Explora Seaborn mediante un único Jupyter Notebook práctico que recorre las principales familias de gráficos de la biblioteca. Con el conjunto Iris y datos matriciales generados, compararás Seaborn con Matplotlib, aplicarás estilos incorporados y crearás visualizaciones relacionales, categóricas, de distribución, regresión y matrices.
Se trata de un recorrido amplio por la API, no de una secuencia lenta de varios laboratorios. El notebook muestra cómo las funciones de alto nivel asignan columnas a posición, color y estilo de marcador, y explica la relación de las interfaces a nivel de figura y ejes con Matplotlib.
Lo que aprenderás
- Aplicar temas, contextos, estilos y paletas de Seaborn a gráficos de Matplotlib
- Cargar Iris y representar categorías con
hueystyle - Crear vistas relacionales con
relplot,scatterplotylineplot - Comparar distribuciones categóricas con gráficos strip, swarm, box, violin, boxen, point, bar y count
- Examinar distribuciones univariantes y bivariantes con KDE, gráficos conjuntos y de pares
- Añadir relaciones ajustadas con
regplotylmplot - Visualizar matrices mediante mapas de calor simples y agrupados
- Distinguir funciones a nivel de figura de funciones a nivel de ejes integradas con Matplotlib
A quién va dirigido este curso
Este curso es para usuarios de Python que desean un panorama compacto del vocabulario gráfico de Seaborn para explorar datos. Resulta más adecuado para quienes pueden leer código de notebooks y datos tabulares básicos. Al concentrar muchas APIs en un notebook, funciona mejor como exploración guiada que como primera introducción a Python o estadística.
Requisitos previos: Se recomiendan fundamentos de Python y Jupyter Notebook, además de variables, llamadas a funciones y datos tabulares. Conocer algo de Matplotlib ayuda, pero no es obligatorio.
Entorno de aprendizaje: Se proporciona un entorno Jupyter Ubuntu 22.04 con un notebook preparado. Ejecutarás y modificarás celdas para instalar o importar bibliotecas, cargar datos y renderizar gráficos en línea.
Preguntas frecuentes
¿Es un curso completo con varios laboratorios?
No. Es un laboratorio para principiantes basado en un notebook amplio. Recorre muchas familias de gráficos, pero no contiene retos separados ni proyecto final.
¿Qué datos utilizaré?
La mayoría de los ejemplos usa Iris para comparar medidas y especies de flores. Los mapas de calor también emplean una matriz generada con NumPy.
¿Enseña teoría estadística?
No. Demuestra distribuciones, ajustes de regresión y mapas de calor agrupados, pero no enseña la teoría estadística o de agrupamiento necesaria para interpretarlos en profundidad.
¿Todos los ejemplos usan la API más reciente?
No del todo. El notebook incluye la antigua API distplot junto con kdeplot, jointplot y pairplot. Úsalo como panorama conceptual y consulta la documentación actual al adaptar ese ejemplo.
