Seaborn Python (Guía de funcionamiento para desarrolladores)

Introducción

Visualización de datos estadísticos Seaborn es una popular biblioteca de visualización en Python. Está construida sobre el módulo Matplotlib de Python y proporciona una interfaz de alto nivel para dibujar gráficos estadísticos atractivos e informativos. Seabornes particularmente adecuado para visualizar conjuntos de datos complejos y hacer que el análisis de datos sea más intuitivo. Más adelante en este artículo, también analizaremos IronPDF, una biblioteca de generación y manipulación de PDF deIronSoftware.

Características principales

1. Interfaz de alto nivelSeabornproporciona una interfaz de alto nivel, simplificando el proceso de creación de visualizaciones complejas. Esto significa que puedes crear gráficos sofisticados con solo unas pocas líneas de código.

2. Integración con Pandas: Seaborn funciona perfectamente con las estructuras de datos de Pandas, lo que facilita la visualización de datos almacenados en DataFrames.

3. Hermosos estilos predeterminados: Seaborn viene con hermosos estilos predeterminados y paletas de colores, lo que ayuda a que los gráficos sean más atractivos y más fáciles de interpretar.

4. Estimación estadística: Seaborn incluye funciones para estimar y graficar relaciones estadísticas, como líneas de regresión e intervalos de confianza.

   5. Distribuciones univariadas y bivariadas: Seaborn admite la visualización de datos estadísticos con

   Distribuciones univariadas enSeaborn

   1. Histograma: Visualiza la frecuencia de puntos de datos en intervalos.

   2. Gráfico KDE: Muestra una curva suave que representa la densidad de los datos.

   3. Gráfico ECDF: Muestra la proporción acumulativa de puntos de datos.

   4. Diagrama de caja: Ilustra la distribución de datos con cuartiles y valores atípicos.

   Distribuciones bivariadas enSeaborn

   1. Diagrama de dispersión: Representa la relación entre dos variables.

   2. Gráfico Hexbin: Utiliza contenedores hexagonales para mostrar la densidad de los datos.

   3. Gráfico de KDE bivariado: Gráfico de densidad suave para dos variables.

   4. Par Gráfico: Muestra relaciones de pares en un conjunto de datos.

Primeros pasos

Para comenzar con Seaborn, necesitas instalarlo usando pip:

pip install seaborn

pip install seaborn

Una vez instalado, puedes importar Seaborn con import matplotlib y crear visualizaciones. He aquí un ejemplo sencillo:

import seaborn as sns
import matplotlib.pyplot as plt
# Load an example dataset
tips = sns.load_dataset("tips")
# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# Load an example dataset
tips = sns.load_dataset("tips")
# Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.show()

En este ejemplo, cargamos el conjunto de datos "tips" y creamos un diagrama de dispersión que muestra la relación entre la cuenta total y la cantidad de propina, con diferentes colores que representan distintos momentos del día.

Salida

Gráficos de Uso Común

1. Gráficos Relacionales: Estos gráficos muestran relaciones entre variables. Los ejemplos incluyen diagramas de dispersión y diagramas de líneas.

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
    plt.show()

sns.relplot(data=tips, x="total_bill", y="tip", hue="smoker", style="time")
    plt.show()

2. Gráficos Categóricos: Estos gráficos visualizan datos categóricos. Los ejemplos incluyen gráficos de barras, diagramas de caja y gráficos de violín.

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
    plt.show()

sns.boxplot(data=tips, x="day", y="total_bill", hue="smoker")
    plt.show()

3. Gráficas de distribución: Ejemplos incluyen histogramas y estimación de densidad mediante kernel y gráficos.

sns.histplot(data=tips, x="total_bill", kde=True)
    plt.show()

sns.histplot(data=tips, x="total_bill", kde=True)
    plt.show()

4. Gráficos de Matriz: Estos gráficos visualizan datos en forma de matriz. Ejemplos incluyen mapas de calor y mapas de clústeres.

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
    sns.heatmap(glue)
    plt.show()

glue = sns.load_dataset("glue").pivot(index="Model", columns="Task", values="Score")
    sns.heatmap(glue)
    plt.show()

Los gráficos de Seaborn también se pueden utilizar para gráficos de distribución, gráficos de líneas, diagramas de caja y gráficos de barras, y la codificación de gráficos con datos del mundo real o datos estadísticos es sencilla.

