos con Matplotlib.
Características:
- Está diseñado como MATLAB, por lo que cambiar entre los dos es bastante fácil.
- Entiende una gran cantidad de backends de renderizado.
- Puede reproducir casi cualquier gráfico (con un poco de esfuerzo).
- Lleva más de una década en el mercado, por lo que cuenta con una gran base de usuarios.
Quick Hand Codes for Matplotlib in 10 Minutes
Seaborn
Seaborn aprovecha el poder de Matplotlib para crear hermosos gráficos en unas pocas líneas de código. La diferencia clave son los estilos y paletas de colores por defecto de Seaborn, que están diseñados para ser más agradables estéticamente y modernos. Dado que Seaborn está construido sobre Matplotlib, es necesario conocer Matplotlib para ajustar los valores predeterminados de Seaborn.
Características:
- Temas incorporados para estilizar los gráficos de Matplotlib
- Visualización de datos univariados y bivariados
- Ajuste y visualización de modelos de regresión lineal
- Trazado de datos estadísticos de series temporales
- Seaborn funciona bien con estructuras de datos NumPy y Pandas
- Proporciona temas incorporados para estilizar los gráficos de Matplotlib
Quick Hand Codes for Seaborn in 10 Minutes
Plotnine
Plotnine es una implementación basada en ggplot2. Permite a los usuarios componer gráficos mapeando explícitamente los datos a los objetos visuales que componen el gráfico.
Características:
- Transformaciones estadísticas
- Escalas
- Sistemas de coordenadas
- Facets
- Temas
Quick Hand Codes for Plotnine in 10 Minutes
Bokeh
Source: Patrik Hlobil
Bokeh es una biblioteca de visualización interactiva para los navegadores web modernos. Proporciona una construcción elegante y concisa de gráficos versátiles, y ofrece una interactividad de alto rendimiento sobre conjuntos de datos grandes. Bokeh puede ayudar a cualquier persona que desee realizar rápida y fácilmente gráficos interactivos, cuadros de mando y aplicaciones de datos.
Características:
- Flexible
- Interactivo
- Potente
- Productivo
- Compartible
- OpenSource
Quick Hand Codes for Bokeh in 10 Minutes
Plotly
plotly es una biblioteca de gráficos interactiva, de código abierto y basada en el navegador para Python. Construida sobre plotly.js, plotly.py es una biblioteca de gráficos declarativa de alto nivel. plotly.js incluye más de 30 tipos de gráficos, incluyendo gráficos científicos, gráficos 3D, gráficos estadísticos, mapas SVG, gráficos financieros y más.
Características:
- Gráficos, cuadros de mando
- Exportación de archivos, App Manager
- Kubernetes, Autenticación
- Cola de trabajos, motor de instantáneas
- Incrustación, Big Data para Python
Quick Hand Codes for Plotly in 10 Minutes
References and Help:
@noeliagorod 