• 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
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Gráficos de cascada: visualizar la evolución de los datos en Python

Matplotlib

abril 10, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

Gráfico de cascada con la evolución de la variable

Los gráficos de cascada (Waterfall charts) son una herramienta para visualizar de una forma sencilla cómo se acumulan los valores positivos y negativos en una serie de datos. Pudiendo ofrecer en algunos casos más información que los gráficos de barras o líneas. Actualmente no existe en Matplotlib o Seaborn una forma sencilla de crear estos gráficos, pero existen otros paquetes como waterfallcharts que si lo implementan en Python.

Instalación de waterfallcharts en Python

Dado que actualmente no existe una función ni en Matplotlib ni en Seaborn con la que se pueda crear fácilmente un gráfico de cascada en Python es necesario recurrir a otros paquetes. Uno de los más sencillos de usar es waterfallcharts que se puede instalar a través de PyPI abriendo una terminal o símbolo de sistema y ejecutando el siguiente comando

pip install waterfallcharts

Una vez hecho eso ya se podrá usar la librería para crear este tipo de gráficos.

Ver la evolución de un valor a lo largo del tiempo en una gráfica

Supongamos que se dispone de los valores de una variable a lo largo del tiempo y se desea comprobar su evolución. Saber los meses en los que el valor ha subido o ha bajado. Para lo que se puede recurrir a una gráfica de líneas. Por ejemplo, tal como se hace en el siguiente código.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

import matplotlib.pyplot as plt

# Importación de la serie de datos
month = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
value = [27.66, 26.03, 20.52, 24.57, 28.55, 27.11, 28.72, 22.81, 23.33, 27.99, 28.45, 24.72]

# Creación del gráfico
plt.plot(month, value)

# Mostrar el gráfico
plt.show()
Gráfico de líneas con la evolución de la variable
Gráfico de líneas con la evolución de la variable

En este ejemplo se han definido dos vectores, uno con los meses y otro con la variable. Como se puede ver en la gráfica los valores de esta suben y bajan a lo largo del tiempo de una forma que parece aleatoria. En febrero baja, baja más en marzo para subir en abril y mayo. Así todo el año. En la gráfica se puede apreciar la tendencia, pero no los meses que suben y bajan los valores.

Alternativamente se puede probar con una gráfica de barras, pero el resultado no es mucho mejor como se puede ver el siguiente ejemplo.

# Creación de gráfico de barras
plt.bar(month, value)

# Mostrar el gráfico
plt.show()
Gráfico de barras con la evolución de la variable
Gráfico de barras con la evolución de la variable

Los gráficos de cascada muestran la evolución de los datos

Una forma de poder ver la evolución de los datos es usar un gráfico de cascada, para lo que se ha instalado anteriormente la librería waterfall_chart. Ahora solo es necesario preparar los datos, importar la librería y llamar a la función plot() de esta. Lo que se hace en el siguiente código.

import numpy as np
import waterfall_chart

# Obtener la variación de datos para cada mes
diff_value = np.diff(value, prepend=1)

# Creación del gráfico de cascada
waterfall_chart.plot(month, diff_value)
Gráfico de cascada con la evolución de la variable
Gráfico de cascada con la evolución de la variable

En este ejemplo lo primero que se hace es crear una variable con las diferencias de los valores para cada uno de los meses. Un paso necesario ya que este tipo de gráficos necesitan las variaciones de los valores. Para lo que se ha empleado la función np.diff() con la opción prepend, de modo que el primer valor del nuevo vector aparezca como valor inicial. Así se consigue que la variable con los meses (month) y la variable con la variación de los valores (diff_value) tenga el mismo tamaño. En caso contrario la salida de np.diff() tendría un registro menos, algo que provocaría que la función plot() devolviese un fallo. Posteriormente se crea la gráfica que se muestra.

Esta gráfica ofrece más información que las anteriores, se puede ver fácilmente cómo evoluciona el valor desde los 26,7 iniciales a los 23,7 finales comprobando cuánto se incrementa o reduce cada uno de los meses. Pudiendo ver de una manera sencilla los meses que han sido positivos o negativos y en qué grado. Algo que en muchos casos puede ser más interesante que las conclusiones extraídas de los gráficos anteriores.

Analizar las componentes de un valor con un gráfico de cascada

Otra utilidad de los gráficos de cascada es mostrar cuales son las componentes de un valor. Por ejemplo, si se dispone de los ingresos y gastos de un proyecto para ver cuál ha sido su beneficio neto. Lo que se muestra en el siguiente ejemplo.

concepto = ['Ingresos publicidad', 'Ingresos cuotas', 'Gastos fijos', 'Gastos variables', 'Impuestos']
cantidad = [12023, 3012, -8443, -1324, -1239]

waterfall_chart.plot(concepto, cantidad)
Gráfico de cascada con las componentes de los ingresos y gastos del proyecto
Gráfico de cascada con las componentes de los ingresos y gastos del proyecto

En este caso, no es necesario diferenciar los valores ya que estos son datos originales son los que se usan para crear la gráfica.

Conclusiones

Los gráficos de cascada son una herramienta con la que se puede mostrar de forma clara la variación de los valores de una serie de datos. Ofreciendo esta información de una forma más precisa que los gráficos de barras o de líneas. Por eso, para los casos en lo que esto es lo que se desea es bueno contar con esta herramienta.

¿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!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

Publicado en: Python Etiquetado como: Matplotlib

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.

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
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

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

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

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

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Convertir archivos CSV a XLSX con Python publicado el mayo 11, 2020 | en Python
  • ¿Es aconsejable jugar a la lotería? publicado el enero 29, 2020 | en Opinión
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • NumPy NumPy: Cómo ordenar una matriz NumPy en Python publicado el noviembre 23, 2020 | en Python
  • Roles en ciencia de datos: Guía completa de perfiles técnicos publicado el febrero 26, 2026 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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 © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto