Gráficos Avanzados con Matplotlib: Visualizaciones Estadísticas y Complejas

¡Lleva tus visualizaciones al siguiente nivel! En este tutorial aprenderás a crear gráficos avanzados y visualizaciones estadísticas complejas con Matplotlib, incluyendo histogramas, mapas de calor, diagramas de caja, gráficos polares y mucho más.

Objetivo: Dominar las técnicas avanzadas de visualización en Matplotlib para crear gráficos estadísticos, mapas de calor, contornos y visualizaciones especializadas.

Índice

• Histogramas y Distribuciones
• Diagramas de Caja (Box Plots)
• Diagramas de Violín
• Mapas de Calor
• Gráficos de Contorno
• Gráficos Polares
• Barras de Error
• Gráficos de Área Apilada
• Matrices de Dispersión
• Visualizaciones Estadísticas Avanzadas

Histogramas y Distribuciones

Los histogramas son esenciales para visualizar distribuciones de datos.

Histograma Básico

import matplotlib.pyplot as plt
import numpy as np

# Generar datos con distribución normal
np.random.seed(42)
datos = np.random.normal(0, 1, 1000)

plt.figure(figsize=(12, 8))

# Crear histograma
plt.hist(datos, bins=30, alpha=0.7, color='skyblue', edgecolor='black', linewidth=1)

plt.xlabel('Valor', fontsize=12)
plt.ylabel('Frecuencia', fontsize=12)
plt.title('Histograma de Distribución Normal', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3)

# Agregar línea de densidad
from scipy import stats
x_densidad = np.linspace(min(datos), max(datos), 100)
densidad = stats.norm.pdf(x_densidad, np.mean(datos), np.std(datos))
plt.plot(x_densidad, densidad * len(datos) * (max(datos) - min(datos)) / 30,
         'r-', linewidth=2, label='Densidad teórica')

plt.legend()
plt.show()

Múltiples Histogramas

import matplotlib.pyplot as plt
import numpy as np

# Generar diferentes distribuciones
np.random.seed(42)
datos1 = np.random.normal(0, 1, 1000)
datos2 = np.random.normal(2, 1.5, 1000)
datos3 = np.random.exponential(1, 1000)

plt.figure(figsize=(15, 10))

# Subplot 1: Histogramas superpuestos
plt.subplot(2, 2, 1)
plt.hist(datos1, bins=30, alpha=0.5, label='Normal(0,1)', color='blue', density=True)
plt.hist(datos2, bins=30, alpha=0.5, label='Normal(2,1.5)', color='red', density=True)
plt.hist(datos3, bins=30, alpha=0.5, label='Exponencial(1)', color='green', density=True)
plt.xlabel('Valor')
plt.ylabel('Densidad')
plt.title('Histogramas Superpuestos')
plt.legend()
plt.grid(True, alpha=0.3)

# Subplot 2: Histogramas apilados
plt.subplot(2, 2, 2)
plt.hist([datos1, datos2, datos3], bins=30, alpha=0.7,
         label=['Normal 1', 'Normal 2', 'Exponencial'], stacked=True)
plt.xlabel('Valor')
plt.ylabel('Frecuencia')
plt.title('Histogramas Apilados')
plt.legend()
plt.grid(True, alpha=0.3)

# Subplot 3: Histogramas por grupos
plt.subplot(2, 2, 3)
bins = np.linspace(-3, 6, 30)
plt.hist(datos1, bins=bins, alpha=0.7, label='Grupo A', color='lightblue')
plt.hist(datos2, bins=bins, alpha=0.7, label='Grupo B', color='lightcoral')
plt.xlabel('Valor')
plt.ylabel('Frecuencia')
plt.title('Comparación por Grupos')
plt.legend()
plt.grid(True, alpha=0.3)

# Subplot 4: Histograma 2D
plt.subplot(2, 2, 4)
plt.hist2d(datos1, datos2, bins=30, cmap='viridis', alpha=0.8)
plt.colorbar(label='Frecuencia')
plt.xlabel('Variable X')
plt.ylabel('Variable Y')
plt.title('Histograma 2D')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

Histogramas con Estadísticas

import matplotlib.pyplot as plt
import numpy as np

# Datos de ejemplo
np.random.seed(42)
datos = np.random.normal(50, 15, 1000)

plt.figure(figsize=(14, 8))

