Seaborn

Resumen

Seaborn es una librería construida sobre Matplotlib, por lo que hereda todas las bondades de la misma. Fue escrita por Michael Waskom y está integrada para estructuras de Pandas por lo que está optimizada para funcionar con DataFrames.

Cuáles son las ventajas de Seaborn

Seaborn tiene diferentes ventajas y entre ellas encuentras principalmente:

Tiene una gran velocidad
Facilidad para escribir código
Altamente customizable entre gráficas y visualizaciones

Cuál es la estructura Básica de Seaborn

sns.'Tipo de Grafica'(
		 data='Dataset',
		 x='Data en el eje x',
		 y='Data en el eje y',
		 hue='Variable de agrupamiento')

Tipos de Gráficas que tiene Seaborn

Seaborn ofrece ciertas características principales para problemas específicos de visualización de datos:

Diagramas o gráficas relacionables
Distribución de datos
Graficar variables categóricas

Por ejemplo:

Relplot (relacional): scatterplot, lineplot.
Displot (distribuciones): histplot, kdeplot, ecdfplot, rugplot.
Catplot (categorica): stripplot, swamplot, boxplot, violinplot, pointplot, barplot.

Jeinfferson Bernal G

student•

Seaborn

Escrita por Michael Waskom.
Esta construida sobre Matplotlib por lo que hereda todas las bondades de la misma.
Integrada para estructuras de Pandas por lo que esta optimizada para funcionar con dataFrames.

Ventajas

Velocidad.
Poco codigo.
Altamente customizable a nivel de graficas y visualizaciones.

Estructura Basica

sns.'Tipo de Grafica'(
		 data='Dataset',
		 x='Data en el eje x',
		 y='Data en el eje y',
		 hue='Variable de agrupamiento')

Tipos de Graficas

relplot (relacional): scatterplot, lineplot.
displot (distribuciones): histplot, kdeplot, ecdfplot, rugplot.
catplot (categorica): stripplot, swamplot, boxplot, violinplot, pointplot, barplot

Giocrisrai Godoy Bonillo

student•

Excelente resumen

Juan R. Vergara M.

student•

👍

Jose Potes

student•

Que fastidio con esos comentarios de las personas que ya miraron una clase y ni siquiera es el resumen de la clase. es escribir literalmente lo que el profesor dice. un aporte es cuando ponen una investigación, conclusiones propias que APORTAN a lo que ya se explica. que fastidio tener que aguantarse personas con ese tipo de costumbre.

Rafael Carpio

student•

Yo tambien opinio lo mismo, basicamente copian y pegan lo que esta en el resumen de la clase o en el pdf que se comparte, solo para ver que los puntos de platzi aumentan o tener likes... lo he hablado con platzi, siempre que preguntan por feedback digo que quisiera un boton para ocultar los comentarios sin tener que hacer pantalla completa...

y la última vez freddy me dijo que siempre que aplican algo asi, la gente aprende menos, porque interactuar con los otros ayuda...

Santiago Flores y García

student•

Hugo Montoya Diaz

student•

Juan Felipe Zárate

student•

¿Alguien entendió el quizz -de Matplotlib-? No vi ninguna pregunta relacionada a lo que aprendimos en Matplotlib...

Johnny Leonardo Oviedo Samudio

student•

Por eso recomendaron los cursos de estadistica antes de hacer este curso

Jhon Freddy Tavera Blandon

student•

Seaborn
Seaborn es una librería construida sobre Matplotlib, por lo que hereda todas las bondades de la misma. Fue escrita por Michael Waskom y está integrada para estructuras de Pandas por lo que está optimizada para funcionar con DataFrames.

Cuáles son las ventajas de Seaborn
Seaborn tiene diferentes ventajas y entre ellas encuentras principalmente:

Tiene una gran velocidad Facilidad para escribir código Altamente customizable entre gráficas y visualizaciones

Cuál es la estructura Básica de Seaborn
[1]
1 s
import matplotlib.pyplot as plt
import seaborn as sns
[5]
0 s
![299.png](https://static.platzi.com/media/user_upload/299-7628193e-2999-432c-8233-b76026a23a8e.jpg)

import matplotlib.pyplot as plt
import seaborn as sns

sns.distplot([0, 1, 2, 3, 4, 5,6,7,8,9], hist=False)

plt.show()

Isaac Bryan Ascanoa Roncall

student•

Es interesante saber que seaborn trabaja con pandas de manera sencilla. Ya tengo ganas de ponerlo a prueba con este al momento de trabajarlo. Dicen que es mas sencillo, bueno es mejor comprobarlo que escucharlo.

Pablo Alejandro Figueroa

student•

Function interface

Relational plots

relplot: Figure-level interface for drawing relational plots onto a FacetGrid.
scatterplot: Draw a scatter plot with the possibility of several semantic groupings.
lineplot: Draw a line plot with the possibility of several semantic groupings.

Distribution plots

displot: Figure-level interface for drawing distribution plots onto a FacetGrid.
histplot: Plot univariate or bivariate histograms to show distributions of datasets.
kdeplot: Plot univariate or bivariate distributions using kernel density estimation.
ecdfplot: Plot empirical cumulative distribution functions.
rugplot: Plot marginal distributions by drawing ticks along the x and y axes.
distplot: DEPRECATED

Categorical plots

catplot: Figure-level interface for drawing categorical plots onto a FacetGrid.
stripplot: Draw a categorical scatterplot using jitter to reduce overplotting.
swarmplot: Draw a categorical scatterplot with points adjusted to be non-overlapping.
boxplot: Draw a box plot to show distributions with respect to categories.
violinplot: Draw a patch representing a KDE and add observations or box plot statistics.
boxenplot: Draw an enhanced box plot for larger datasets.
pointplot: Show point estimates and errors using lines with markers.
barplot: Show point estimates and errors as rectangular bars.
countplot: Show the counts of observations in each categorical bin using bars.

Regression plots

lmplot: Plot data and regression model fits across a FacetGrid.
regplot: Plot data and a linear regression model fit.
residplot: Plot the residuals of a linear regression.

Matrix plots

heatmap: Plot rectangular data as a color-encoded matrix.
clustermap: Plot a matrix dataset as a hierarchically-clustered heatmap.

https://seaborn.pydata.org/api.html#distribution-api

Pablo Alejandro Figueroa

student•

Gráficos Relacionales

++relplot++: Interfaz de nivel de figura para dibujar gráficos relacionales en un FacetGrid.
++scatterplot++: Dibuja un gráfico de dispersión con la posibilidad de varios agrupamientos semánticos.
++lineplot++: Dibuja un gráfico de líneas con la posibilidad de varios agrupamientos semánticos.

Gráficos de Distribución

++displot++: Interfaz de nivel de figura para dibujar gráficos de distribución en un FacetGrid.
++histplot++: Grafica histogramas univariados o bivariados para mostrar distribuciones de conjuntos de datos.
++kdeplot++: Grafica distribuciones univariadas o bivariadas utilizando estimación de densidad de kernel.
++ecdfplot++: Grafica funciones de distribución acumulativa empírica.
++rugplot++: Grafica distribuciones marginales dibujando marcas a lo largo de los ejes x e y.
++distplot++: OBSOLETO (el famoso: DEPRECATED)

Gráficos Categóricos

++catplot++: Interfaz de nivel de figura para dibujar gráficos categóricos en un FacetGrid.
++stripplot++: Dibuja un gráfico de dispersión categórico utilizando jitter para reducir la superposición.
++swarmplot++: Dibuja un gráfico de dispersión categórico con puntos ajustados para que no se superpongan.
++boxplot++: Dibuja un gráfico de caja para mostrar distribuciones con respecto a categorías.
++violinplot++: Dibuja un parche que representa una KDE y agrega observaciones o estadísticas de gráficos de caja.
++boxenplot++: Dibuja un gráfico de caja mejorado para conjuntos de datos más grandes.
++pointplot++: Muestra estimaciones de puntos y errores utilizando líneas con marcadores.
++barplot++: Muestra estimaciones de puntos y errores como barras rectangulares.
++countplot++: Muestra los recuentos de observaciones en cada bin categórico utilizando barras.

