Lección 13 de 14 · Lectura y práctica
Seaborn: Gráficos estadísticos
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.
Del concepto a la práctica
Taller de esta lección
Seaborn ayuda a comparar una variable numérica entre categorías, pero cada gráfico responde una pregunta distinta. Un boxplot muestra mediana, dispersión y posibles valores alejados; un conteo muestra cuántas observaciones hay. No confundas cantidad de filas con importe típico.
Ejemplo resuelto
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
ventas = pd.DataFrame({
'canal': ['tienda', 'tienda', 'web', 'web'],
'importe': [10, 14, 8, 20]
})
sns.boxplot(data=ventas, x='canal', y='importe')
plt.title('Distribución del importe por canal')
plt.show()Cada observación es una venta individual.
La categoría se coloca en
xy la medida eny.La mediana de tienda es 12 y la de web es 14.
El gráfico permite comparar distribución, no afirmar causalidad.
Un error frecuente es leer una caja como si fuera el total del canal. Corrígelo usando groupby para totales y reservando el boxplot para dispersión y posición central.
Pruébalo
Añade una venta web de 12 y calcula las medianas de ambos canales.
Comprueba tu resultado
La mediana de tienda sigue siendo 12; la de web pasa a ser 12, el valor central de los tres importes ordenados 8, 12, 20.
Con solo dos o tres observaciones por categoría, la caja es una demostración de lectura, no evidencia de una distribución poblacional estable. Muestra también los puntos y el número de observaciones; un valor marcado fuera de los bigotes no se descarta automáticamente.

Mapa de prácticaEl tamaño, el espacio y el contraste ayudan a distinguir lo principal de lo secundario. Una jerarquía clara guía la lectura desde el título hasta la información y la acción. Comprueba que el orden visual coincida con la tarea de la persona.
Ver la infografía en tamaño completo ↗Fuentes para profundizar
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')Sigue con Python para Data Science
Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.
Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.