# Crear histograma
n, bins, patches = plt.hist(datos, bins=30, alpha=0.7, color='skyblue', edgecolor='black')

# Calcular estadísticas
media = np.mean(datos)
mediana = np.median(datos)
desvio = np.std(datos)
q25, q75 = np.percentile(datos, [25, 75])

# Líneas de referencia
plt.axvline(media, color='red', linestyle='--', linewidth=2, label='.1f')
plt.axvline(mediana, color='green', linestyle='--', linewidth=2, label='.1f')
plt.axvline(media + desvio, color='orange', linestyle=':', linewidth=2, label='.1f')
plt.axvline(media - desvio, color='orange', linestyle=':', linewidth=2, label='.1f')

# Relleno para el IQR
plt.axvspan(q25, q75, alpha=0.2, color='yellow', label='.1f')

plt.xlabel('Valor', fontsize=12)
plt.ylabel('Frecuencia', fontsize=12)
plt.title('Histograma con Estadísticas Descriptivas', fontsize=14, fontweight='bold')
plt.legend()
plt.grid(True, alpha=0.3)

# Agregar texto con estadísticas
stats_text = ".1f"".1f"".1f"".1f"".1f"f"""
Estadísticas:
Media: {media:.1f}
Mediana: {mediana:.1f}
Desvío: {desvio:.1f}
Q25: {q25:.1f}
Q75: {q75:.1f}
IQR: {q75-q25:.1f}
"""

plt.text(0.02, 0.98, stats_text, transform=plt.gca().transAxes,
         fontsize=10, verticalalignment='top',
         bbox=dict(boxstyle='round,pad=0.5', facecolor='lightgray', alpha=0.8))

plt.show()

Fig. 1: Histogramas, box plots y violin plots para análisis estadístico

Diagramas de Caja (Box Plots)

Los diagramas de caja son excelentes para comparar distribuciones y detectar outliers.

Box Plot Básico

import matplotlib.pyplot as plt
import numpy as np

# Generar datos
np.random.seed(42)
datos1 = np.random.normal(50, 10, 200)
datos2 = np.random.normal(60, 15, 200)
datos3 = np.random.normal(45, 8, 200)

plt.figure(figsize=(12, 8))

# Crear box plot
bp = plt.boxplot([datos1, datos2, datos3],
                 labels=['Grupo A', 'Grupo B', 'Grupo C'],
                 patch_artist=True,
                 boxprops=dict(facecolor='lightblue', color='blue'),
                 medianprops=dict(color='red', linewidth=2),
                 whiskerprops=dict(color='blue', linewidth=1.5),
                 capprops=dict(color='blue', linewidth=1.5),
                 flierprops=dict(marker='o', markerfacecolor='red', markersize=5, alpha=0.6))

plt.ylabel('Valor', fontsize=12)
plt.title('Diagramas de Caja Comparativos', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3, axis='y')

# Agregar valores estadísticos
for i, datos in enumerate([datos1, datos2, datos3], 1):
    q1, mediana, q3 = np.percentile(datos, [25, 50, 75])
    plt.text(i, mediana, '.1f', ha='center', va='bottom',
             fontsize=9, fontweight='bold', color='red')

plt.show()

Box Plots Horizontales y Personalizados

import matplotlib.pyplot as plt
import numpy as np

# Datos de diferentes categorías
categorias = ['Producto A', 'Producto B', 'Producto C', 'Producto D']
datos = [
    np.random.normal(100, 20, 100),
    np.random.normal(120, 25, 100),
    np.random.normal(90, 15, 100),
    np.random.normal(110, 30, 100)
]

plt.figure(figsize=(14, 10))

# Box plot horizontal
plt.subplot(2, 1, 1)
bp = plt.boxplot(datos, vert=False, labels=categorias, patch_artist=True)

# Personalizar colores
colores = ['lightblue', 'lightgreen', 'lightcoral', 'lightyellow']
for patch, color in zip(bp['boxes'], colores):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

plt.title('Box Plots Horizontales', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3, axis='x')

# Box plot con outliers destacados
plt.subplot(2, 1, 2)

# Agregar algunos outliers extremos
datos_con_outliers = datos.copy()
datos_con_outliers[0] = np.append(datos_con_outliers[0], [200, -10])  # Outliers en Producto A

bp2 = plt.boxplot(datos_con_outliers, labels=categorias, patch_artist=True,
                  flierprops=dict(marker='o', markerfacecolor='red', markersize=8,
                                markeredgecolor='black', alpha=0.8))

