Python Data Science Program
📓 Abrir notebook en GitHub

Clase 036 — Matplotlib: line, scatter, bar, histogram, boxplot

Parte: 0 — Prerrequisitos · Fuente: VanderPlas, cap. 4 §§ 4.2–4.5 Simple Line/Scatter/Bar/Histogram Plots. ⏱️ Duración estimada: 75 min.

🎯 Objetivo

Que el alumno conozca los 5 plots básicos que cubren el 80% del trabajo de EDA, y sepa cuándo cada uno: line (tendencia temporal), scatter (relación dos variables), bar (categóricas), histogram (distribución), boxplot (5 estadísticos + outliers).

📚 Resultados de aprendizaje

Al finalizar la clase, el alumno podrá:

  1. Elegir el plot correcto según el tipo de variables (continua/categórica) y el objetivo.
  2. Ajustar marker, color, linestyle, alpha para legibilidad.
  3. Construir histogramas con bins adecuados (regla de Freedman-Diaconis o 'auto').
  4. Interpretar boxplot: mediana, Q1/Q3, whiskers, outliers.
  5. Combinar bar + error bars para mostrar incertidumbre.

🗺️ Temas

# Tema Por qué importa
1 Line: tendencias y series temporales El más fácil de leer mal.
2 Scatter: relación entre dos variables Con c= y s= para 3ª/4ª dimensión.
3 Bar y barh: categóricas Vertical vs horizontal.
4 Histogram: distribución de una continua Bins importan.
5 Boxplot: distribución resumida + outliers Cuando hay muchos grupos.
6 Errorbar y fill_between Mostrar incertidumbre.

📖 Definiciones y características

Line plot
Une puntos con líneas. Implica continuidad/orden en X — solo úsalo cuando X tiene orden natural (tiempo, espacio, secuencia).
Scatter
Puntos no conectados. Muestra relación entre 2 continuas. Con c= codificas 3ª dim (color), con s= 4ª (tamaño). Más de 4 dims sobrecarga.
Bar / barh
Barras para categóricas. Vertical (bar) si etiquetas son cortas, horizontal (barh) si son largas o muchas.
Histogram
Distribución de UNA continua. Bins importan: pocos esconden estructura, muchos generan ruido. bins='auto' usa Freedman-Diaconis (buen default).
Boxplot
Resumen de distribución: mediana (línea), Q1-Q3 (caja), whiskers (1.5×IQR), outliers (puntos). Útil para comparar muchos grupos rápido.
Errorbar
Barra + línea vertical/horizontal indicando incertidumbre (std, IC95%). Sin esto, las barras mienten visualmente.

📂 Dataset / recursos

Palmer Penguins. Sin descarga adicional.

🧪 Ejercicios

1. Line. Serie temporal de ventas mensuales (sintética). Anota máximo con flecha.

2. Scatter. body_mass vs bill_length, color por species. Adicionalmente: s= con flipper_length para tamaño.

3. Bar. Count por species, ordenado descendente. Vertical y horizontal — compara legibilidad.

4. Histogram. Distribución de body_mass con bins='auto' y bins=10. Compara.

5. Boxplot. body_mass por species: 3 cajas lado a lado. Identifica outliers.

📝 Homework verificable

Notebook con penguins: (a) 5 plots básicos cada uno bien etiquetado; (b) scatter decorado con color y tamaño codificando 3 dimensiones; (c) bar con errorbars de std; (d) boxplot agrupado con interpretación de outliers.

Criterio de aceptación: Cada plot tiene título, labels, leyenda donde aplica. Bins justificados.

⚠️ Errores comunes

Síntoma / mensaje Causa y cómo arreglar
Line plot entre 2 categorías "A", "B" Conectar categorías con línea engaña (sugiere continuidad inexistente). Fix: usa bar o scatter.
Histograma con escala Y rara Por default density=False (counts). Si quieres comparar distribuciones de tamaños distintos, density=True (probabilidad).
Boxplot todos iguales por outliers extremos Outliers dominan visualmente; cajas quedan apretadas. Fix: ax.set_ylim(p5, p95) recorta vista, o reporta los outliers aparte.
Bar chart con colores random distrae Sin codificación significativa, color = ruido. Fix: un color único para todas; reserva color para grupos reales.
Scatter con miles de puntos = blob negro Overplotting. Fix: alpha=0.3, hexbin (plt.hexbin), o agrupar por bin antes.

❓ Preguntas frecuentes

❓ ¿Pie chart cuándo?

Casi nunca. El ojo humano compara mal ángulos. Para proporciones: bar o stacked bar. Pie tolerable solo con 2-3 categorías y proporciones muy distintas.

❓ ¿Cuántos bins en un histograma?

bins='auto' (Freedman-Diaconis) es buen default. Si es estudios académicos: regla de Sturges (bins=int(np.log2(n)+1)). Experimenta con 10/30/50 si dudas.

❓ ¿Boxplot o violinplot?

Boxplot: rápido, 5 estadísticos, outliers claros. Violinplot: muestra distribución completa (multimodalidad). Para comparar 3-10 grupos, ambos OK. Para >10, boxplot gana en densidad.

❓ ¿Errorbars con std o con IC?

Std: dispersión natural de los datos. IC95% de la media: incertidumbre del estimador (más pequeño con N grande). Para inferencia, IC. Para describir, std.

❓ ¿Plot 3D buen idea?

Casi nunca. Oclusión + perspectiva engañan. 2D con color/tamaño suele comunicar mejor. Excepción: superficies analíticas z = f(x, y).

🔗 Referencias

📥 Material descargable

➡️ Siguiente clase

Clase 037 — Matplotlib: subplots y gridspec