seaborn

seaborn construye gráficos estadísticos sobre matplotlib con APIs de datos ordenados (tidy-data) - ideal para análisis exploratorio rápido y valores predeterminados pulidos.

Receta

Tarjeta de referencia rápida - lista para copiar y pegar.

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
 
sns.set_theme(style="whitegrid", context="notebook")
df = pd.read_csv("sales.csv", parse_dates=["ordered_at"])
g = sns.relplot(data=df, x="ordered_at", y="revenue", hue="region", kind="line")
g.set_axis_labels("Fecha", "Ingresos ($)")
plt.close()

Cuándo usar esto:

• EDA rápida en DataFrames de pandas
• Comparaciones de grupos con intervalos de confianza
• Múltiples pequeños facetados (col, row)
• KDE/hist/box/violin para distribuciones

Ejemplo Funcional

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
 
rng = np.random.default_rng(42)
df = pd.DataFrame(
    {
        "region": np.repeat(["East", "West"], 200),
        "segment": np.tile(np.repeat(["SMB", "Enterprise"], 100), 2),
        "revenue": rng.normal(150, 40, 400).clip(10),
    }
)
 
sns.set_theme(style="ticks")
fig, axes = plt.subplots(1, 3, figsize=(12, 4))
 
sns.histplot(data=df, x="revenue", hue="region", kde=True, ax=axes[0])
axes[0].set_title("Distribución")
 
sns.boxplot(data=df, x="segment", y="revenue", hue="region", ax=axes[1])
axes[1].set_title("Por segmento")
 
sns.barplot(
    data=df,
    x="region",
    y="revenue",
    estimator="median",
    errorbar=("pi", 50),
    ax=axes[2],
)
axes[2].set_title("Mediana con intervalo")
 
sns.despine()
fig.tight_layout()
fig.savefig("eda.png", dpi=150, bbox_inches="tight")
plt.close(fig)

Lo que esto demuestra:

• API data= ordenada en tres tipos de gráficos
• histplot con superposición KDE opcional
• boxplot con hue para una segunda categoría
• Tupla errorbar moderna en lugar del obsoleto ci

Inmersión Profunda

Cómo Funciona

• seaborn mapea columnas de DataFrame a roles estéticos (x, y, hue, size, style).
• Las funciones estadísticas agregan internamente (media, mediana, CI de bootstrap).
• Las funciones a nivel de figura (relplot, catplot, displot) devuelven FacetGrid.
• Las funciones a nivel de ejes (scatterplot, barplot) aceptan ax= para subgráficos.

Selector de Gráficos

Notas de Python

import seaborn as sns
 
# Cargar conjunto de datos de ejemplo para enseñanza
tips = sns.load_dataset("tips")  # caché de CSV incluido
 
# Paleta accesible para lectores daltónicos
sns.set_palette("colorblind")

Errores Comunes

• Datos anchos vs. ordenados (wide vs. tidy) - seaborn espera una fila por observación. Solución: melt o arreglar el esquema de origen.
• Parámetro ci= obsoleto - eliminado en seaborn 0.13+. Solución: usar errorbar=("ci", 95) o None.
• Olvido de plt.close en relplot - las APIs a nivel de figura crean nuevas figuras silenciosamente. Solución: capturar el valor de retorno y plt.close().
• Gráfico de barras de medias en datos sesgados - la media oculta los valores atípicos. Solución: emparejar con box/violin o mostrar la mediana.
• hue categórico enorme - leyendas ilegibles. Solución: filtrar top-N o usar facetas en lugar de hue.

Alternativas

Preguntas Frecuentes

sns.relplot(data=df, x="x", y="y", col="region", row="segment", kind="scatter")

sns.lineplot(data=df, x="t", y="v", errorbar=None)

g = sns.relplot(...)
g.savefig("out.png", dpi=150)

sns.regplot(data=df, x="ad_spend", y="revenue")

order = df.groupby("region")["revenue"].median().sort_values().index
sns.barplot(data=df, x="region", y="revenue", order=order)

Relacionado

• matplotlib - personalización a nivel de ejes
• Conceptos Básicos de Visualización - selección de gráficos
• Plotly - seguimientos interactivos
• Mejores Prácticas de Visualización - escalas honestas

Versiones del Stack: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.