# Colores para boxes
for patch in bp2['boxes']:
    patch.set_facecolor('lightblue')
    patch.set_alpha(0.7)

plt.title('Box Plots con Outliers Destacados', fontsize=14, fontweight='bold')
plt.ylabel('Valor', fontsize=12)
plt.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

Box Plots Agrupados

import matplotlib.pyplot as plt
import numpy as np

# Datos de múltiples grupos y condiciones
np.random.seed(42)
grupos = ['Control', 'Tratamiento A', 'Tratamiento B']
condiciones = ['Antes', 'Después']

datos = {}
for grupo in grupos:
    for condicion in condiciones:
        if grupo == 'Control':
            base = 50
        elif grupo == 'Tratamiento A':
            base = 60
        else:
            base = 55

        if condicion == 'Después':
            base += np.random.choice([-10, 0, 10, 20])

        datos[f'{grupo}_{condicion}'] = np.random.normal(base, 8, 50)

plt.figure(figsize=(14, 8))

# Preparar datos para box plot agrupado
etiquetas = []
datos_plot = []

for grupo in grupos:
    for condicion in condiciones:
        etiquetas.append(f'{grupo}\n{condicion}')
        datos_plot.append(datos[f'{grupo}_{condicion}'])

# Crear box plot agrupado
positions = np.arange(len(etiquetas))
bp = plt.boxplot(datos_plot, positions=positions, widths=0.6, patch_artist=True)

# Colores alternados para grupos
colores = ['lightblue', 'lightblue', 'lightgreen', 'lightgreen', 'lightcoral', 'lightcoral']
for patch, color in zip(bp['boxes'], colores):
    patch.set_facecolor(color)
    patch.set_alpha(0.7)

# Líneas separadoras entre grupos
for i in [1.5, 3.5]:
    plt.axvline(i, color='gray', linestyle='--', alpha=0.5)

plt.xticks(positions, etiquetas, fontsize=10)
plt.ylabel('Puntuación', fontsize=12)
plt.title('Box Plots Agrupados: Efecto de Tratamientos', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3, axis='y')

# Leyenda
plt.legend([plt.Rectangle((0,0),1,1, facecolor='lightblue', alpha=0.7),
           plt.Rectangle((0,0),1,1, facecolor='lightgreen', alpha=0.7),
           plt.Rectangle((0,0),1,1, facecolor='lightcoral', alpha=0.7)],
          ['Control', 'Tratamiento A', 'Tratamiento B'],
          title='Grupos', bbox_to_anchor=(1.05, 1), loc='upper left')

plt.tight_layout()
plt.show()

Diagramas de Violín

Los diagramas de violín combinan box plots con estimaciones de densidad kernel.

Violin Plot Básico

import matplotlib.pyplot as plt
import numpy as np

# Datos de ejemplo
np.random.seed(42)
datos1 = np.random.normal(50, 10, 200)
datos2 = np.random.normal(60, 15, 200)
datos3 = np.random.normal(45, 8, 200)

plt.figure(figsize=(12, 8))

# Crear violin plot
parts = plt.violinplot([datos1, datos2, datos3],
                      showmeans=True, showmedians=True, showextrema=True)

# Personalizar colores
for pc in parts['bodies']:
    pc.set_facecolor('lightblue')
    pc.set_edgecolor('blue')
    pc.set_alpha(0.7)

# Personalizar elementos
parts['cmeans'].set_color('red')
parts['cmedians'].set_color('green')
parts['cmins'].set_color('purple')
parts['cmaxes'].set_color('purple')

plt.xticks([1, 2, 3], ['Grupo A', 'Grupo B', 'Grupo C'])
plt.ylabel('Valor', fontsize=12)
plt.title('Diagramas de Violín', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3, axis='y')

# Leyenda
plt.legend([plt.Line2D([0], [0], color='red', linewidth=2),
           plt.Line2D([0], [0], color='green', linewidth=2),
           plt.Line2D([0], [0], color='purple', linewidth=2)],
          ['Media', 'Mediana', 'Mín/Máx'],
          bbox_to_anchor=(1.05, 1), loc='upper left')

plt.show()

