Introducción a la visualización de datos

Historia de la visualización de datos

La historia de la visualización de datos es casi tan antigua como la propia escritura, con vestigios de tablas y listas que se remontan a las primeras civilizaciones. Sin embargo, la creación de gráficos complejos surgió más tarde.

Entre los primeros ejemplos se encuentran los mapas geográficos y astronómicos que datan de varios milenios antes de Cristo. Con el tiempo, se han utilizado cronogramas y otras representaciones visuales para ilustrar conceptos abstractos o comparar datos.

Mapa de Bedolina, transcripción de un petroglifo (3000-1000 A.C.)

Una de las series cronológicas más antiguas que se conservan en la historia se basa en una descripción del movimiento de los planetas a través del tiempo, publicada en un manuscrito del siglo X por Macrobio en su Comentario al Sueño de Escipión.

El siglo XVIII marcó un punto de inflexión con la aparición de gráficos más sofisticados. Autores como William Playfair introdujeron gráficos de series temporales, diagramas de barras y diagramas circulares para representar datos económicos. En este periodo también se produjeron los primeros intentos de representar datos estadísticos en mapas, sobre todo con los mapas coropléticos de Charles Dupin.

En el siglo XIX se produjo...

¿Por qué visualizar los datos?

En la era digital, en donde abundan los datos, ya no basta con acumularlos. Imagínese una biblioteca llena de libros, pero sin organización ni índice. Lo mismo ocurre con los datos en bruto: sin una presentación adecuada, siguen siendo un montón de información sin utilizar. Ahí es donde entra en juego la visualización de datos.

1. Más allá de las cifras: la importancia de la visualización

La visualización de datos es más que una simple representación gráfica. Es una poderosa herramienta que transforma los datos en información procesable, historias convincentes y palancas de toma de decisiones. He aquí por qué es esencial:

Comprensión instantánea: una imagen vale más que mil palabras, y un gráfico bien diseñado vale más que miles de datos. De un vistazo, un gráfico puede revelar tendencias, relaciones y anomalías que, de otro modo, permanecerían ocultas en tablas de cifras.
Comunicación eficaz: las visualizaciones de datos son un lenguaje universal para presentar resultados a compañeros, clientes o al público en general. Trascienden las barreras técnicas y facilitan la transmisión del mensaje.
Toma de decisiones basadas en información: cuando se enfrenta a una decisión importante, las visualizaciones...

Visión general de las diferentes bibliotecas gráficas con Python

1. Un ecosistema rico y diverso

Python se ha consolidado como un auténtico El Dorado para los entusiastas de la visualización de datos. Su popularidad se basa en un ecosistema rico y diverso, que ofrece multitud de bibliotecas para satisfacer todas las necesidades y niveles de experiencia.

El siguiente gráfico lo ilustra:

Desde bibliotecas fundamentales como Matplotlib, la navaja suiza de la visualización, hasta herramientas especializadas como NetworkX para redes o Folium para mapas, Python tiene una respuesta para cada necesidad. Bibliotecas interactivas como Plotly y Bokeh allanan el camino para visualizaciones dinámicas e inmersivas, mientras que Seaborn facilita la creación de gráficos estadísticos más elegantes que Matplotlib.

Esta diversidad significa que cada usuario puede encontrar la herramienta ideal para su proyecto, ya se trate de un simple análisis exploratorio o de la creación de un complejo cuadro de mando interactivo.

2. El trío ganador Matplotlib Seaborn y Plotly

Aunque la riqueza del ecosistema Python es innegable, es importante subrayar que basta con dominar tres bibliotecas clave: Matplotlib, Seaborn y Plotly. Estas cubren la mayoría de los casos de uso en la visualización de datos, especialmente en el contexto del BI y la creación de paneles de control.

