LIBRERÍA MATPLOTLIB

Las librerías de Python son una parte esencial del ecosistema del lenguaje de programación, ya que permiten a los desarrolladores acceder a un conjunto amplio de funcionalidades específicas, como manipulación de cadenas, operaciones matemáticas, acceso a bases de datos, manipulación de archivos, creación de interfaces gráficas, procesamiento de datos científicos, creación de sitios web, entre muchas otras. En el presente artículo conoceremos a la libreria Bokeh, la cual resalta sobre las demás, por la interactividad de sus gráficos, su representación multiplataforma y su grado de personalización.

¿QUÉ ES MATPLOTLIB?

Matplotlib es una librería de trazado utilizada para gráficos 2D en lenguaje de programación Python, es muy flexible y tiene muchos valores predeterminados incorporados que te ayudarán muchísimo en tú trabajo. Produce figuras de calidad de publicación en una variedad de formatos impresos y entornos interactivos. Como tal, no necesitas mucho para comenzar, solamente tienes que hacer las importaciones necesarias, preparar algunos datos y con esto puedes comenzar a trazar tu función con la ayuda de la instrucción plot().

Por ejemplo, es posible crear ​​trazados, histogramas, diagramas de barra y cualquier tipo de gráfica con ayuda de algunas líneas de código. Se trata de una herramienta muy completa, que permite generar visualizaciones de datos muy detalladas.

Se emplea particularmente en servidores de aplicación web, shells y scripts de Python. Con las API de matplotlib, también es posible que los desarrolladores integren gráficas con aplicaciones de interfaz gráfica. Además Matplotlib proporciona muchas funciones para personalizar la apariencia de los gráficos.

Por otro lado, Matplotlib resulta fundamental en cualquier proyecto de Ciencia de Datos y Machine Learning, pues nos permite desarrollar visualizaciones que resultan esenciales en diferentes fases del ciclo de vida de estos proyectos.

En particular, en el ciclo de vida de un proyecto de Ciencia de Datos. Matplotlib es una herramienta útil en las fases de limpieza de datos, análisis exploratorio de datos, análisis (descriptivo, explicativo, predictivo o prescriptivo) y en la comunicación de resultados.

Además, en el ciclo de vida de un proyecto de Machine Learning podemos usar Matplotlib como herramienta de visualización en las fases de limpieza de datos, análisis exploratorio de los datos, pre-procesamiento de datos y extracción de características y durante la construcción misma del modelo.

VENTAJAS DE LA LIBRERÍA

• Presenta una amplia gama de gráficos y representaciones disponibles

• Nos permite personalizar las gráficas tanto como queramos (colores, tipo de letra, ubicación de cada elemento en la gráfica, etc.).

• Matplotlib soporta texto y etiquetas en formato LaTeX. Además, los usuarios pueden personalizar su funcionalidad a través de paquetes diseñados por terceros (Cartopy, Ridge Map, holoviews, entre otros).   

CÓDIGO EJEMPLO:

Construimos una función que reciba una serie de Pandas con las notas de los alumnos del curso de geometría analítica del salon 210 de la FIIS, donde estan inscritos 25 alumnos. Saldrá la función mediante un diagrama de cajas con las notas. Nuestro diagrama tendrá como título "Distribución de notas del curso de geometría analítica".

import pandas as pd 
import matplotlib.pyplot as plt 

def diagrama_caja_notas(notas):
    '''Función que construye un diagrama de cajas con las notas de los alumnos del salon 210 del curso de geometría analítica de la FIIS UNI.
    
    Parámetros:
        - notas: Es una serie de Pandas con las notas de los alumnos.
    '''
    # Definimos la figura y los ejes del gráfico con Matplotlib
    fig, ax = plt.subplots()
    # Dibujamos los sectores con las verntas a partir de la serie
    notas.plot(kind = 'box', ax = ax)
    # Eliminamos las marcas del eje x 
    plt.xticks([])
    # 
    # Añadimos el título
    plt.title('Distribución de notas del curso de geometría analítica')
    # Devolvemos el objeto con los ejes y el gráfico que contienten
    return ax

notas = [1,5,11,6,4,2,3,3, 7, 8, 2, 0, 12, 5, 5, 10, 4, 2,7,6,4,8,3,1,10 ]
s_notas = pd.Series(notas)
diagrama_caja_notas(s_notas)
plt.show()

SALIDA:

La librería ha demostrado ser muy versátil y se pueden crear muchos tipos de gráficos. Gracias a su gran versatilidad, existen muchas otras aplicaciones posibles de esta librería en diversos campos, como la ciencia de datos, la ingeniería, la investigación académica, entre otros.