Seaborn – visualización estadística

¿Qué es Seaborn y para qué sirve?

Seaborn es una potente biblioteca de visualización de datos para Python, construida sobre Matplotlib. Proporciona una interfaz de alto nivel para crear gráficos estadísticos hermosos e informativos. La biblioteca fue diseñada para simplificar el proceso de creación de visualizaciones que se utilizan a menudo en el análisis de datos y el machine learning.

Principales ventajas de Seaborn:

Creación automática de gráficos elegantes con una cantidad mínima de código Excelente integración con pandas DataFrame Funciones integradas para visualización estadística Facilidad para trabajar con datos categóricos y numéricos Cálculo y visualización automáticos de indicadores estadísticos Soporte de paletas de colores modernas y estilos de diseño

Historia y desarrollo de la biblioteca

Seaborn fue creado por Michael Waskom en 2012 como un complemento de Matplotlib. El nombre de la biblioteca proviene de la serie de televisión "El Ala Oeste", donde uno de los personajes llevaba el apellido Seaborn. La biblioteca se desarrolla activamente y se actualiza regularmente, añadiendo nuevas funciones y mejorando las capacidades existentes.

Instalación y configuración de Seaborn

Instalación mediante pip

pip install seaborn

Instalación mediante conda

conda install seaborn

Importación en el código

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

Verificación de la versión

print(sns.__version__)

Principales diferencias entre Seaborn y Matplotlib

Arquitectura y principios de funcionamiento

Seaborn utiliza la "gramática de los gráficos" — un concepto donde la visualización se construye a partir de componentes individuales: datos, elementos estéticos, objetos geométricos y transformaciones estadísticas. Esto permite crear visualizaciones complejas combinando elementos simples.

Trabajo con datos en Seaborn

Conjuntos de datos integrados

Seaborn incluye numerosos datasets listos para estudiar y experimentar:

# Carga de un dataset popular
df = sns.load_dataset("tips")
print(df.head())

# Visualización de todos los datasets disponibles
print(sns.get_dataset_names())

Preparación de datos

# Ejemplo de creación de un dataset propio
import numpy as np
import pandas as pd

data = {
    'x': np.random.randn(100),
    'y': np.random.randn(100),
    'category': np.random.choice(['A', 'B', 'C'], 100)
}
df = pd.DataFrame(data)

Tipos principales de gráficos en Seaborn

Visualización de distribuciones

Histogramas y distribuciones

# Forma moderna de crear un histograma
sns.histplot(df["total_bill"], bins=20, kde=True)
plt.title("Distribución del total de la cuenta")
plt.show()

# Gráfico de densidad
sns.kdeplot(df["total_bill"], shade=True)
plt.show()

Función de distribución empírica