- 1

Análisis de Datos con NumPy y Pandas en Python
03:32 - 2

Manipulación de Dimensiones en Arrays NumPy para Ciencia de Datos
12:05 - 3

Manipulación de Arrays NumPy para Análisis de Datos en Python
08:41 - 4
Álgebra Lineal Aplicada con NumPy: Operaciones y Ejemplos Prácticos
02:58 - 5

Indexación y Slicing en NumPy para Análisis de Datos
09:34 - 6

Operaciones con Arrays en NumPy: Broadcasting, Concatenación y Más
12:30 - 7

Identificación y conteo de respuestas únicas con NumPy
07:46 - 8

Manipulación de Matrices y Arrays en NumPy: Transponer, Invertir y Aplanar
07:07 - 9

Análisis de Ventas Mensuales con NumPy: Transformaciones y Insights
01:25 - 10

Operaciones de Álgebra Lineal con NumPy en Python
05:54 - 11
Conexión de NumPy con Pandas y Matplotlib para Análisis de Datos
03:20
Creación y Personalización de Gráficos con Matplotlib
Clase 25 de 32 • Curso de Python para Ciencia de Datos
Contenido del curso
- 12

Análisis de Datos con Pandas: Carga y Exploración de DataFrames
09:21 - 13

Creación de DataFrames con Pandas en Python
14:06 - 14

Análisis de Datos con Pandas: Series y DataFrames en RetailData
11:22 - 15

Selección de Datos en Pandas: Uso de iLoc y loc
08:15 - 16

Manejo de Datos Faltantes en Pandas: Identificación y Tratamiento
11:19 - 17

Transformaciones y Manipulación de Datos con Pandas en Python
11:13 - 18

Análisis de Ventas con Pandas: Agrupaciones y Estadísticas
09:23 - 19

Filtrado de Datos en Pandas para Análisis Efectivo
12:27 - 20

Creación y manejo de Pivot Tables en pandas
07:07 - 21

Fusión de DataFrames con Pandas: merge, concat y join
12:10 - 22

Análisis de Series Temporales en Ventas Retail
15:46
- 23

Gráficos Básicos en Python con Matplotlib: Líneas y Dispersión
10:44 - 24

Personalización Avanzada de Gráficos en Matplotlib
06:46 - 25

Creación y Personalización de Gráficos con Matplotlib
12:32 - 26

Creación y personalización de histogramas y boxplots con Matplotlib
12:24 - 27

Visualización de Series Temporales con Python: Matplotlib y Pandas
15:22 - 28

Creación de Gráficos Combinados en Matplotlib con GridSpec
15:00
En la visualización de datos, los gráficos de pastel son una herramienta eficaz para representar proporciones dentro de un conjunto de datos.
Una característica importante de estos gráficos es la capacidad de personalizar cómo se muestran los porcentajes de cada segmento. A continuación, exploraremos las diferentes formas de formatear los porcentajes en un gráfico de pastel utilizando el parámetro autopct de la función plt.pie() en matplotlib.
Veremos cómo utilizar cadenas de formato para ajustar la precisión decimal y añadir texto personalizado, así como implementar funciones para un control más detallado sobre la presentación de los datos.
1. Cadenas de Formato (autopct):
'%1.1f%%': Muestra el porcentaje con un decimal y el símbolo%. Ejemplo:35.7%.'%1.0f%%': Muestra el porcentaje como un número entero sin decimales. Ejemplo:36%.'%1.2f%%': Muestra el porcentaje con dos decimales. Ejemplo:35.68%.'%2.0f%%': Similar a'%1.0f%%', pero reserva más espacio (dos dígitos enteros). Ejemplo:35%se vería como35%, pero5%se vería como5%.'%1.1f': Muestra el porcentaje con un decimal, pero sin el símbolo%. Ejemplo:35.7.'%1.1f units': Personaliza el texto. En este caso, mostraría el porcentaje seguido de la palabra “units”. Ejemplo:35.7 units.
2. Funciones (autopct):
- En lugar de una cadena de formato, puedes pasar una función personalizada a
autopctque reciba el valor del porcentaje y devuelva una cadena de texto formateada:
pythonCopiar código
def custom_autopct(pct):
return f'{pct:.2f}% ({int(round(pct/100.*sum(participacion)))} unidades)'
plt.pie(participacion, labels=productos, autopct=custom_autopct)
- Esta función mostraría tanto el porcentaje con dos decimales como el valor absoluto correspondiente en unidades.
Ejemplo de Uso:
- Mostrar porcentajes con un decimal y símbolo
%:autopct='%1.1f%%' - Mostrar porcentajes como números enteros:
autopct='%1.0f%%' - Mostrar porcentaje y añadir texto personalizado:
autopct='%1.1f unidades vendidas' - Mostrar porcentajes con formato personalizado mediante una función:
autopct=custom_autopct
Estos valores permiten personalizar cómo se presentan los datos en tu gráfico de pastel, adaptándolo a tus necesidades específicas.
Personalizar la presentación de los porcentajes en un gráfico de pastel no solo mejora la estética del gráfico, sino que también puede hacer que la información sea más comprensible para el público.
Con estas herramientas, puedes crear gráficos que no solo sean informativos, sino también visualmente atractivos.