Analytics Lane

Seaborn es una biblioteca para la visualización de datos en Python que cuenta con una gran variedad de tipos de gráficos predefinidos. Ofreciendo de esta forma una manera rápida y sencilla para crear representaciones de los datos. Algo que se potencia aún más con la capacidad que tiene para combinar diferentes tipos de gráficos en una sola figura, lo que permite crear gráficas … [Leer más...] acerca de Combinar diferentes tipos de gráficos en Seaborn

Los gráficos múltiples, también conocidos por su nombre en inglés subplots, son una forma efectiva para mostrar múltiples visualizaciones de datos en una misma figura. Permitiendo ver al mismo tiempo más de un tipo de dato o tendencia. La mayoría de las bibliotecas de visualización de datos incluye funciones y métodos para esto, lo que no es una excepción en el caso de Seaborn. … [Leer más...] acerca de Cómo crear gráficos múltiples en Seaborn

Los datos faltantes son un desafío a la hora de realizar casi cualquier análisis de datos. Si no se tiene en cuenta la falta de valores en algunos registros pueden aparecer sesgos en los resultados y una reducción de la precisión de los estadísticos. Lo que dificulta la interpretación de los resultados. Por eso es importante identificar la presencia de estos registros en los … [Leer más...] acerca de Trabajar con datos faltantes con Seaborn

El análisis de los residuos es una parte clave para evaluar la calidad del ajuste en los modelos de regresión. Permitiendo verificar si se cumplen las condiciones subyacentes de estos modelos. Seaborn, una de las principales bibliotecas para la visualización de datos en Python, cuenta con funciones para facilitar la creación de gráficos de residuos de una forma rápida y fácil. … [Leer más...] acerca de Creación de gráficos de residuos en Seaborn para análisis de regresión

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 … [Leer más...] acerca de Gráficos de contorno en Seaborn: Representación de distribuciones conjuntas y estimaciones de densidad

Los valores atípicos u outliers de un conjunto de datos son aquellos registros que se alejan de forma significativa de los demás puntos. Identificar estos valores es crucial para un correcto análisis de datos. No conocer ni comprender los outliers de un conjunto de datos puede llevar a conclusiones erróneas durante los análisis de datos, ya que su presencia afecta a los … [Leer más...] acerca de Análisis de outliers en Seaborn: Cómo identificar y visualizar valores atípicos

Las gráficas de Seaborn cuentan por defecto con un estilo visual legible y elegante. Aunque puede que no se adapte a las necesidades específicas de algunos usuarios. Por eso es posible personalizar los estilos de visualización en Seaborn para que las gráficas se adapten a las necesidades y preferencias de cada usuario. En esta entrada, se verá cómo aplicar los estilos … [Leer más...] acerca de Aplicación de estilos de visualización en Seaborn

La creación de gráficos animados permite mostrar los cambios de tendencia que se observan a lo largo de tiempo en los conjuntos de datos. Mostrando una gráfica diferente cada poco segundo. Los gráficos de Seaborn se pueden combinar con las funciones de Matplotlib para crear gráficos animados, algo que es posible dado que Seaborn está creada sobre la base de Matplotlib. En esta … [Leer más...] acerca de Creación de gráficos animados con Seaborn y Matplotlib

Las matrices son una forma habitual de representar las relaciones y patrones existentes dentro de los conjuntos de datos. Como puede ser el caso de las matrices de correlación, matrices de confusión o tablas pivote (pivot table). Por un lado, las matrices de correlación muestran la correlación que existe entre pares de datos. Las matrices de confusión se utilizan comúnmente en … [Leer más...] acerca de Visualización de matrices en Seaborn: Mapas de calor y dendrogramas

Al trabajar con conjuntos de datos que contiene múltiples variables es clave ser capaz de visualizar las relaciones que existen entre estas. Para comprender, así cómo se relacionan las variables entre sí. Seaborn, una de las principales bibliotecas de visualización de datos en Python, dispone de varias funciones para trabajar con datos multidimensionales. En esta entrada, se … [Leer más...] acerca de Trabajando con datos multidimensionales en Seaborn: gráficos de pares y los gráficos de factores

Los datos categóricos también se pueden visualizar mediante gráficos de Seaborn. Algo que es especialmente útil cuando se desea explorar y mostrar los patrones y relaciones que existen entre las variables categóricas de un conjunto de datos. En esta entrada se mostrará algunas de las gráficas que existen para la creación de visualizaciones de datos categóricos en … [Leer más...] acerca de Visualización de datos categóricos en Seaborn

Una de las mejores herramientas para visualizar las relaciones existentes entre múltiples variables son los gráficos de correlación. Gráficos con los que se puede analizar más fácilmente la relaciones. Seaborn, una de las principales bibliotecas de visualización de datos en Python, cuenta con dos funciones mediante las cuales se puede construir estos tipos de gráficos: mapas de … [Leer más...] acerca de Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares