Seaborn: Graficos estadisticos

Seaborn: Visualizacion estadistica

Seaborn esta construido sobre Matplotlib y facilita crear graficos estadisticos atractivos.

Configuracion

import seaborn as sns

import pandas as pd

import matplotlib.pyplot as plt



# Configurar estilo

sns.set_theme(style="whitegrid")



# Dataset de ejemplo

tips = sns.load_dataset('tips')

Distribucion

# Histograma + KDE

sns.histplot(data=tips, x='total_bill', kde=True)



# Solo KDE

sns.kdeplot(data=tips, x='total_bill')



# Por categoria

sns.histplot(data=tips, x='total_bill', hue='sex')

Relaciones

# Scatter con regresion

sns.regplot(data=tips, x='total_bill', y='tip')



# Scatter con categorias

sns.scatterplot(data=tips, x='total_bill', y='tip',

                hue='day', size='size')



# Relacion de todo el dataset

sns.pairplot(tips, hue='sex')

Categoricos

# Box plot

sns.boxplot(data=tips, x='day', y='total_bill')



# Violin plot

sns.violinplot(data=tips, x='day', y='total_bill')



# Bar plot (con error)

sns.barplot(data=tips, x='day', y='total_bill')



# Count plot

sns.countplot(data=tips, x='day')



# Strip plot (puntos individuales)

sns.stripplot(data=tips, x='day', y='total_bill', jitter=True)

Heatmap

# Matriz de correlacion

corr = tips.select_dtypes(include='number').corr()



plt.figure(figsize=(8, 6))

sns.heatmap(corr, annot=True, cmap='coolwarm', center=0)

plt.title('Matriz de Correlacion')

plt.show()

FacetGrid: Graficos por categoria

# Crear grid

g = sns.FacetGrid(tips, col='time', row='sex', height=4)



# Aplicar grafico

g.map(sns.histplot, 'total_bill')



# Con scatterplot

g = sns.FacetGrid(tips, col='day', col_wrap=2)

g.map(sns.scatterplot, 'total_bill', 'tip')

Practica de portfolio

Convierte esta leccion en evidencia real: arma una entrega pequena que puedas mostrar en una entrevista, en LinkedIn o en tu portfolio. Trabaja con un caso propio o con una empresa ficticia, pero deja claro el problema, la decision y el resultado.

• Entregable: una captura, documento, repositorio o tablero con el resultado final.


• Checklist: objetivo, pasos seguidos, criterio de calidad y mejora pendiente.


• Mini-rubrica: si otra persona lo revisa, debe entender que hiciste, por que y como repetirlo.

Aplicación práctica en un caso real

Aplicar Seaborn: Graficos estadisticos dentro del contexto de Python para Data Science con criterio práctico, evitando quedarse en una definición aislada. Para que esta lección sea útil, imagina un escenario concreto: tienes que usar este tema para mejorar un proceso, tomar una decisión, crear un entregable o explicar una recomendación a otra persona. La pregunta no es solo “qué significa”, sino “qué haría diferente después de entenderlo”.

Un buen uso empieza por delimitar el problema. Define qué resultado quieres lograr, qué información tienes disponible, qué restricciones existen y cómo sabrás si la decisión fue correcta. Esta forma de pensar evita respuestas genéricas y convierte el aprendizaje en una herramienta de trabajo.

Marco de decisión

Antes de avanzar, revisa tres niveles: primero, el objetivo operativo; segundo, los recursos disponibles; tercero, el riesgo de equivocarte. En Python para Data Science, muchas decisiones fallan porque se copia una táctica sin entender el contexto. El marco correcto te obliga a adaptar, no solo repetir.

• Objetivo: qué resultado medible o visible quieres conseguir.
• Contexto: quién usará esto, con qué nivel de experiencia y bajo qué restricciones.
• Acción: cuál es el siguiente paso mínimo que puedes ejecutar hoy.
• Señal: qué evidencia vas a observar para decidir si funcionó.

Ejemplo guiado

Supón que debes implementar esta idea en una pequeña empresa o proyecto personal. En vez de intentar una versión perfecta, prepara una versión mínima: una plantilla, una prueba, una lista de control, una automatización simple, una página, un mensaje o una medición inicial. Luego pide feedback o compara el resultado contra una métrica.

Si el resultado mejora, documenta el proceso. Si no mejora, identifica si falló la hipótesis, la ejecución o la medición. Esta distinción es clave: muchas personas abandonan una buena idea por una mala primera ejecución, o escalan una mala idea porque miraron la métrica equivocada.

Errores frecuentes

• Confundir actividad con avance: hacer muchas tareas sin saber qué resultado persiguen.
• Copiar ejemplos sin adaptarlos al cliente, audiencia, equipo o nivel técnico real.
• No dejar evidencia: si no registras decisiones y resultados, no aprendes del proceso.
• Querer automatizar o escalar antes de validar que el enfoque básico funciona.

Ejercicio práctico

1. Escribe el objetivo de esta lección en una frase aplicada a tu caso.
2. Define un entregable pequeño que puedas crear en menos de una hora.
3. Lista tres criterios para evaluar si ese entregable está bien hecho.
4. Ejecuta una versión inicial y anota qué cambiarías en una segunda iteración.

Checklist de salida

• Puedo explicar el concepto con mis propias palabras.
• Tengo un ejemplo aplicado, no solo una definición.
• Sé qué error debo evitar primero.
• Tengo una acción concreta para practicar esta semana.