Diagramas de dispersión y gráficos de regresión con Seaborn: Visualización de relaciones entre variables numéricas

La visualización de las relaciones existentes entre las variables numéricas de un conjunto de datos es clave para poder comprender los patrones y tendencias existentes. Seaborn, una biblioteca de visualización de datos en Python, ofrece varias funciones para representar estas relaciones. En esta entrada, se mostrará cómo se pueden crear diagramas de dispersión y gráficos de regresión con Seaborn para visualizar las relaciones entre las variables numéricas. Mostrando cómo estas herramientas pueden ayudar a identificar patrones y evaluar la presencia de una relación lineal entre las variables.

Carga de los datos

Antes de poder crear diagramas de dispersión o gráficos de regresión con Seaborn es necesario disponer de un conjunto de datos cargado en Python. Para facilitar el seguimiento de los ejemplos, en esta entrada, se van a usar el popular conjunto de datos de iris que se encuentra dentro de Seaborn. Así para cargar este conjunto de datos en la variable iris se puede ejecutar el siguiente código.

import seaborn as sns

# Cargar los datos
iris = sns.load_dataset("iris")

# Imprimir los primeros registros del conjunto de datos
print(iris.head())

   sepal_length  sepal_width  petal_length  petal_width species
0           5.1          3.5           1.4          0.2  setosa
1           4.9          3.0           1.4          0.2  setosa
2           4.7          3.2           1.3          0.2  setosa
3           4.6          3.1           1.5          0.2  setosa
4           5.0          3.6           1.4          0.2  setosa

Crear un diagrama de dispersión con Seaborn

Los diagramas de dispersión son una de las formas más efectivas para visualizar la relación entre dos variables numéricas. En estos diagramas, cada punto representa un registro del conjunto de datos, y la posición en gráfico se determina por los valores de cada una de las variables. La función para crear estos gráficos en Seaborn scatterplot(). Al ser un gráfico bidimensional la función necesita tres parámetros: los datos, indicados mediante la propiedad data, el nombre de la variable que se mostrará en el eje x, indicada mediante la propiedad x, y el nombre de la variable que se mostrará en el eje y, lo cual se indica mediante el parámetro y. La forma habitual de trabajar en Seaborn.

En el siguiente ejemplo se muestra cómo se puede crear una gráfica en la que se muestra la longitud de pétalo frente al ancho del pétalo en los datos de irir

import matplotlib.pyplot as plt

# Crear un gráfico de dispersión de petal_length vs. petal_width
sns.scatterplot(data=iris, x="petal_length", y="petal_width")

# Mostrar el gráfico
plt.show()

En la gráfica se puede ver que existe una relación entre ambas variables, a mayor valor de la longitud mayor valor del ancho del pétalo.

Seaborn ofrece muchas opciones de personalización para adaptar los diagramas de dispersión a las necesidades de cada usuario. Veamos algunos ejemplos.

Cambiar el tamaño y el color de los puntos

Es posible ajustar el tamaño y el color de los puntos en el diagrama de dispersión utilizando respectivamente los parámetros s y color de la función scatterplot(). Por ejemplo, se puede aumentar el tamaño de los puntos y cambiar el color a rojo.

# Cambiar el tamaño y el color de los puntos
sns.scatterplot(data=iris, x="petal_length", y="petal_width", s=50, color="red")

# Mostrar el gráfico
plt.show()

Agregar grupos y colores por categoría

Es posible agregar un color a cada uno de los puntos en base a una categoría. Para ello se debe usar el parámetro hue al que se le debe indicar el nombre de este parámetro. Así los datos se mostrarán en diferente colores, lo que puede facilitar la comprensión de los mismos. Por ejemplo, se puede agregar la especie a la gráfica anterior para ver cómo se distribuyen los datos en base a esta. Figura que se crea en el siguiente código.

# Agregar grupos y colores por categoría
sns.scatterplot(data=iris, x="petal_length", y="petal_width", hue="species")

# Mostrar el gráfico
plt.show()

En donde simplemente se ha asignado el nombre de la columna a la propiedad hue.

Añadir título al gráfico

Una opción bastante habitual es la inclusión de títulos y etiquetes en los ejes de los gráficos. Algo que se puede hacer con los métodos set_title(), set_xlabel() y set_ylabel() del objeto que devuelve la función scatterplot(). Algo que se puede hacer tal como se muestra en el siguiente código.

# Crear un gráfico de dispersión de petal_length vs. petal_width
ax = sns.scatterplot(data=iris, x="petal_length", y="petal_width")

# Añadir título y etiquetas al gráfico
ax.set_title("Diagrama de dispersión de longitud del pétalo vs. ancho del pétalo")
ax.set_xlabel("Longitud del pétalo (cm)")
ax.set_ylabel("Ancho del pétalo (cm)")

# Mostrar el gráfico
plt.show()

Gráficos de regresión

Además de los diagramas de dispersión también se pueden utilizar gráficos de regresión para analizar la relación entre dos variables numéricas y visualizar una posible tendencia lineal. Un gráfico de regresión, además de los puntos del diagrama de dispersión, muestra una línea de regresión que representa el mejor ajuste lineal entre las variables. En Seaborn existe una la función regplot() que combina un diagrama de dispersión con un gráfico de regresión. Haciendo más sencillo crear estos gráficos, no es necesario crear un modelo de regresión lineal por separado. Así, para crear un gráfico de regresión, solamente se debe reemplazar la función scatterplot() por regplot(). Como se muestra a continuación.

# Crear un gráfico de regresión para las variables "petal_length" y "petal_width"
sns.regplot(data=iris, x="petal_length", y="petal_width")

# Mostrar el gráfico de regresión
plt.show()

Además de la línea de regresión, el gráfico de regresión muestra el intervalo de confianza alrededor de la línea. Lo que nos permite evaluar la incertidumbre en la estimación.

Conclusión

Mediante los diagramas de dispersión y gráficos de regresión es posible visualizar las relaciones existentes entre variables numéricas. Los diagramas de dispersión nos permiten identificar patrones generales, mientras que los gráficos de regresión nos proporcionan una estimación lineal y un intervalo de confianza. En Seaborn existen dos funciones con las que se pueden crear estos gráficos: scatterplot() y regplot(). La primera para los diagramas de dispersión y la segunda para los gráficos de regresión. Esta última es especialmente interesante, ya que se encarga de calcular la regresión lineal entre los datos, el intervalo de confianza y mostrarlo en la gráfica. Sin necesidad realizar la regresión por separado. Lo que hace extremadamente sencillo crear gráficos de regresión con Seaborn.