Conceptos básicos de visualización

8 ejemplos para empezar con la visualización: 6 básicos y 2 intermedios.

Prerrequisitos

• Python 3.14.0 con matplotlib, seaborn y pandas 2.2+.
• Configuración rápida: uv pip install matplotlib seaborn pandas plotly

Ejemplos básicos

1. Gráfico de líneas para tendencias

Mostrar cambios a lo largo del tiempo o categorías ordenadas.

import matplotlib.pyplot as plt
 
months = ["Ene", "Feb", "Mar", "Abr"]
revenue = [120, 135, 128, 150]
plt.plot(months, revenue, marker="o")
plt.ylabel("Ingresos ($k)")
plt.title("Ingresos Mensuales")
plt.tight_layout()
plt.savefig("trend.png", dpi=150)
plt.close()

• Los gráficos de líneas necesitan un eje x ordenado, no categorías arbitrarias.
• Los marcadores ayudan en series dispersas; las series densas pueden omitirlos.
• Siempre llame a plt.close() en scripts para liberar memoria.

Relacionado: matplotlib - figuras y ejes

2. Gráfico de barras para comparaciones

Comparar categorías discretas una al lado de la otra.

import matplotlib.pyplot as plt
 
regions = ["Este", "Oeste", "Central"]
totals = [420, 380, 290]
plt.bar(regions, totals, color=["#2c7bb6", "#abd9e9", "#fdae61"])
plt.ylabel("Ingresos totales")
plt.tight_layout()

• La longitud de la barra codifica la magnitud: comience el eje y en cero para ser honesto.
• Ordene las barras por valor cuando el orden no sea intrínseco.
• Limite las categorías (~15) o cambie a barras horizontales.

Relacionado: seaborn - gráficos de barras estadísticos

3. Histograma para distribuciones

Revelar la dispersión y la asimetría de una variable numérica.

import matplotlib.pyplot as plt
import numpy as np
 
rng = np.random.default_rng(42)
values = rng.normal(100, 15, size=500)
plt.hist(values, bins=20, edgecolor="white")
plt.xlabel("Puntuación")
plt.ylabel("Conteo")

• El número de contenedores afecta la historia: pruebe con 15-30 contenedores para cientos de puntos.
• density=True compara distribuciones con diferentes tamaños de muestra.
• Emparejar con diagramas de caja/violín al comparar grupos.

Relacionado: seaborn - histplot y KDE

4. Dispersión para relaciones

Explorar la correlación entre dos variables numéricas.

import matplotlib.pyplot as plt
 
ad_spend = [10, 20, 15, 30, 25]
revenue = [120, 180, 150, 240, 210]
plt.scatter(ad_spend, revenue, alpha=0.7)
plt.xlabel("Gasto en publicidad ($k)")
plt.ylabel("Ingresos ($k)")

• La transparencia alfa ayuda con los clústeres de sobreplotaje.
• Añada una línea de regresión con regplot de seaborn cuando la tendencia sea el mensaje.
• Etiquete los valores atípicos cuando impulsen las decisiones.

Relacionado: seaborn - scatterplot con matices (hues)

5. Valores predeterminados estadísticos de seaborn

Obtenga temas y paletas de colores legibles rápidamente.

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
 
df = pd.DataFrame({"region": ["Este", "Oeste"] * 5, "revenue": range(10)})
sns.set_theme(style="whitegrid")
sns.barplot(data=df, x="region", y="revenue", estimator=sum, errorbar=None)
plt.tight_layout()

• La API data= evita la manipulación manual de ejes.
• estimator y errorbar controlan la semántica de agregación.
• Restablezca el tema después si mezcla estilos de matplotlib puros.

Relacionado: seaborn - flujos de trabajo de EDA

6. Guardar salida de calidad de publicación

Controlar DPI, bbox y formatos vectoriales.

import matplotlib.pyplot as plt
 
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot([1, 2, 3], [1, 4, 9])
fig.savefig("chart.pdf", bbox_inches="tight")  # vector para impresión
fig.savefig("chart.png", dpi=300, bbox_inches="tight")
plt.close(fig)

• PDF/SVG escalan limpiamente en informes; PNG necesita DPI (150 pantalla, 300 impresión).
• bbox_inches="tight" recorta los márgenes excesivos.
• El patrón explícito fig, ax se escala a subgráficos.

Relacionado: matplotlib - ciclo de vida de la figura

Ejemplos intermedios

7. Pase de cursor interactivo de Plotly

Explore puntos densos con tooltips en el navegador.

import plotly.express as px
import pandas as pd
 
df = pd.DataFrame({"x": range(20), "y": [i**1.5 for i in range(20)], "cat": ["A", "B"] * 10})
fig = px.scatter(df, x="x", y="y", color="cat", hover_data=["x", "y"])
fig.write_html("scatter.html")

• Las exportaciones HTML se incrustan en paneles sin un servidor.
• Plotly brilla para vistas vinculadas con filtros cruzados.
• Para informes estáticos, prefiera matplotlib/seaborn.

Relacionado: Plotly - gráficos interactivos

8. Gráfico declarativo de Altair

Componga especificaciones de gramática de gráficos que permanezcan legibles.

import altair as alt
import pandas as pd
 
df = pd.DataFrame({"month": ["Ene", "Feb", "Mar"], "revenue": [120, 135, 128]})
chart = alt.Chart(df).mark_line(point=True).encode(x="month", y="revenue")
chart.save("revenue.json")  # Especificación Vega-Lite

• Altair impone datos ordenados (tidy data): una fila por observación.
• Las especificaciones JSON se versionan bien en git.
• Los datos grandes requieren agregación antes de Altair.

Relacionado: Altair - codificación declarativa

Versiones de la pila: 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+.