Gráficos de Regresión

++lmplot++: Grafica datos y ajustes de modelos de regresión lineal a través de un FacetGrid.
++regplot++: Grafica datos y un ajuste de modelo de regresión lineal.
++residplot++: Grafica los residuos de una regresión lineal.

Gráficos de Matrices

++heatmap++: Grafica datos rectangulares como una matriz codificada por colores.
++clustermap++: Grafica un conjunto de datos matricial como un mapa de calor jerárquicamente agrupado.

Andres Sanchez

student•

10. Seaborn

Escrita por Michael Waskom
Construida sobre Matplotlib
Integrada para estructura de Pandas
Velocidad
Poco código
Customizable

Ian Cristian Ariel Yané

student•

Sabia que tenia que existir alguna opción para graficar la relación de una columna del data frame por los datos únicos de otra columna del dataset, sin tener que crear dos nuevos dataframes y utilizar groupby. Por ejemplo: Para graficar ventas por año!!

Jorge Miguel Diaz

student•

Seaborn está diseñada específicamente para la visualización de datos estadísticos y ofrece herramientas avanzadas para crear gráficos estadísticos mas complejos 🤓, como gráficos de distribución, diagramas de caja y bigotes, y gráficos de regresión. Es una biblioteca más moderna y fácil de usar que Matplotlib, especialmente cuando se trata de visualización estadística avanzada.

Luis Alberto Ramírez Castellanos

student•

vamos con emocion y expectativa a aprender seaborn.

Jeisson Espinosa

student•

Información resumida de esta clase #EstudiantesDePlatzi

Seaborn es otra librería que me ayuda con la visualización de datos, está construida sobre Matplotlib, funciona integrada con pandas y su creador fue Michael Waskom
Esta librería es veloz, fácil de escribir y permite que las gráficas puedan ser muy personalizadas
Seaborn ofrece soluciones a problemas específicos en la visualización de datos

Juan Camilo Maldonado Perez

student•

Introducción a Seaborn

Seaborn es una biblioteca para hacer gráficos estadísticos en Python. Se basa en matplotlib y se integra estrechamente con las estructuras de datos de pandas.

Seaborn le ayuda a explorar y comprender sus datos. Sus funciones de trazado operan en marcos de datos y matrices que contienen conjuntos de datos completos y realizan internamente el mapeo semántico y la agregación estadística necesarios para producir gráficos informativos. Su API declarativa, orientada a los conjuntos de datos, le permite centrarse en el significado de los diferentes elementos de sus gráficos, en lugar de en los detalles de cómo dibujarlos. Este es un ejemplo de lo que seaborn puede hacer:

# Importar seaborn
import seaborn as sns
# Aplicar el tema por defecto
sns.set_theme()
# Cargar un conjunto de datos de ejemplo
tips = sns.load_dataset("tips")
# Crear una visualización
sns.relplot(data=tips, x="total_bill", y="tip", col="time", hue="smoker", style="smoker", size="size")

2. Funciones de viasualización de Seaborn

La mayor parte de sus interacciones con seaborn se realizarán a través de un conjunto de funciones de trazado. Los capítulos posteriores del tutorial explorarán las características específicas que ofrece cada función. Este capítulo presentará, a alto nivel, los diferentes tipos de funciones que encontrará.

3. Funciones similares para tareas similares

El espacio de nombres de seaborn es plano; toda la funcionalidad es accesible en el nivel superior. Pero el código en sí está estructurado jerárquicamente, con módulos de funciones que logran objetivos de visualización similares a través de diferentes medios. La mayoría de los documentos están estructurados en torno a estos módulos: encontrará nombres como "relacional", "distribucional" y "categórico".

Por ejemplo, el módulo de distribuciones define funciones que se especializan en representar la distribución de puntos de datos. Esto incluye métodos familiares como el histograma:

penguins = sns.load_dataset("penguins")
sns.histplot(data=penguins, x="flipper_length_mm", hue="species", multiple="stack")