• 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

Gráficos de contorno en Seaborn: Representación de distribuciones conjuntas y estimaciones de densidad

agosto 22, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Los gráficos de contorno permiten visualizar la distribución conjunta de dos variables. Facilitando estimar la densidad de los valores. Seaborn, una de las principales bibliotecas para la visualización de datos en Python, dispone de funciones con las que se pueden crear este tipo de gráficos de una forma sencilla. En esta entrada, se verá cómo crear gráficos de contorno en Seaborn.

Conjunto de datos de ejemplo

Para facilitar el seguimiento de los ejemplos, en esta entrada, se usará el conjunto de datos tips que se incluye en Seaborn. Como es habitual, para cargar el conjunto de datos solamente se tiene que importar Seaborn y llamar a la función load_dataset() con el nombre del conjunto de datos como parámetro.

import seaborn as sns

# Cargar datos del conjunto de datos tips
tips = sns.load_dataset("tips")

Visualizar distribuciones conjuntas

La función con la que se puede crear visualizaciones de la distribución conjunta de datos en Seaborn es jointplot(). Como es habitual, para crear el gráfico solamente se tiene que indicar las variables que se desean mostrar en en los ejes y el conjunto de datos. Para tips se puede crear un gráfico de contorno para visualizar la distribución de la factura total y las propinas.

import matplotlib.pyplot as plt

# Crear un gráfico para la distribución conjunta de "total_bill" y "tip"
sns.jointplot(x="total_bill", y="tip", data=tips)

# Mostrar el gráfico
plt.show()
Gráfico básico creado con la función jointplot() en la que se puede ver la distribución conjunta de los datos
Gráfico básico creado con la función jointplot() en la que se puede ver la distribución conjunta de los datos

En este ejemplo, la figura principal muestra una gráfica de dispersión con los puntos en la que se ve cada uno de los puntos. Cada uno de los ejes muestra además el histograma de la variable correspondiente. En el eje x se representa la variable “total_bill” y en el eje y se representa la variable “tip”.

Gráficos de contorno para distribuciones conjuntas

Los gráficos de contorno son útiles para visualizar la distribución conjunta de dos variables continuas. Estos gráficos también se crean mediante la función jointplot(), pero es necesario indicar que el tipo de gráfica sea "kde" mediante el parámetro kind. Con este único cambio se obtiene la siguiente figura.

Publicidad


# Crear un gráfico de contorno para la distribución conjunta de "total_bill" y "tip"
sns.jointplot(x="total_bill", y="tip", data=tips, kind="kde")

# Mostrar el gráfico
plt.show()
Gráfico básico de contorn en la que se puede ver la distribución conjunta de los datos
Gráfico básico de contorn en la que se puede ver la distribución conjunta de los datos

En este ejemplo, se emplea la función jointplot() y se especifica kind="kde" para crear un gráfico de contorno utilizando el estimador de densidad de kernel (KDE). A diferencia de la gráfica anterior en los ejes se ve la función de densidad, no el histograma. Mientras que la figura principal es un gráfico de contorno.

Estimaciones de densidad

En cada uno de los ejes de la gráfica anterior se muestra una gráfica de estimación de densidad kernel. Esta gráfica se puede usar para estimar la densidad para cada uno de los puntos del conjunto de datos. Si se desea consultar más detalles, Seaborn cuenta con la función kdeplot() para crearlas de forma independiente. Como se muestra en el siguiente caso para la factura total.

# Crear un gráfico para la estimación de densidad de "total_bill"
sns.kdeplot(tips['total_bill'])

# Mostrar el gráfico
plt.show()
Gráfico de densidad en la que se puede obtener una estimación de la densidad en cada punto
Gráfico de densidad en la que se puede obtener una estimación de la densidad en cada punto

Conclusiones

Los gráficos de contorno son una herramienta útil para visualizar la distribución conjunta de variables continuas y obtener estimaciones de densidad. Gráficos que se pueden crear faciliten en Seaborn.

¿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

  • Jupyter Notebooks en Visual Studio Code
    Jupyter Notebooks en Visual Studio Code
  • Creación de tablas resumen en Python con Sidetable
    Creación de tablas resumen en Python con Sidetable
  • Visualización de valores faltantes en el conjunto de datos planets
    Visualización de valores faltantes con Missingno
  • Visualización de datos en Python con Seaborn
    Visualización de datos en Python con Seaborn
  • Visualización de datos categóricos en Seaborn
    Visualización de datos categóricos en Seaborn
  • Introducción a Seaborn: Una visión general de la biblioteca
    Introducción a Seaborn: Una visión general de la biblioteca

Publicado en: Python Etiquetado como: 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

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python
  • La aplicación Auto Py to Exe Creación de un EXE desde un archivo Python en Windows publicado el mayo 16, 2022 | 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

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

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