Introducción: Matplotlib, una biblioteca de Python
Cuando presentamos resultados, además de los números, podemos utilizar otros elementos para transmitir mejor el mensaje. Una excelente forma de presentar datos es mediante gráficos, y para ello, una biblioteca muy popular en Python es Matplotlib.
Cuando analizamos datos, es común manejar y observar muchos números: cifras de ventas, accesos, tasas de retorno, entre otros. Estos datos pueden analizarse de diversas maneras, desde herramientas como Excel o Google Sheets, hasta lenguajes de programación como Python o R, que permiten estructurar y manipular la información en listas, vectores, data frames, entre otros formatos.
Por ejemplo, al analizar los datos de ventas de una tienda de productos electrónicos durante un semestre, encontré la siguiente tabla:
Enero - 105,235
Febrero - 107,697
Marzo - 110,256
Abril - 109,236
Mayo - 107,589
Junio - 106,986
Esta tabla muestra las ventas semestrales, pero ¿qué indican exactamente estos números? ¿Hubo un aumento en las ventas? ¿Están disminuyendo? No es fácil interpretar estos datos directamente. ¿Cómo podemos hacerlos más comprensibles?
Una imagen vale más que mil palabras
Analizar datos directamente desde una tabla puede ser tedioso, ya que requiere revisar fila por fila y valor por valor. Aunque los números son esenciales para un análisis preciso, al presentar resultados, los gráficos son una herramienta poderosa para transmitir información de manera más clara y efectiva.
Por ejemplo, para visualizar las ventas semestrales, podríamos crear un gráfico que muestre la evolución mensual de las ventas. Pero, ¿cómo lo hacemos?
Conociendo la biblioteca Matplotlib
En Python, Matplotlib es una biblioteca muy conocida para crear gráficos. Para comenzar a usarla, primero debemos instalarla ejecutando:
pip install matplotlib
Una vez instalada, importamos la biblioteca en nuestro código:
import matplotlib.pyplot
Para crear un gráfico basado en nuestra tabla de ventas, primero definimos dos listas: una para los meses y otra para los valores de ventas.
meses = ['Enero', 'Febrero', 'Marzo', 'Abril', 'Mayo', 'Junio']
valores = [105235, 107697, 110256, 109236, 107589, 106986]
Luego, indicamos a Matplotlib que plotee el gráfico:
matplotlib.plot (meses, valores)
El gráfico generado será de líneas, con los meses en el eje X y los valores en el eje Y. Ahora podemos ver más claramente cómo evolucionaron las ventas en el semestre.
Ajustando y personalizando gráficos
Aunque el gráfico básico nos da una idea general, puede resultar confuso. Por ejemplo, si los valores en el eje Y son muy cercanos entre sí, las variaciones pueden parecer más drásticas de lo que realmente son. Para evitar esto, podemos ajustar los límites del eje Y con ylim():
matplotlib.pyplot.ylim(100000, 120000)
Además, para hacer el gráfico más informativo, podemos añadir un título y etiquetas a los ejes:
matplotlib.pyplot.title('Faturación del primer semestre de 2017')
matplotlib.pyplot.xlabel('Meses')
matplotlib.pyplot.ylabel('Faturación en $')
Ahora, el gráfico será más descriptivo y fácil de interpretar, incluso para quienes no estén familiarizados con los datos.
Más allá del gráfico de líneas
Matplotlib no solo crea gráficos de líneas. También podemos generar gráficos de barras, de pastel, de dispersión, y más. Además, permite personalizar colores, estilos de línea, tamaños de fuente, entre muchas otras opciones.
La visualización de datos es una tarea clave para cualquier científico de datos. Nos permite comprender mejor la información y comunicar nuestros hallazgos de manera efectiva.
Para saber más
Cuando importamos el módulo pyplot de la manera estándar, debemos escribir el nombre completo matplotlib.pyplot cada vez que usamos alguna de sus funciones, lo cual puede resultar un poco largo. Una práctica común es asignar un alias al módulo para simplificar su uso. Por ejemplo, podemos apodarlo como plt al importarlo:
import matplotlib.pyplot as plt
De esta forma, cada vez que necesitemos llamar una función del módulo, podemos usar el alias:
plt.plot
Cursos recomendados en Alura
En Alura, contamos con un curso de Data Visualization donde aprenderás a elegir el mejor tipo de gráfico según cada situación, a construir gráficos con esquemas de colores que faciliten la lectura, y a realizar diversas personalizaciones para que tus gráficos sean más efectivos.
¡Explora nuestros cursos y lleva tus habilidades de visualización de datos al siguiente nivel!
Yuri Matheus
Yuri es desarrollador e instructor. Es estudiante de Sistemas de Información en la FIAP y se formó como Técnico en Computación en el Senac SP. Se centra en las plataformas Java y Python y otras áreas como la arquitectura de software y el aprendizaje automático. Yuri también trabaja como editor de contenidos en el blog de Alura, donde escribe principalmente sobre redes, Docker, Linux, Java y Python.
