Python

Creación de gráficos interactivos en Jupyter Notebook con Python

Para la exploración de datos los gráficos interactivos es una solución que facilita la tarea. Poder comprobar cómo cambian los resultados al modificar uno o varios parámetros facilitan la comprensión del efecto de estos. A continuación, se explicará cómo crear gráficos interactivos en Jupyter Notebook con Python.

Introducción

En muchas ocasiones es interesante poder comprobar gráficamente cómo cambian los resultados al modificar parámetros. En Jupyter Notebook una forma trivial de conseguir esto es volver a ejecutar la celda cambiando los parámetros. Otra forma más interesante de conseguir esto es mediante la creación de gráficos interactivos. Estos gráficos permiten la creación de pantallas dinámicas basadas en la evaluación de funciones.

Gráficos interactivos en Jupyter Notebook

Para la creación de un gráfico interactivos se ha de crear un Notebook en el que se ha de incluir las siguientes líneas:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

Una vez realizado esto se ha de crear una función que genere el gráfico deseada. A modo de ejemplo se va a simular una distribución normal y representar el histograma. La idea es comprobar cómo evoluciona la forma de la distribución a medida que aumenta el tamaño de la muestra. Para ello se puede definir una función como la siguiente:

from scipy.stats import norm

def plot_function(size = 100, bins = 10, loc=0, scale=1, color='red'):
    data = norm.rvs(size=size, loc=loc, scale=scale)
    binwidth = (max(data) - min(data))/ bins
    plt.hist(data, 
             bins=np.arange(min(data), max(data) + binwidth, binwidth),
             color=color)
    plt.show()

Al llamar a esta función se simula una distribución normal con los parámetros indicados. Posteriormente calcula el ancho de los bins del histograma y lo representa. Al ejecutar esta función aparece un gráfico como la siguiente.

Ahora, se puede importar la función interact de ipywidgets para crear un gráfico interactivo. A esta función se le ha de pasar como parámetro la que se ha definido para generar el gráfico. Esta generará un gráfico con un control para para cada una de las entradas de la función que se pueden utilizar para cambiar los valores. Por ejemplo, al ejecutar el siguiente código en una celda se obtiene la siguiente figura.

from ipywidgets import interact 
interact(plot_function)
None

Limitar los parámetros de los controles

En el ejemplo anterior se puede ver que es posible seleccionar valores en los controles que no son válidos. Por ejemplo, un tamaño de la muestra negativo o un nombre de color no disponible. Para evitar esto se le puede indicar los valores permitidos y el paso en las barras de desplazamiento para cada uno de los parámetros. En el caso de los valores numéricos se ha de indicar una tulpa con el valor mínimo, el máximo y, en caso de que el paso entre valores no sea de 1, el valor del paso. Por otro lado, cuando el valor es categórico se ha de utilizar una lista con los valores permitidos. En el ejemplo anterior se puede modificar para evitar los problemas indicados anteriormente.

interact(plot_function,
         size = (1, 1000, 10),
         bins = (1, 100, 1),
         loc = (-100, 100, 1),
         scale = (1, 100, 1),
         color=['red', 'yellow', 'blue'])
None

Obteniéndose un nuevo gráfico interactivo en el Notebook en el que se puede apreciar unas barras de desplazamiento modificadas. Además, la selección del color se esta limitada únicamente a los tres valores indicados.

En el caso de que una variable sea binaria se puede indicar a interact con la opción True. Así aparecerá una casilla de selección en lugar de una barra de desplazamiento.

Conclusiones

En esta entrada se ha visto cómo crear de gráficos interactivos en Jupyter Notebook con Python. La utilización de esta herramienta permite explorar los resultados de una forma visual más ágil. Permitiendo que incluso usuarios sin conocimiento de Python puedan realizar la exploración.

Imágenes: Pixabay

¿Te ha parecido de utilidad el contenido?

Daniel Rodríguez

Share
Published by
Daniel Rodríguez

Recent Posts

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Panda Planner es mucho más que un cuaderno de organización: combina la planificación mensual, semanal…

3 días ago

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

Ya está disponible la versión 1.5 del laboratorio de Analytics Lane. Es una de las…

4 días ago

Cómo Explorar un Dataset antes de Modelar

Uno de los errores más frecuentes en ciencia de datos es lanzarse a construir un…

5 días ago

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

Pregunta a cualquiera qué significan las letras de "Wi-Fi" y lo más probable es que…

1 semana ago

Shallow copy vs Deep copy en Python: la mutación inesperada

Imagina que tienes una lista con datos de un usuario: usuario_original = { 'nombre': 'Juan',…

2 semanas ago

Cómo Saber si una Diferencia Significativa es Importante

Has aplicado un t-test y obtienes p = 0,003. El resultado es estadísticamente significativo, hay…

2 semanas ago

This website uses cookies.