Violin Plots con Box Plots

import matplotlib.pyplot as plt
import numpy as np

# Datos
np.random.seed(42)
grupos = ['A', 'B', 'C', 'D']
datos = [np.random.normal(i*10 + 50, 5 + i, 100) for i in range(4)]

plt.figure(figsize=(14, 8))

# Crear violin plot
violin_parts = plt.violinplot(datos, positions=range(len(grupos)),
                             showmeans=True, showmedians=True)

# Personalizar violines
for i, pc in enumerate(violin_parts['bodies']):
    pc.set_facecolor(plt.cm.viridis(i / len(grupos)))
    pc.set_edgecolor('black')
    pc.set_alpha(0.7)

# Agregar box plots encima
box_parts = plt.boxplot(datos, positions=range(len(grupos)),
                       widths=0.1, patch_artist=True,
                       boxprops=dict(facecolor='white', alpha=0.8),
                       medianprops=dict(color='red'))

plt.xticks(range(len(grupos)), grupos)
plt.xlabel('Grupos', fontsize=12)
plt.ylabel('Valor', fontsize=12)
plt.title('Violin Plots con Box Plots Integrados', fontsize=14, fontweight='bold')
plt.grid(True, alpha=0.3, axis='y')

plt.show()

Mapas de Calor

Los mapas de calor son ideales para visualizar matrices de datos y correlaciones.

Heatmap Básico

import matplotlib.pyplot as plt
import numpy as np

# Crear matriz de datos
np.random.seed(42)
datos = np.random.rand(10, 10)

plt.figure(figsize=(10, 8))

# Crear heatmap
im = plt.imshow(datos, cmap='viridis', aspect='auto')

# Agregar barra de colores
cbar = plt.colorbar(im, shrink=0.8, aspect=20)
cbar.set_label('Valor', fontsize=12)

plt.xlabel('Columna', fontsize=12)
plt.ylabel('Fila', fontsize=12)
plt.title('Mapa de Calor Básico', fontsize=14, fontweight='bold')

# Agregar valores en las celdas
for i in range(datos.shape[0]):
    for j in range(datos.shape[1]):
        plt.text(j, i, '.2f', ha='center', va='center',
                fontsize=8, color='white' if datos[i, j] > 0.5 else 'black')

plt.show()

Heatmap de Correlación

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# Simular datos de diferentes variables
np.random.seed(42)
n = 100
datos = {
    'Altura': np.random.normal(170, 10, n),
    'Peso': np.random.normal(70, 15, n),
    'Edad': np.random.normal(30, 8, n),
    'Ingresos': np.random.normal(50000, 20000, n),
    'Educación': np.random.normal(12, 3, n)
}

df = pd.DataFrame(datos)

# Calcular matriz de correlación
corr_matrix = df.corr()

plt.figure(figsize=(10, 8))

# Crear heatmap de correlación
mask = np.triu(np.ones_like(corr_matrix, dtype=bool))  # Máscara para triángulo superior
im = plt.imshow(corr_matrix, cmap='RdYlBu_r', vmin=-1, vmax=1)

# Agregar valores
for i in range(len(corr_matrix)):
    for j in range(len(corr_matrix)):
        if not mask[i, j]:  # Solo mostrar triángulo inferior
            plt.text(j, i, '.2f', ha='center', va='center',
                    fontsize=10, fontweight='bold',
                    color='white' if abs(corr_matrix.iloc[i, j]) > 0.5 else 'black')

# Configurar ejes
plt.xticks(range(len(corr_matrix)), corr_matrix.columns, rotation=45, ha='right')
plt.yticks(range(len(corr_matrix)), corr_matrix.index)

# Barra de colores
cbar = plt.colorbar(im, shrink=0.8, aspect=20)
cbar.set_label('Coeficiente de Correlación', fontsize=12)

plt.title('Matriz de Correlación', fontsize=14, fontweight='bold')
plt.tight_layout()

plt.show()

Heatmap con Anotaciones Personalizadas

import matplotlib.pyplot as plt
import numpy as np

# Crear datos más complejos
np.random.seed(42)
filas = ['Producto A', 'Producto B', 'Producto C', 'Producto D', 'Producto E']
columnas = ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun']
ventas = np.random.randint(100, 1000, (len(filas), len(columnas)))

plt.figure(figsize=(12, 8))

# Crear heatmap
im = plt.imshow(ventas, cmap='YlOrRd', aspect='auto')

# Barra de colores
cbar = plt.colorbar(im, shrink=0.8, aspect=15)
cbar.set_label('Ventas ($)', fontsize=12)

# Configurar ejes
plt.xticks(range(len(columnas)), columnas, fontsize=10)
plt.yticks(range(len(filas)), filas, fontsize=10)

plt.xlabel('Mes', fontsize=12)
plt.ylabel('Producto', fontsize=12)
plt.title('Mapa de Calor de Ventas por Producto y Mes', fontsize=14, fontweight='bold')

# Agregar valores con formato condicional
for i in range(len(filas)):
    for j in range(len(columnas)):
        valor = ventas[i, j]
        color = 'white' if valor > 600 else 'black'
        plt.text(j, i, f'${valor}', ha='center', va='center',
                fontsize=9, fontweight='bold', color=color)

# Líneas de cuadrícula
plt.grid(False)  # Desactivar grid automático
for i in range(len(filas)):
    plt.axhline(i - 0.5, color='white', linewidth=1)
for j in range(len(columnas)):
    plt.axvline(j - 0.5, color='white', linewidth=1)

plt.tight_layout()
plt.show()

Gráficos de Contorno

Los gráficos de contorno muestran líneas de nivel en datos tridimensionales.

Contorno Básico

import matplotlib.pyplot as plt
import numpy as np

# Crear datos 3D
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(X) * np.cos(Y)

plt.figure(figsize=(15, 10))

# Gráfico de contorno
plt.subplot(2, 2, 1)
cs = plt.contour(X, Y, Z, levels=15, cmap='viridis')
plt.clabel(cs, inline=True, fontsize=8)
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Gráfico de Contorno')
plt.colorbar(cs, shrink=0.8)
plt.grid(True, alpha=0.3)

# Gráfico de contorno relleno
plt.subplot(2, 2, 2)
csf = plt.contourf(X, Y, Z, levels=20, cmap='RdYlBu')
plt.colorbar(csf, shrink=0.8)
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Contorno Relleno')

# Contorno con etiquetas personalizadas
plt.subplot(2, 2, 3)
cs3 = plt.contour(X, Y, Z, levels=np.linspace(-1, 1, 11), colors='black', linewidths=0.5)
plt.clabel(cs3, inline=True, fontsize=8, fmt='%.1f')
plt.contourf(X, Y, Z, levels=np.linspace(-1, 1, 11), cmap='RdYlBu', alpha=0.3)
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Contorno con Etiquetas')
plt.grid(True, alpha=0.3)

# Contorno 3D
from mpl_toolkits.mplot3d import Axes3D
ax = plt.subplot(2, 2, 4, projection='3d')
surf = ax.plot_surface(X, Y, Z, cmap='viridis', alpha=0.8)
ax.contour(X, Y, Z, levels=10, cmap='viridis', offset=-2)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
ax.set_title('Contorno 3D')
plt.colorbar(surf, ax=ax, shrink=0.6, aspect=10)

plt.tight_layout()
plt.show()

Gráficos Polares

Los gráficos polares son útiles para datos con dirección o ángulo.

Gráfico Polar Básico

import matplotlib.pyplot as plt
import numpy as np

# Datos polares
theta = np.linspace(0, 2*np.pi, 100)
r = 2 * np.sin(4 * theta)

plt.figure(figsize=(12, 8))

# Gráfico polar
ax = plt.subplot(2, 2, 1, polar=True)
ax.plot(theta, r, 'b-', linewidth=2)
ax.set_title('Rosa Polar', fontsize=12, fontweight='bold')
ax.grid(True, alpha=0.3)

# Múltiples funciones polares
ax2 = plt.subplot(2, 2, 2, polar=True)
r1 = 1 + np.cos(theta)
r2 = 1 + 0.5 * np.cos(2*theta)
r3 = 1 + 0.3 * np.cos(3*theta)

ax2.plot(theta, r1, 'r-', label='n=1', linewidth=2)
ax2.plot(theta, r2, 'g-', label='n=2', linewidth=2)
ax2.plot(theta, r3, 'b-', label='n=3', linewidth=2)
ax2.set_title('Funciones Polares', fontsize=12, fontweight='bold')
ax2.legend()
ax2.grid(True, alpha=0.3)

