Estableciendo relaciones: gráficos de puntos
Contenido del curso
Josue Gonzalez
Rodolfo Barillas
Rodolfo Barillas
Jeinfferson Bernal G
Ruddy Ramos
María Requenes Ramos
sebastián Giraldo Vargas
Carlos Mazzaroli
Jeinfferson Bernal G
Alfonso Andres Zapata Guzman
Alfonso Andres Zapata Guzman
Alfonso Andres Zapata Guzman
Mateo Albornoz
Darrien Sequera
FELIX DAVID CORDOVA GARCIA
Jeinfferson Bernal G
Astin severino
Fernando Jesús Núñez Valdez
Fernando Jesús Núñez Valdez
Jonathan Quiros Barquero
kevin cordoba
Pável Hernández Reza
Cristhian Nieto
Mauro Benito Montoya Arenas
Paolo Joaquin Pinto Perez
Antonio Demarco Bonino
Daniel de Jesús Martínez Vega
Luis Orna
Andres Martin
Gabriel Obregón
Podemos ver mejor el patron que existe en la primera grafica, (bill_depth_mm y bill_length_mm): segmentandolo por especie:
data=processed_penguins_df, x='bill_length_mm', y='bill_depth_mm',
sns.jointplot( data=processed_penguins_df, x='bill_length_mm', y='bill_depth_mm', palette=penguin_color, hue='species' )
Tambièn con jointplot nos dice más sobre la distribución por tipo de pinguino
Estableciendo Relaciones: Graficos de puntos
Las relaciones entre dos variables puede analizarse mediante un grafico de puntos o scatterplot. Nos da una idea de la tendencia o agrupamiento de los datos. Algunas sugerencias para construir un scatterplot son:
!
!
Gracias por el aporte.
Gracias..!
Aquí podemos ver la relación entre la masa del pingüino y la longitud de las alas:
Por otro lado. Las mismas variables pero esta vez con la isla:
para comprobar esto decidí hacer un histplot:
Me gusto mucho tu análisis! Ya que usaste los ejemplos la clase y también diste un análisis a los estadísticos que se ven. Toma un sanguchito por tu aporte
Código de los gráficos
sns.scatterplot( data=dataFrame, x='nombre_variable1', y='nombre_variable2', alpha = 1/2, #transparencia s=100 #tamaño de los puntos )
sns.displot( data= preprocessed_penguins_df, x='bill_length_mm', y='bill_depth_mm', rug=True #muestra una linea de distribucion para cada variable )
sns.displot( data= preprocessed_penguins_df, x='bill_length_mm', y='bill_depth_mm', rug=True, #muestra una linea de distribucion para cada variable, kind='kde' )
#multiples graficos #scatterplot + histograma sns.jointplot( data= preprocessed_penguins_df, x= 'bill_length_mm', y= 'bill_depth_mm', )
fig1 = px.scatter(processed_penguins_df, x='bill_length_mm', y='bill_depth_mm', hover_data=['sex'], color='species', color_discrete_map=penguin_color, marginal_x='box', marginal_y='box', opacity=0.5, trendline='ols') fig1.update_traces(marker_size=12) fig1.show()
fig = px.density_heatmap(processed_penguins_df, x="bill_length_mm", y='bill_depth_mm', color_continuous_scale="Portland", facet_row="sex", facet_col="species",) #text_auto=True) fig.show()
Agregue un parametro stryle para hacer una diferencia entre sexo. Los machos estan “corridos” hacia la izquierda y arriba. Algo esperado, creo, porque en la mayoria de especies animales se da que los machos sean mas grandes que las hembras.
<code> sns.scatterplot( data = process_penguins_df, x = 'bill_length_mm', y = 'bill_depth_mm', style='sex', hue= 'species', palette=penguin_color, s = 100 )
Excelente aporte. Gracias!.
Para que cada uno de estos gráficos se vea mejor pueden agregar dentro de cada uno de estos el parámetro hu="species" como en la figura que se muestra a contnuación:
Interesante aporte! Gracias
Aqui nos muestra la relacion que existe entre body mass y flipper length, con una segmentacion por islas.
code
sns.jointplot( data= procesdf, x= 'body_mass_g', y= 'flipper_length_mm', hue= 'island', # rug= True );
Estaba tratando de relacionar el body_mass_g con el sex de los pingüinos . Mi teoría es que los male tienen un body_mass_g mayor al de las female. Estas son las gráficas que obtuve, aunque creo que hay mejores formas de hacer este tipo de gráficas.
sns.jointplot( data=process_penguins_df, x='body_mass_g', y='species', hue='sex' )
sns.displot( data=process_penguins_df, x='body_mass_g', y='sex' )
sns.jointplot( data=process_penguins_df, x='bill_length_mm', y='bill_depth_mm', hue='sex' )
Y pues según estas gráficas podemos concluir que los pingüinos macho en general tienen mas masa corporal que las hembras.
son 3 distribuciones, una por cada especia
Para los nuevos que están experimentando errores con el parámetro rug es porque éste se removió del método histplot() de Seaborn. En su lugar, grafiquen por encima del histograma de la siguiente forma:
sns.histplot( data= pg, x= 'bill_length_mm', y= 'bill_depth_mm')
sns.rugplot( data= pg, x= 'bill_length_mm', y= 'bill_depth_mm')
No habia entendido la utilidad del parametro alpha hasta ahora. Buena clase.
sns.scatterplot( data=processed_penguins_df, x='bill_length_mm', y='bill_depth_mm', alpha=1/2, s=100 )
Para ver datos acumulados
sns.displot( data=processed_penguins_df, x='bill_length_mm', y='bill_depth_mm', rug=True, kind='kde' // para ver densidades )
Combinacion de varios graficos
sns.jointplot( data=processed_penguins_df, x='bill_length_mm', y='bill_depth_mm',
Prueben a todas las gráficas de esta clase agregar el siguiente parámetro:
hue='species'
Sin dudas que les va a dar una visión mucho más enriquecida.
Si primero dividimos por especie obtenemos grupos por pares de variables que nos hacen más faćil separar machos y hembras
Claramente se observa que a medida que aumenta el ingreso (median_income) es mas probable que el valor de la casa (median_house_value) sea mayor.
encotnre que los machos tienen los picos mas grandes que las hembras no improta la especie
ANÁLISIS BIVARIADO: INTRODUCCIÓN AL GRÁFICO DE PUNTOS
¿Qué es un gráfico de puntos?
Un gráfico de puntos (o scatter plot) nos permite visualizar la relación entre dos variables al representarlas en un plano cartesiano. Cada punto del gráfico corresponde a una combinación de valores de estas dos variables.
Ventajas del gráfico de puntos
Desafíos con gráficos de puntos
MEJORA DEL GRÁFICO DE PUNTOS: TRANSPARENCIA
Ajuste del parámetro "alfa"
Beneficio de la transparencia
USO DE HISTOGRAMAS EN DOS DIMENSIONES
Extensión del análisis univariado
Ejemplo
Interpretación con colores
