• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Mapas de calor y diagramas de araña en Python

febrero 25, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

En una entrada anterior se ha visto algunos de los gráficos más importantes disponibles en la librería de Python Seaborn. En esta ocasión se va a ver cómo construir en Python dos tipos de gráficos que pueden ser muy útiles: los mapas de calor y los diagramas de araña. Para construir el primero de ellos se utilizará Seaborn, mientras que para el segundo se utilizará matplotlib. Saber construir mapas de calor y diagramas de araña en Python es de gran ayuda a la hora de mostrar los resultados obtenidos en nuestros análisis.

Mapas de calor con Seaborn

Un mapa de calor es una representación gráfica de los valores contenidos en una matriz mediante el uso de colores. En estos, los índices de la matriz representan las variables de dos características que se desean comparar. Mientras que el color utilizado en cada elemento de la matriz representa la magnitud de la relación existente. Siendo una herramienta excelente para para mostrar las relaciones existentes entre las variables de diferentes características, ya que al mostrar la relación mediante un color se obtiene una interpretación fácil e intuitiva de esta. No solo esto, sino que al mismo tiempo se puede ver comparar las relaciones de unas características con otras observando otros puntos del mapa de calor.

Un ejemplo para crear un mapa de calor con datos aleatorios se puede ver en el siguiente trozo de código.

# Importación de las librerías
import seaborn as sns
import pandas as pd
import numpy as np

# Creación de un conjunto de datos aleatorio
data = pd.DataFrame(np.random.random((5, 5)))

# Representación del mapa de calor
sns.heatmap(data, center=0, cmap='Blues_r', annot=True, fmt='.3f')

En este código se importa inicialmente las librerías necesarias: seaborn, pandas y numpy. Una vez realizado esto se ha de crear una matriz de datos aleatoria, para lo que se utiliza el método random de numpy. Esta es la matriz que se representa, para lo que se utiliza la función heatmap de seaborn. La función únicamente necesita la matriz que contiene los valores a representar, aunque se puede indicar otros parámetros para personalizar el resultado. En el ejemplo anterior se han empleado:

Publicidad


  • center: el valor en el cual centrar el mapa de color al representar los datos.
  • cmap: indica el mapa que se utilizará para la representación de los valores,
  • annot: indica si se representa o no la magnitud de cada celda en el mapa además del color, por defecto no se representará
  • fmt: es el formato con el que se representará la magnitud.

Los resultados obtenidos con el código anterior se pueden ver en la siguiente figura.

Ejemplo de mapa de calor
Ejemplo de mapa de calor

Diagrama de araña en Python

Los diagramas de araña son una de las mejores maneras para mostrar los valores que toman varias variables con una magnitud. Es decir, se pueden ver los valores que toman diferentes variables a la vez de una magnitud. Así se puede observar de un vistazo si la magnitud de una variable es muy diferente al resto, ya que el área o la longitud se hacen más grandes en la dirección específica. En el caso de que se desee ver cómo se agrupan varias categorías respecto a las mismas características se pueden mostrar unas respecto a otras.

Un ejemplo para crear un diagrama de araña con datos aleatorios se puede ver en el siguiente trozo de código.

# Importación de las librerías
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Creación de un conjunto de datos aleatorio
angles = np.linspace(0, 2 * np.pi, 5, endpoint=False)
values = np.random.random(5)

# Se repite el primer valor para cerrar el gráfico
angles=np.concatenate((angles, [angles[0]]))
values=np.concatenate((values, [values[0]]))
labels=['Label 1', 'Label 2', 'Label 3', 'Label 4', 'Label 5']

# Representación del mapa de calor
plt.polar(angles, values, 'o-', linewidth=2)
plt.fill(angles, values, alpha=0.25)
plt.thetagrids(angles * 180 / np.pi, labels)

Este ejemplo es un poco más complejo que el anterior. Al igual que este se y se crea un conjunto de datos aleatorio. A diferencia del ejemplo anterior se importa matplotlib.pyplot en lugar de seaborn. Posteriormente se ha de repetir el primer valor de la serie al final de este, con lo que se puede cerrar el diagrama. En caso de que no se realice este paso no se mostrará un valor entre el primer y último punto.

Publicidad


Finalmente se procede a representar los datos en tres pasos. En primer lugar, se hace el gráfico polar utilizando el método polar, al que es necesario indicar los ángulos en radianes, los valores y las opciones de representación. Posteriormente se puede rellenar el gráfico con un área, aunque este paso es opcional mejora la vistosidad del resultado. Finalmente se han de agregar las etiquetas con los nombres. Los resultados obtenidos con el código anterior se pueden ver en la siguiente figura.

Ejemplo de diagrama de araña
Ejemplo de diagrama de araña

Conclusiones

En esta entrada se ha visto como construir mapas de calor y diagramas de araña en Python. Ambos tipos de gráficos son de gran utilidad a la hora de representar los resultados obtenidos en los análisis de datos.

Imágenes: Pixabay (Claudia)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • logo-wide-lightbg
    Personalización de gráficos en Seaborn: Cambiar…
  • logo-wide-lightbg
    Visualización de datos categóricos en Seaborn
  • seaborn
    Visualización de datos en Python con Seaborn
  • matplotlib
    Combinar histogramas en Matplotlib
  • Gráfico de cascada con la evolución de la variable
    Gráficos de cascada: visualizar la evolución de los…
  • logo-wide-lightbg
    Cómo crear gráficos múltiples en Seaborn

Publicado en: Python Etiquetado como: Matplotlib, Pandas, Seaborn

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad





Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

Tutorial básico de Traceroute

diciembre 8, 2023 Por Daniel Rodríguez

Usar el depurador de Visual Studio Code con Jest

diciembre 6, 2023 Por Daniel Rodríguez

Análisis de datos con GPT en Pandas

diciembre 4, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • pandas Pandas: Obtener el nombre de las columnas y filas en Pandas publicado el diciembre 7, 2020 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Truco: Reproducir sonidos en Python publicado el febrero 28, 2022 | en Python
  • Duplicado Eliminar registros duplicados en pandas publicado el junio 20, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto