• 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
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • 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
  • Excel
  • IA Generativa

Visualización de datos con Pyjanitor y Matplotlib o Seaborn: Potenciando el análisis visual

abril 29, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

La visualización de datos es una parte clave del análisis de datos y comunicación de los resultados. Facilitando la comprensión de patrones, identificación de tendencias y comunicación de hallazgos de una manera más sencilla y efectiva que solamente estadísticas. En esta cuarta y última entrega la serie dedicada a Pyjanitor se explicará cómo se puede combinar con bibliotecas como Matplotlib y Seaborn para mejorar los análisis visuales. Analizando las posibilidades de integración para la visualización de datos con Pyjanitor y Matplotlib o Seaborn.

En esta entrada es parte de una serie sobre la biblioteca Pyjanitor, el resto de las publicaciones son:

  1. Introducción a Pyjanitor
  2. Limpieza de datos con Pyjanitor
  3. Transformación de datos con Pyjanitor
  4. Visualización de datos con Pyjanitor y Matplotlib o Seaborn

Importación de datos de ejemplo

Antes de comenzar con los ejemplos de visualización de datos con Pyjanitor y Matplotlib o Seaborn es necesario cargar un conjunto de datos. En este caso se usar el conjunto de datos “planets” de Seaborn. Este conjunto es una compilación de información sobre el descubrimiento de exoplanetas fuera de nuestro sistema solar. Incluyendo detalles sobre los métodos de descubrimiento, el año de descubrimiento, el período orbital, la masa, el radio y la confirmación de detección de cada exoplaneta. Para importar este conjunto de datos solamente se debe importar Seaborn y llamar a la función load_dataset() como se muestra en el siguiente código.

Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
En Analytics Lane
Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane

import seaborn as sns

# Cargar el conjunto de datos "planets" de Seaborn
planets = sns.load_dataset("planets")

# Visualizar los primeros registros del conjunto de datos
print(planets.head())
            method  number  orbital_period   mass  distance  year
0 Radial Velocity 1 269.300 7.10 77.40 2006
1 Radial Velocity 1 874.774 2.21 56.95 2008
2 Radial Velocity 1 763.000 2.60 19.84 2011
3 Radial Velocity 1 326.030 19.40 110.62 2007
4 Radial Velocity 1 516.220 10.50 119.47 2009

Una vez hecho esto se puede usar Pyjanitor para resumir datos con los que crear gráficas que pueden aportar información de interés.

Publicidad


Número de descubrimientos de planetas por año

Un dato que puede ser de interés en esta gráfica es cómo ha evolucionado el descubrimiento de exoplanetas con el tiempo. Resultado que requiere un análisis inicial que se puede realizar fácilmente con Pyjanitor. Para ello se puede usar el método groupby() para agrupar la información por contabilizar el número de descubrimientos con size(). Una vez realizado el análisis, se puede usar Seaborn para visualizar el número de descubrimientos de planetas por año en un gráfico de barras.

import matplotlib.pyplot as plt
import janitor

# Contar el número de planetas descubiertos por año
planet_discoveries_per_year = (
    planets
    .groupby('year')
    .size()
    .reset_index(name='num_discoveries')
)

# Crear un gráfico de barras para visualizar el número de descubrimientos de planetas por año
plt.figure(figsize=(10, 6))
sns.barplot(data=planet_discoveries_per_year, x='year', y='num_discoveries', color='skyblue')
plt.xlabel('Año')
plt.ylabel('Número de Descubrimientos de Planetas')
plt.title('Número de Descubrimientos de Planetas por Año')
plt.xticks(rotation=45)
plt.grid(True, axis='y')
plt.show()
Gráfico de barras con la visualización del número de descubrimientos de planetas por año
Número de descubrimientos de planetas por año

Obteniendo como resultado una gráfica que permite comprender cómo ha evolucionado el descubrimiento de exoplanetas a lo largo del tiempo.

Evolución de descubrimientos de planetas por año según el método de detección

Otro aspecto interesante del conjunto de datos “planets” es la diversidad de métodos utilizados para descubrir exoplanetas. Los métodos de Pyjanitor permiten investigar cómo ha evolucionado la detección de exoplanetas a lo largo de los años en función del método de detección. Lo que se consigue contando el número de descubrimientos de planetas por año y método de detección.

# Contar el número de descubrimientos de planetas por año y método de detección utilizando Pyjanitor
discoveries_per_year_method = (
    planets
    .groupby(['year', 'method'])
    .size()
    .reset_index(name='num_discoveries')
)

Una vez que se tienen agrupados los datos por año y método de detección, es posible visualizar la evolución de los descubrimientos de exoplanetas a lo largo del tiempo mediante un gráfico de líneas o un gráfico de barras apiladas. A continuación, se muestra cómo crear un gráfico de líneas con los datos.

# Crear un gráfico de líneas para visualizar la evolución de los descubrimientos por método de detección
plt.figure(figsize=(12, 8))
sns.lineplot(data=discoveries_per_year_method, x='year', y='num_discoveries', hue='method', marker='o')
plt.xlabel('Año')
plt.ylabel('Número de Descubrimientos de Planetas')
plt.title('Evolución de Descubrimientos de Planetas por Año según el Método de Detección')
plt.xticks(rotation=45)
plt.legend(title='Método de Detección')
plt.grid(True)
plt.show()
Gráfica de líneas con los descubrimientos de planetas por año según el método de detección
Evolución de los descubrimientos de planetas por año según el método de detección

Este gráfico proporciona una visión general de cómo ha evolucionado la detección de exoplanetas a lo largo de los años. Mostrando cuando aparece cada método y como aumenta la aportación de cada uno con el tiempo. Lo primero que se puede ver es que las mayores aportaciones han sido por los métodos de “Radial Velocity” y “Transit”.

Publicidad


Conclusiones

En esta última entrada, se han visto algunas de las opciones que existen para la visualización de datos con Pyjanitor y Matplotlib o Seaborn. Para lo que se ha usado el conjunto de datos “planets” de Seaborn. Pyjanitor permite realizar análisis complejos que posteriormente se pueden usar para dibujar gráficos con Matplotlib o Seaborn que ayudan a comprender mejor los patrones de datos.

Imagen de Ryan McGuire en Pixabay

¿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

  • Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
  • Análisis de Redes con Python
  • Nuevo calendario de publicaciones: más calidad, mejor ritmo
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Publicaciones de verano 2025: los trucos más populares, ahora en vídeo
  • Cómo enviar correos desde PowerShell utilizando Brevo: Guía paso a paso para automatizar tus notificaciones
  • Nueva herramienta disponible: Calculadora del Método D’Hondt para la atribución de escaños
  • Cómo enviar correos desde Python utilizando Brevo: Automatiza tus notificaciones con scripts eficientes

Publicado en: Python Etiquetado como: Matplotlib, Pandas, Pyjanitor, 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.

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

¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas

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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto