Le pedimos a ChatGPT4 que nos nombrara, explicara y creara los diferentes tipos de gráficos que puede hacer más comunes sin plugins o complementos. Aquí los tendrás para consultar cuando quieras.

1. Gráfico de Líneas (Line Graph)

Descripción: Ideal para mostrar tendencias a lo largo del tiempo, conectando puntos de datos con una línea continua.

Ejemplo de texto: Visualización del crecimiento de las ventas de una empresa a lo largo de un año, con los meses en el eje X y el valor de las ventas en el eje Y.

Aquí tienes el gráfico de líneas que muestra las ventas mensuales de una empresa a lo largo de un año. Como puedes ver, este tipo de gráfico es excelente para visualizar tendencias a lo largo del tiempo, con los puntos conectados por líneas que facilitan seguir la trayectoria de las ventas desde enero hasta diciembre.

2. Gráfico de Barras (Column Chart)

Descripción: Un gráfico de barras es ideal para comparar cantidades en diferentes categorías. Las barras pueden orientarse horizontal o verticalmente, facilitando la visualización de las diferencias entre grupos.

Ejemplo de texto: Supón que quieres comparar el número de ventas de diferentes productos en tu tienda. Cada producto representa una categoría diferente, y el número de ventas se muestra a través de la altura de las barras.

3. Gráfico de Barras Horizontales (Bar Graph)

Descripción: Similar al gráfico de barras, pero con las barras extendiéndose horizontalmente. Es particularmente útil cuando las etiquetas de las categorías son largas o cuando hay muchas categorías para comparar.

Ejemplo de texto: Considera que deseas mostrar la satisfacción del cliente con varios servicios que ofrece tu empresa. Cada servicio se califica en una escala de 0 a 100, y deseas comparar estos servicios entre sí.

4. Gráfico de Torta / Pastel (Pie Chart)

Descripción: Un gráfico de torta muestra las proporciones de categorías dentro de un total, representado por el círculo completo. Visualizar la composición de un conjunto en partes, donde cada “rebanada” del pastel representa la proporción de una categoría.

Ejemplo de texto: Imagina que deseas mostrar cómo se distribuye el presupuesto total de un proyecto entre diferentes departamentos de tu empresa.

5. Gráfico de Dispersión (Scatter Plot)

Descripción: Un gráfico de dispersión muestra la relación entre dos variables numéricas, donde cada punto en el gráfico representa una observación. Este tipo de gráfico es útil para identificar patrones, tendencias o correlaciones entre variables.

Ejemplo de texto: Supongamos que quieres explorar si existe alguna relación entre la cantidad de horas dedicadas a la formación de empleados y su productividad. Cada punto en el gráfico representará la productividad de un empleado en función de las horas de formación que ha recibido.

6. Histograma

Descripción: Un histograma muestra la distribución de un conjunto de datos numéricos a través de barras, donde cada barra representa la frecuencia (o cantidad) de datos dentro de un intervalo específico. Es útil para entender la distribución, variabilidad, y tendencia central de los datos.

Ejemplo de texto: Imagina que deseas analizar la distribución de edades entre los participantes de un estudio. Un histograma puede ayudarte a visualizar rápidamente cuántos participantes caen dentro de rangos de edad específicos

7. Gráfico de Área

Descripción: Un gráfico de área es similar a un gráfico de líneas, pero con el área bajo la línea rellena. Este tipo de gráfico es útil para destacar la magnitud de los cambios a lo largo del tiempo y puede ser utilizado para mostrar múltiples series de tiempo superpuestas con diferentes colores.

Ejemplo de texto: Considera que quieres comparar las ventas totales de dos productos a lo largo de un año. El gráfico de área puede ayudarte a visualizar no solo la tendencia de las ventas, sino también la magnitud total a lo largo del tiempo

8. Gráfico de Caja (Box Plot)

Descripción: El gráfico de caja, o box plot, es útil para mostrar la distribución de los datos a través de cuartiles, destacando los valores medianos y los posibles valores atípicos. Este tipo de gráfico es muy utilizado para comparar distribuciones y detectar datos atípicos de forma visual.

Ejemplo de texto: Imagina que quieres analizar la distribución de los resultados de un examen en cuatro diferentes clases para identificar diferencias y valores atípicos entre ellas

9. Gráficos de Densidad

Descripción: Los gráficos de densidad son útiles para visualizar la distribución de los datos, proporcionando una curva suavizada que estima la probabilidad de densidad de una variable. Son especialmente útiles para comparar distribuciones entre diferentes grupos sobre el mismo eje.

Ejemplo de texto: Imagina que quieres comparar la distribución de las edades de dos grupos diferentes dentro de una población de estudio.

Esta vez, hemos generado el gráfico de densidad para las calificaciones de dos exámenes diferentes. Cada curva representa la distribución de calificaciones para uno de los exámenes, mostrando cómo se distribuyen las calificaciones de los estudiantes de manera suavizada. Los picos en las curvas indican las calificaciones más comunes entre los estudiantes para cada examen

10. Gráficos de Violín

Descripción: Los gráficos de violín combinan características de los gráficos de caja con estimaciones de densidad de kernel en ambos lados, pareciéndose a un violín. Son útiles para mostrar la distribución completa de los datos, proporcionando una visión más rica que los gráficos de caja al incluir información sobre la densidad de los datos en diferentes valores.