Matplotlib: es la base sobre la que se construyen muchas otras bibliotecas. Su flexibilidad y potencia la convierten en una herramienta esencial para crear gráficos a medida con calidad de publicación.
Seaborn: construido sobre Matplotlib, Seaborn simplifica la creación de gráficos estadísticos y mejora enormemente su apariencia. Por defecto, los gráficos se basan en la biblioteca de R ggplot. Su interfaz intuitiva y sus temas predefinidos facilitan la producción de visualizaciones informativas y estéticamente agradables.
Plotly: esta biblioteca destaca por su capacidad para crear gráficos interactivos y dinámicos. Es ideal para paneles de control, donde la interactividad es esencial para explorar datos e identificar tendencias. Permite crear interacciones entre gráficos, al igual que con software de BI como QlikView o Power BI.

Este trío de bibliotecas ofrece una combinación ideal de flexibilidad...

Buenas prácticas de diseño

Hay una serie de principios fundamentales para crear gráficos eficaces, llamativos y modernos. La sencillez y la claridad son primordiales: un gráfico debe ser fácil de entender a primera vista. Esto significa evitar elementos superfluos que puedan distraer al usuario y limitar el número de variables y datos mostrados para no sobrecargar la pantalla.

El diseño y la estética también desempeñan un papel crucial. Una paleta de colores armoniosa y coherente, que evite los tonos demasiado brillantes o contrastados, contribuye a una experiencia visual agradable. La elección de fuentes legibles para títulos, pies de foto y anotaciones también es importante para garantizar que la información presentada sea fácil de entender.

El contraste y la jerarquía visual son herramientas poderosas para guiar la atención del usuario. Un contraste bien pensado resalta los elementos esenciales y mejora la legibilidad general del gráfico. La organización jerárquica de los elementos dirige naturalmente la mirada hacia la información más importante en primer lugar.

Para dar sentido a los datos, es esencial proporcionar un contexto adecuado. añadir anotaciones explicativas de los puntos clave y utilizar leyendas claras y comprensibles permiten interpretar con precisión la información presentada.

La coherencia visual de todos los gráficos de un documento o presentación crea una identidad visual armoniosa y profesional. Esto implica el uso coherente de estilos, colores y fuentes.

Desde un punto de vista funcional, la elección del tipo de gráfico adecuado es crucial. Debe corresponder a la naturaleza de los datos que se van a presentar, ya sean gráficos de barras, curvas, sectores u otras formas de visualización. El uso del 3D debe estudiarse cuidadosamente y estar justificado, ya que a veces puede dificultar la lectura de los datos. Por último, la integración de funciones interactivas como el zoom, los filtros y la información sobre herramientas puede mejorar mucho la experiencia del usuario al permitir una exploración en profundidad de los datos.

Siguiendo estos principios, es posible crear gráficos que no solo transmitan información con eficacia, sino que también capten la atención y tengan...

Caso práctico

En este caso práctico, se le pedirá que reproduzca uno de los gráficos de William Playfair (Exports and Imports to and from DENMARK & NORWAY from 1700 to 1780). Para ello, utilice Matplotlib. Plotly no permite hacer este tipo de gráfico de forma sencilla.

Enuniado:

Utilice la función plt.plot() para trazar las curvas de Imports y Exports.

Calcule la balanza comercial, la diferencia entre Exports e Import, para colorear el área de la curva según su signo. El área bajo la curva puede colorearse utilizando la función plt.fill_between().

Añada el título utilizando el método plt.title().

No hay etiqueta para las ordenadas; los detalles se dan en la línea debajo del gráfico. Utilice la etiqueta de abscisas para añadir esta información.

Utilice el método plt.legend() para añadir los nombres de las curvas en lugar de mostrar las leyendas. Para ello, utilice el método plt.annotate() para añadir texto al gráfico.

Añada los textos Balance Against y Balance in Favour of England utilizando la función plt.text().

Establezca los límites de su gráfico utilizando las funciones plt.xlim() y plt.ylim().

Añada una cuadrícula utilizando el método plt.grid(); tendrá que jugar con los argumentos para conseguir el espaciado...

Visualizar sus datos