Matplotlib: Fundamentos de Graficos en Python

Matplotlib es la libreria base de visualizacion en Python. Seaborn, Plotly y otras se construyen sobre ella. Dominar Matplotlib te da control total sobre cada aspecto de tus graficos.

import matplotlib.pyplot as plt
import numpy as np

# Figure: el lienzo completo
# Axes: un grafico individual dentro del lienzo
# Artist: todo lo visible (lineas, texto, leyendas, etc.)

fig, ax = plt.subplots(figsize=(10, 6))

# Datos
meses = ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun']
ventas = [120, 135, 98, 145, 167, 189]

# Grafico de barras
bars = ax.bar(meses, ventas, color='#2196F3', edgecolor='white', width=0.6)

# Personalizar
ax.set_title('Ventas Mensuales 2025', fontsize=16, fontweight='bold', pad=15)
ax.set_xlabel('Mes', fontsize=12)
ax.set_ylabel('Ventas (miles USD)', fontsize=12)
ax.set_ylim(0, 220)

# Agregar valores encima de las barras
for bar, valor in zip(bars, ventas):
    ax.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 3,
            f'${valor}k', ha='center', fontsize=10, fontweight='bold')

# Grid sutil
ax.grid(axis='y', alpha=0.3)
ax.set_axisbelow(True)

# Linea de objetivo
ax.axhline(y=150, color='red', linestyle='--', alpha=0.7, label='Objetivo: $150k')
ax.legend()

plt.tight_layout()
plt.savefig('ventas_mensuales.png', dpi=150, bbox_inches='tight')
plt.show()

Grafico de lineas (series temporales)

import pandas as pd

np.random.seed(42)
fechas = pd.date_range('2025-01-01', periods=365, freq='D')
ventas = 100 + np.cumsum(np.random.randn(365) * 2)

fig, ax = plt.subplots(figsize=(12, 5))
ax.plot(fechas, ventas, color='#1976D2', linewidth=1.5)
ax.fill_between(fechas, ventas, alpha=0.1, color='#1976D2')
ax.set_title('Ventas Acumuladas 2025')
ax.set_xlabel('Fecha')
ax.set_ylabel('Ventas acumuladas')
plt.tight_layout()
plt.show()

Scatter plot (correlacion)

np.random.seed(42)
exp = np.random.randint(0, 25, 100)
sal = 35000 + exp * 2500 + np.random.normal(0, 8000, 100)

fig, ax = plt.subplots(figsize=(8, 6))
scatter = ax.scatter(exp, sal, c=exp, cmap='viridis', alpha=0.6, s=50)
plt.colorbar(scatter, label='Experiencia (anios)')
ax.set_title('Experiencia vs Salario')
ax.set_xlabel('Anios de Experiencia')
ax.set_ylabel('Salario (USD)')

# Linea de tendencia
z = np.polyfit(exp, sal, 1)
p = np.poly1d(z)
ax.plot(sorted(exp), p(sorted(exp)), 'r--', alpha=0.8, label=f'Tendencia: y={z[0]:.0f}x+{z[1]:.0f}')
ax.legend()
plt.tight_layout()
plt.show()

Histograma (distribucion)

np.random.seed(42)
salarios = np.random.lognormal(10.8, 0.5, 1000)

fig, ax = plt.subplots(figsize=(10, 6))
n, bins, patches = ax.hist(salarios, bins=40, edgecolor='white', alpha=0.7, color='#4CAF50')

# Colorear por percentil
for i, (patch, left, right) in enumerate(zip(patches, bins[:-1], bins[1:])):
    if right < np.percentile(salarios, 25):
        patch.set_facecolor('#FF5722')
    elif right > np.percentile(salarios, 75):
        patch.set_facecolor('#2196F3')

# Lineas de referencia
ax.axvline(salarios.mean(), color='red', linestyle='--', label=f'Media: ${salarios.mean():,.0f}')
ax.axvline(np.median(salarios), color='blue', linestyle='--', label=f'Mediana: ${np.median(salarios):,.0f}')

ax.set_title('Distribucion de Salarios')
ax.set_xlabel('Salario (USD)')
ax.set_ylabel('Frecuencia')
ax.legend()
plt.tight_layout()
plt.show()

Grafico de torta (proporciones)

categorias = ['Laptops', 'Monitores', 'Teclados', 'Mouse', 'Auriculares']
ventas = [35, 25, 20, 12, 8]
colors = ['#2196F3', '#4CAF50', '#FFC107', '#FF5722', '#9C27B0']
explode = (0.05, 0, 0, 0, 0)

fig, ax = plt.subplots(figsize=(8, 8))
wedges, texts, autotexts = ax.pie(
    ventas, labels=categorias, colors=colors, explode=explode,
    autopct='%1.1f%%', startangle=90, pctdistance=0.85
)
ax.set_title('Distribucion de Ventas por Categoria', fontsize=14)
plt.tight_layout()
plt.show()

np.random.seed(42)
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
fig.suptitle('Dashboard de Ventas', fontsize=16, fontweight='bold')

# 1. Barras
meses = ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun']
ventas = [120, 135, 98, 145, 167, 189]
axes[0, 0].bar(meses, ventas, color='#2196F3')
axes[0, 0].set_title('Ventas Mensuales')
axes[0, 0].set_ylabel('Miles USD')

# 2. Lineas
dias = range(1, 31)
ventas_diarias = np.random.randint(80, 200, 30)
axes[0, 1].plot(dias, ventas_diarias, 'o-', color='#4CAF50')
axes[0, 1].set_title('Ventas Diarias (Junio)')
axes[0, 1].set_xlabel('Dia')

# 3. Histograma
montos = np.random.lognormal(5, 1, 500)
axes[1, 0].hist(montos, bins=30, color='#FF9800', edgecolor='white')
axes[1, 0].set_title('Distribucion de Montos')

# 4. Scatter
x = np.random.rand(50) * 100
y = x * 0.8 + np.random.randn(50) * 10
axes[1, 1].scatter(x, y, alpha=0.6, color='#9C27B0')
axes[1, 1].set_title('Gasto Marketing vs Ventas')

plt.tight_layout()
plt.savefig('dashboard.png', dpi=150)
plt.show()

# Estilos disponibles
print(plt.style.available)

# Aplicar un estilo
plt.style.use('seaborn-v0_8-whitegrid')  # Limpio y profesional
# Otras opciones populares: 'ggplot', 'fivethirtyeight', 'dark_background'

# Configuracion global personalizada
plt.rcParams.update({
    'font.size': 12,
    'figure.figsize': (10, 6),
    'axes.grid': True,
    'grid.alpha': 0.3
})

Matplotlib Tutorial Completo en Espanol

Crea un notebook 16_matplotlib.ipynb:

1. Crea un grafico de barras horizontales con los 10 paises con mayor PIB
2. Crea un scatter plot con datos de experiencia vs salario, coloreado por departamento
3. Crea un histograma con distribucion de edades de empleados
4. Crea un dashboard con 4 subplots mostrando diferentes aspectos de un dataset
5. Guarda todos los graficos como PNG de alta resolucion

Resumen

• fig, ax = plt.subplots(): La forma correcta de crear graficos
• Tipos: bar, plot, scatter, hist, pie
• Personalizar: set_title, set_xlabel, set_ylabel, legend, grid
• Subplots: Multiples graficos en una figura
• Estilos: plt.style.use() para cambiar la apariencia global
• Guardar: plt.savefig() con dpi=150 para alta calidad