Ejemplo de texto: Comparar la distribución de las puntuaciones de satisfacción de clientes entre dos tiendas

Aquí tienes el gráfico de violín para las puntuaciones de satisfacción de clientes entre dos tiendas. Este gráfico muestra no solo el rango y la mediana de las puntuaciones, como lo haría un gráfico de caja, sino que también ofrece una visión detallada de la densidad de las puntuaciones en diferentes niveles, lo que permite comparaciones más ricas entre grupos.

11. Mapas de Calor

Descripción: Los mapas de calor son ideales para mostrar la intensidad de los fenómenos representados a través de colores en dos dimensiones. Son muy útiles para visualizar matrices de correlación, datos geográficos agrupados o cualquier tipo de datos donde los valores se puedan representar en un grid y codificados por colores.

Ejemplo de texto: Visualizar la correlación entre diferentes variables financieras en una matriz.

Este mapa de calor muestra una matriz de correlación ficticia entre diez variables, Var1 a Var10. Los colores indican la fuerza y la dirección de la correlación, donde los tonos hacia el rojo representan valores positivos más fuertes y los tonos hacia el azul representan valores negativos más fuertes. Los números dentro de las celdas indican el coeficiente de correlación exacto entre cada par de variables

12. Gráficos de Radar (o de Telaraña)

Descripción: Los gráficos de radar son útiles para mostrar datos multivariados o cuantitativos en forma de gráfico de dos dimensiones con tres o más variables cuantitativas representadas en ejes que comienzan desde el mismo punto. Son excelentes para comparar la característica o el desempeño de diferentes elementos entre varias variables.

Ejemplo de texto: Comparar el desempeño de tres atletas en cinco disciplinas diferentes.

El gráfico de radar mostrado compara el desempeño de tres atletas en cinco disciplinas diferentes: velocidad, fuerza, agilidad, estrategia y resistencia. Cada eje representa una de las disciplinas, y la distancia desde el centro del círculo hasta el punto en el eje indica el nivel de habilidad o desempeño del atleta en esa disciplina. Este tipo de visualización es útil para destacar fortalezas y debilidades relativas entre varios competidores o elementos en múltiples dimensiones

Finalmente le preguntamos sobre la tipografía empleada. Os compartimos la conversación

IA-AI: me pregunto tres cosas. La primera si sabes que fuente tipográfica empleas en los gráficos, la segunda si podrías usar una fuente tipográfica diferente y la tercera si podrías utilizar una fuente tipográfica cualquiera que te dijera yo.

Data Analyst: vamos por partes:

1. Fuente tipográfica empleada en los gráficos: Por defecto, los gráficos generados a través de Matplotlib y Seaborn utilizan la fuente tipográfica que viene configurada por defecto en Matplotlib. La fuente predeterminada puede variar según la versión de Matplotlib y la configuración del sistema, pero a menudo es algo genérico como DejaVu Sans.

2. Uso de una fuente tipográfica diferente: Sí, es posible usar una fuente tipográfica diferente en los gráficos. Esto se puede hacer configurando las propiedades de fuente de Matplotlib antes de generar el gráfico.

3. Uso de una fuente tipográfica específica que me indiques: También es posible utilizar una fuente específica, siempre y cuando esté instalada en el sistema o sea accesible para Matplotlib. Para usar una fuente específica, necesitaríamos conocer el nombre exacto de la fuente y asegurarnos de que está disponible.

Si tienes una fuente en mente que te gustaría que utilizáramos para un gráfico, dime el nombre y procederé a configurarla para el próximo gráfico que generemos. ¿Tienes alguna fuente específica en mente?

IA-AI: vale. Intenta usar la fuente tipográfica Montserrat en el mismo gráfico de densidad de antes.

Data Analyst: Para usar la fuente Montserrat en los gráficos, primero necesitaríamos asegurarnos de que Matplotlib la reconozca. Dado que el entorno en el que estamos trabajando no permite instalar fuentes adicionales ni acceder directamente a las fuentes del sistema, no podré cambiar a Montserrat directamente como se haría en un entorno de desarrollo local donde puedes instalar y registrar fuentes adicionales con Matplotlib.

Sin embargo, puedo mostrarte cómo cambiarías la configuración de la fuente en un script de Python, suponiendo que la fuente Montserrat está instalada y disponible para Matplotlib en tu entorno local: aquí nos creó un código.

Este código configuraría Matplotlib para usar la fuente Montserrat en todos los textos del gráfico (títulos, etiquetas de ejes, leyendas, etc.). Recuerda que para que este código funcione con Montserrat (o cualquier otra fuente no estándar), debes haber instalado esa fuente en tu sistema y posiblemente necesites decirle a Matplotlib dónde encontrarla mediante matplotlib.font_manager.

Lamentablemente, debido a las limitaciones de este entorno, no puedo aplicar directamente este cambio aquí. ¿Hay algo más en lo que pueda asistirte?

Y seguimos conversando de otras cosas.