# Datos direccionales (viento)
ax3 = plt.subplot(2, 2, 3, polar=True)
np.random.seed(42)
direcciones = np.random.uniform(0, 2*np.pi, 50)
velocidades = np.random.uniform(0, 10, 50)

ax3.scatter(direcciones, velocidades, c=velocidades, cmap='viridis', s=50, alpha=0.7)
ax3.set_title('Dirección y Velocidad del Viento', fontsize=12, fontweight='bold')
ax3.set_rlabel_position(90)
ax3.grid(True, alpha=0.3)

# Radar chart
ax4 = plt.subplot(2, 2, 4, polar=True)
categorias = ['Fuerza', 'Velocidad', 'Precisión', 'Resistencia', 'Técnica']
valores = [8, 7, 9, 6, 8]

# Cerrar el polígono
angulos = np.linspace(0, 2*np.pi, len(categorias), endpoint=False).tolist()
valores += valores[:1]
angulos += angulos[:1]

ax4.plot(angulos, valores, 'o-', linewidth=2, color='red', markersize=8)
ax4.fill(angulos, valores, alpha=0.25, color='red')
ax4.set_xticks(angulos[:-1])
ax4.set_xticklabels(categorias)
ax4.set_ylim(0, 10)
ax4.set_title('Gráfico Radar', fontsize=12, fontweight='bold')
ax4.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

Barras de Error

Las barras de error muestran la incertidumbre en las mediciones.

Barras de Error Básicas

import matplotlib.pyplot as plt
import numpy as np

# Datos con incertidumbre
x = np.arange(5)
y = [2, 3, 1, 4, 2.5]
y_err = [0.2, 0.3, 0.1, 0.4, 0.2]  # Error en Y
x_err = [0.1, 0.1, 0.1, 0.1, 0.1]  # Error en X

plt.figure(figsize=(12, 8))

# Barras de error en Y
plt.subplot(2, 2, 1)
plt.errorbar(x, y, yerr=y_err, fmt='o-', capsize=5, capthick=2,
             elinewidth=2, markersize=8, color='blue')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Barras de Error en Y')
plt.grid(True, alpha=0.3)

# Barras de error en X e Y
plt.subplot(2, 2, 2)
plt.errorbar(x, y, xerr=x_err, yerr=y_err, fmt='s-', capsize=3,
             color='red', ecolor='orange', linewidth=2)
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Barras de Error en X e Y')
plt.grid(True, alpha=0.3)

# Barras de error con diferentes estilos
plt.subplot(2, 2, 3)
plt.errorbar(x, y, yerr=y_err, fmt='o', capsize=5, capthick=1,
             elinewidth=1, markersize=6, color='green', alpha=0.7)
plt.errorbar(x, np.array(y) + 1, yerr=y_err, fmt='s', capsize=3,
             elinewidth=2, markersize=6, color='purple', alpha=0.7)
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Múltiples Series con Barras de Error')
plt.legend(['Serie 1', 'Serie 2'])
plt.grid(True, alpha=0.3)

# Barras de error en barras verticales
plt.subplot(2, 2, 4)
bars = plt.bar(x, y, yerr=y_err, capsize=5, color='lightblue',
               edgecolor='blue', linewidth=1, alpha=0.7)
plt.xlabel('Categoría')
plt.ylabel('Valor')
plt.title('Barras con Error')
plt.grid(True, alpha=0.3, axis='y')

plt.tight_layout()
plt.show()

Gráficos de Área Apilada

Los gráficos de área apilada muestran la contribución de diferentes componentes a un total.

