Visualización de Datos Profesional con Python: Matplotlib, Seaborn y Plotly

La visualización de datos es esencial para comunicar hallazgos de manera efectiva. En este tutorial, exploraremos las principales bibliotecas de Python para crear gráficos impactantes:

• Matplotlib: Para visualizaciones básicas y personalizables.
• Seaborn: Para análisis estadístico visual.
• Plotly: Para gráficos interactivos y dashboards.

Usaremos un dataset real de ventas de una tienda online con registros diarios durante 30 días.

---

1. Gráficos Básicos con Matplotlib

Instalación

pip install matplotlib pandas

Ejemplos Prácticos

Gráfico de Líneas (Tendencia de Ventas)

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('ventas.csv')

plt.plot(df['fecha'], df['ventas_totales'])
plt.xlabel('Fecha')
plt.ylabel('Ventas Totales')
plt.title('Ventas Diarias')
plt.grid(True)
plt.show()

Gráfico de Barras (Ventas por Producto)

plt.bar(df['producto'], df['ventas_producto'])
plt.xlabel('Producto')
plt.ylabel('Ventas')
plt.title('Ventas por Producto')
plt.xticks(rotation=45)
plt.show()

Scatter Plot (Relación Fecha vs Ventas)

plt.scatter(df['fecha'], df['ventas_totales'])
plt.xlabel('Fecha')
plt.ylabel('Ventas')
plt.title('Distribución de Ventas')
plt.show()

---

2. Personalización Avanzada en Matplotlib

Colores, Estilos y Anotaciones

plt.style.use('ggplot')  # Estilo predeterminado

plt.plot(df['fecha'], df['ventas_totales'], color='purple', linestyle='--', marker='o')
plt.xlabel('Fecha', fontsize=12)
plt.ylabel('Ventas', fontsize=12)
plt.title('Ventas con Estilo Personalizado', fontweight='bold')

# Añadir anotaciones
max_venta = df['ventas_totales'].max()
fecha_max = df.loc[df['ventas_totales'] == max_venta, 'fecha'].values[0]
plt.annotate(f'Máximo: {max_venta}', xy=(fecha_max, max_venta), xytext=(10, 10), 
             textcoords='offset points', arrowprops=dict(arrowstyle='->'))

plt.show()

---

3. Visualización Estadística con Seaborn

Instalación

pip install seaborn

Ejemplos Clave

Histograma y KDE (Distribución de Ventas)

import seaborn as sns

sns.histplot(df['ventas_totales'], kde=True, color='skyblue')
plt.xlabel('Ventas Totales')
plt.ylabel('Frecuencia')
plt.title('Distribución de Ventas')
plt.show()

Heatmap de Correlación

corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm', fmt=".2f")
plt.title('Matriz de Correlación')
plt.show()

Boxplot (Distribución por Categoría)

sns.boxplot(x='categoria', y='ventas_producto', data=df)
plt.title('Distribución de Ventas por Categoría')
plt.xticks(rotation=45)
plt.show()

---

4. Gráficos Interactivos con Plotly

Instalación

pip install plotly dash

Gráfico Interactivo de Series Temporales

import plotly.express as px

fig = px.line(df, x='fecha', y='ventas_totales', title='Ventas Diarias Interactivas')
fig.update_xaxes(title_text='Fecha')
fig.update_yaxes(title_text='Ventas Totales')
fig.show()

Dashboard Básico con Dash

from dash import Dash, dcc, html

app = Dash(__name__)

app.layout = html.Div([
    html.H1("Dashboard de Ventas"),
    dcc.Graph(figure=fig)
])

if __name__ == '__main__':
    app.run_server(debug=True)

---

5. Subplots y Layouts Avanzados

Varios Gráficos en una Figura

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# Gráfico 1: Barras
ax1.bar(df['producto'], df['ventas_producto'], color='orange')
ax1.set_title('Ventas por Producto')
ax1.tick_params(axis='x', rotation=45)

# Gráfico 2: Líneas
ax2.plot(df['fecha'], df['ventas_totales'], color='green')
ax2.set_title('Tendencia de Ventas')

plt.tight_layout()
plt.show()

---

6. Principios de Diseño en Visualización de Datos

✅ Teoría del Color

• Usa paletas coherentes (ej: viridis, plasma).
• Evita colores muy saturados.

✅ Storytelling con Datos

• Títulos claros y descriptivos.
• Anotaciones para resaltar insights.

✅ Accesibilidad

• Texto legible (tamaño y contraste).
• Alternativas para daltónicos.

---

Código Final Entregable

Puedes descargar un Jupyter Notebook completo con todos los ejemplos desde este enlace.

---

Conclusión

Con Matplotlib, Seaborn y Plotly, puedes crear visualizaciones desde simples hasta interactivas. Recuerda:

🔹 Sé claro en lo que comunicas.
🔹 Optimiza el diseño para tu audiencia.
🔹 Experimenta con diferentes gráficos.

¡Ahora es tu turno de crear visualizaciones impactantes! 🚀