Personalización

Seaborn permite una amplia personalización de los gráficos. Puedes cambiar el estilo de la gráfica, la paleta de colores y otros aspectos para adaptarlos a tus necesidades. Por ejemplo, puedes establecer el tema usando:

sns.set_theme(style="whitegrid")

sns.set_theme(style="whitegrid")

Presentación de IronPDF

IronPDFes una potente biblioteca de Python diseñada para crear, editar y firmar PDFs utilizando HTML, CSS, imágenes y JavaScript. Ofrece un rendimiento de alta calidad mientras utiliza una cantidad mínima de memoria. Las características clave incluyen:

**Conversión de HTML a PDF

Convierte archivos HTML, cadenas HTML y URLs en PDFs. Por ejemplo, utiliza el renderizador PDF de Chrome para renderizar una página web como un PDF.

**Soporte multiplataforma

IronPDF está diseñado para Python 3+ y también se ejecuta en Windows, Mac, Linux o plataformas en la nube.

IronPDF también está disponible en.NET, Java, Pythony**Nodo.js.

Edición y firma:

Establece propiedades, aplica contraseñas y permisos, y añade firmas digitales a tus PDFs.

Plantillas de página y configuración:

Puedes personalizar los PDF con encabezados, pies de página, números de página y márgenes ajustables. Además, admite tamaños de papel personalizados y diseños adaptables.

Cumplimiento de normas:

Cumple los estándares PDF, incluidos PDF/A y PDF/UA, admite la codificación de caracteres UTF-8 y gestiona activos como imágenes, CSS y fuentes.

Instalación

pip install ironpdf

pip install ironpdf

Generar documentos PDF utilizando IronPDF y Seaborn.

Requisitos previos

1. Asegúrate de que Visual Studio Code esté instalado como editor de código.

2. Se instaló la versión 3 de Python.

   Para comenzar, creemos un archivo Python para agregar nuestros scripts.

   Abre Visual Studio Code y crea un archivo, seabornDemo.py.

   Instale las bibliotecas necesarias:

pip install seaborn
pip install ironpdf

pip install seaborn
pip install ironpdf

A continuación, añada el siguiente código para demostrar el uso de los paquetes de Python IronPDF y Seaborn.

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key here"
# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)
# Seaborn note: Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.savefig("scatterplot.png") # save same plot
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
from ironpdf import * 
# Apply your license key
License.LicenseKey = "your key here"
# Load an example dataset
tips = sns.load_dataset("tips")
print(tips)
# Seaborn note: Create a simple scatter plot
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")
plt.savefig("scatterplot.png") # save same plot
ImageToPdfConverter.ImageToPdf("scatterplot.png").SaveAs("scatterplot.pdf")
plt.show()

Código Explicación

En este ejemplo, utilizaremos el mismo marco de datos de consejos del ejemplo anterior y graficaremos el diagrama de dispersión. Luego, guárdalo como una imagen y conviértelo a PDF usando IronPDF.

1. Agregue las importaciones al archivo de Python: import seaborn as sns, import matplotlib.pyplot as plt, y from ironpdf import * .

2. Agrega la clave de licencia para comenzar a usar IronPDF.

3. Cargue el dataframe de muestra "tips" que contiene la información sobre la factura total y las propinas por factura.

4. Imprime el DataFrame cargado para verlo en la ventana de salida.

5. Crea el gráfico de dispersión utilizando el método scatterplot del paquete seaborn.

6. Guarda el gráfico usando el método savefig.

7. El siguiente paso es crear un PDF utilizando IronPDF y guardar la imagen utilizando los métodos 'ImageToPdf' y 'SaveAs', nombrando el archivo scatterplot.pdf.

8. El último paso es mostrar la gráfica como una ventana. También puedes mostrar el PDF y verificar el gráfico en esta etapa.

Salida

PDF

Licencia IronPDF

IronPDF for Pythonclave de licencia para permitir a los usuarios probar sus características completas antes de comprar. Después del período de licencia de prueba, los desarrolladores pueden comprar una licencia perpetua que se adapte a las necesidades de su proyecto.

Coloque la clave de licencia al inicio del script antes de utilizar el paquete IronPDF:

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

from ironpdf import * 
# Apply your license key
License.LicenseKey = "key"

Conclusión

Seabornes ampliamente reconocida por sus capacidades en la visualización de datos. Su interfaz de alto nivel, integración con Pandas y hermosos estilos por defecto lo hacen una excelente opción para crear gráficos estadísticos informativos y atractivos. Ya sea que seas un principiante o un científico de datos experimentado,Seabornpuede ayudarlo a explorar y comprender sus datos de manera más efectiva. Por otro lado,IronPDFes una biblioteca popular para la generación y manipulación de PDF en entornos .NET, conocida por su sólido conjunto de características y facilidad de uso, ayuda a documentar y archivar los resultados deSeabornde manera estándar para guardarlos como PDFs. Ambas bibliotecas añaden excelentes habilidades a los desarrolladores para desarrollar y archivar resultados modernos de visualización de datos.