Área Apilada Básica

import matplotlib.pyplot as plt
import numpy as np

# Datos de ventas por categoría
meses = np.arange(1, 13)
ventas_A = np.array([120, 150, 180, 200, 250, 300, 280, 320, 350, 380, 400, 420])
ventas_B = np.array([100, 120, 140, 160, 180, 200, 220, 240, 260, 280, 300, 320])
ventas_C = np.array([80, 90, 100, 110, 120, 130, 140, 150, 160, 170, 180, 190])

plt.figure(figsize=(14, 8))

# Gráfico de área apilada
plt.stackplot(meses, ventas_A, ventas_B, ventas_C,
              labels=['Producto A', 'Producto B', 'Producto C'],
              colors=['lightblue', 'lightgreen', 'lightcoral'],
              alpha=0.8)

plt.xlabel('Mes', fontsize=12)
plt.ylabel('Ventas ($)', fontsize=12)
plt.title('Ventas por Producto - Área Apilada', fontsize=14, fontweight='bold')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

# Agregar línea del total
total = ventas_A + ventas_B + ventas_C
plt.plot(meses, total, 'k-', linewidth=2, label='Total')
plt.legend()

plt.xticks(meses, ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun',
                   'Jul', 'Ago', 'Sep', 'Oct', 'Nov', 'Dic'], rotation=45)

plt.tight_layout()
plt.show()

Matrices de Dispersión

Las matrices de dispersión muestran relaciones entre múltiples variables.

Scatter Matrix Básica

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# Crear datos
np.random.seed(42)
n = 100
datos = {
    'Altura': np.random.normal(170, 10, n),
    'Peso': np.random.normal(70, 15, n),
    'Edad': np.random.normal(30, 8, n),
    'Ingresos': np.random.normal(50000, 20000, n)
}

df = pd.DataFrame(datos)

plt.figure(figsize=(12, 12))

# Crear scatter matrix manualmente
variables = list(datos.keys())
n_vars = len(variables)

for i in range(n_vars):
    for j in range(n_vars):
        plt.subplot(n_vars, n_vars, i*n_vars + j + 1)

        if i == j:
            # Diagonal: histogramas
            plt.hist(df[variables[i]], bins=15, alpha=0.7, color='skyblue', edgecolor='black')
            plt.title(f'{variables[i]}', fontsize=10)
        else:
            # Off-diagonal: scatter plots
            plt.scatter(df[variables[j]], df[variables[i]], alpha=0.6, s=20, color='blue')
            if i == n_vars-1:  # Última fila
                plt.xlabel(variables[j], fontsize=8)
            if j == 0:  # Primera columna
                plt.ylabel(variables[i], fontsize=8)

        # Ocultar ticks para claridad
        if i < n_vars-1:
            plt.xticks([])
        if j > 0:
            plt.yticks([])

plt.suptitle('Matriz de Dispersión', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

Visualizaciones Estadísticas Avanzadas

Gráfico Q-Q (Quantile-Quantile)

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# Datos
np.random.seed(42)
datos_normales = np.random.normal(0, 1, 200)
datos_exponenciales = np.random.exponential(1, 200)

plt.figure(figsize=(14, 6))

# Q-Q plot para datos normales
plt.subplot(1, 2, 1)
stats.probplot(datos_normales, dist="norm", plot=plt)
plt.title('Q-Q Plot: Datos Normales vs Normal Teórica')
plt.grid(True, alpha=0.3)

# Q-Q plot para datos exponenciales
plt.subplot(1, 2, 2)
stats.probplot(datos_exponenciales, dist="expon", plot=plt)
plt.title('Q-Q Plot: Datos Exponenciales vs Exponencial Teórica')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

Gráfico de Andrews

import matplotlib.pyplot as plt
import numpy as np
from pandas.plotting import andrews_curves
import pandas as pd

# Crear datos de ejemplo
np.random.seed(42)
n = 50
datos = {
    'Grupo': np.random.choice(['A', 'B', 'C'], n),
    'Var1': np.random.normal(0, 1, n),
    'Var2': np.random.normal(2, 1, n),
    'Var3': np.random.normal(-1, 1, n),
    'Var4': np.random.normal(1, 2, n)
}

df = pd.DataFrame(datos)

plt.figure(figsize=(12, 8))

# Gráfico de Andrews
andrews_curves(df, 'Grupo', colormap='viridis')

plt.title('Curvas de Andrews por Grupo', fontsize=14, fontweight='bold')
plt.xlabel('t', fontsize=12)
plt.ylabel('f(t)', fontsize=12)
plt.grid(True, alpha=0.3)
plt.legend(title='Grupo')

plt.show()

¡Has dominado los gráficos avanzados de Matplotlib! Ahora puedes crear visualizaciones estadísticas complejas y mapas de calor profesionales.

En el próximo tutorial aprenderás sobre Gráficos 3D para crear visualizaciones tridimensionales impactantes.