La visualización de la distribución de datos es una parte fundamental a la hora de realizar análisis exploratorios. Seaborn, una biblioteca de visualización de datos en Python cuenta con múltiples herramientas para ello. Tales como histogramas, gráficos de densidad y diagramas de caja (también llamados boxplots). En esta entrada, continuando la serie de publicaciones sobre esta biblioteca, se explorarán algunas de estas herramientas y las opciones para la visualización de distribuciones de datos con Seaborn.
Datos de ejemplo
A modo de ejemplo, se utilizará para crear las gráficas uno de los conjuntos de datos que viene incluidos en Seaborn: “tips”. Este conjunto de datos contiene información sobre propinas en un restaurante. Para importarlo en un DataFrame de Pandas solamente se tiene que usar la función load_dataset() con el nombre del conjunto de datos.
import seaborn as sns
# Cargar el conjunto de datos "tips"
tips_data = sns.load_dataset("tips")
# Imprimir los primeros registros del conjunto de datos
print(tips_data.head())total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4
Histogramas
Los histogramas son una forma efectiva de representar la distribución de una variable numérica. Para la creación de estos gráficos con Seaborn se tiene que utilizar la función histplot(). Una función a la que se le deben pasar dos parámetros: el conjunto de datos, para lo que se usa la propiedad data, y la columna sobre la que se desea crear la gráfica, indicado mediante el parámetro x. Por ejemplo, con el siguiente código se puede crear un histograma de la columna “total_bill” del conjunto de datos “tips”.
import matplotlib.pyplot as plt # Crear un histograma de la columna "total_bill" sns.histplot(data=tips_data, x='total_bill') # Mostrar el gráfico plt.show()
Por defecto la función histplot() decide el número adecuado de bins para la gráfica, pero este es un parámetro que también puede indicar el usuario. Para lo que existe el parámetro bins que por defecto tiene el valor 'auto' pero al que se le puede asignar cualquier número. Por ejemplo, si se desea ver solamente 10 bins se puede ejecutar el siguiente código.
# Crear un histograma de la columna "total_bill" con 10 bins sns.histplot(data=tips_data, x='total_bill', bins=10) # Mostrar el gráfico plt.show()
La función también ofrece la posibilidad de separar el histograma en base a una característica del conjunto de datos. Lo que, como en otras ocasiones, se puede indicar mediante el parámetro hue de la función. Por ejemplo, se puede ver el gráfico anterior, pero separando los registros observados por sexo ejecutando el siguiente código.
# Crear un histograma de la columna "total_bill" con 10 bins y por sexo sns.histplot(data=tips_data, x='total_bill', bins=10, hue='sex') # Mostrar el gráfico plt.show()
Por defecto se muestra el número de ocurrencias que se observa en cada uno de los bins. Si no se desea mostrar esa información se puede usar la propiedad stat para indicar que se muestre la probabilidad ('probability'), el porcentaje ('percent'), la densidad ('density') o la frecuencia ('frequency'). Por ejemplo, para que en el eje y se muestre la probabilidad se puede usar un código como el siguiente.
# Crear un histograma de la columna "total_bill" sns.histplot(data=tips_data, x='total_bill', stat='probability') # Mostrar el gráfico plt.show()
Gráficos de densidad
Otra alternativa para representar la distribución de una variable continua es mediante los gráficos de densidad. En Seaborn la creación de estos gráficos se puede hacer mediante la función kdeplot(), la cual necesita los mismos parámetros básicos que histplot() (data y x). Un gráfico de densidad para la columna “total_bill” del conjunto de datos “tips” se puede obtener con el siguiente código.
# Crear un gráfico de densidad de la columna "total_bill" sns.kdeplot(data=tips_data, x='total_bill') # Mostrar el gráfico plt.show()
A diferencia de los histogramas, en los gráficos de densidad la distribución de la variable se muestra como una función continua. Para lo que se crea una estimación de la densidad de los datos en cada uno de los puntos de la variable empleando una función de kernel gaussiano. En las versiones actuales de Seaborn no se puede cambiar el kernel, pero sí que es posible cambiar el ancho de banda mediante el parámetro bw_adjust. Lo que se muestra en el siguiente ejemplo
# Crear un gráfico de densidad con ancho de banda personalizados sns.kdeplot(data=tips_data, x='total_bill', bw_adjust=0.3) # Mostrar el gráfico plt.show()
Por defecto el valor del parámetro es 1. Aumentar el valor produce gráficas más suaves. Mientras que reducirlo, como en el ejemplo anterior, produce curvas más pronunciadas.
Diagramas de caja
Finalmente, los diagramas de caja, o boxplots, permiten mostrar la distribución de una variable en función de categorías. Seaborn dispone de la función boxplot() para crear diagramas de caja. En este caso es además de los parámetros usados en los casos anteriores es necesario indicar también la variable por la que se dividen los datos, lo que se hace mediante la propiedad y. Por ejemplo, el siguiente código crea un diagrama de caja para la columna “total_bill” agrupada por la columna “day”.
# Crear un diagrama de caja de "total_bill" agrupado por "day" sns.boxplot(data=tips_data, x='day', y='total_bill') # Mostrar el gráfico plt.show()
En Seaborn, es posible combinar los histogramas o gráficos de densidad con los Boxplot para crear gráficas que pueden ser interesantes.
Conclusiones
La visualización de la distribución de los datos es clave para comprender la forma y naturaleza de estos. Además de permitir extraer información valiosa. Las funciones para la visualización de las distribuciones de datos con Seaborn que se han visto en esta entrada permite realizar estas tareas de forma rápida y sencilla.
Deja una respuesta