Summary  
This chapter explains how to customize plot aesthetics by configuring global style settings, color palettes, and context scaling parameters in a plotting library.  

General domain of usage  
Data visualization

## Configuración del Estilo

`seaborn` proporciona la función `set_style()` específicamente para establecer el estilo visual de tus gráficos. Esta función requiere un único parámetro **obligatorio** llamado `style`. El parámetro `style` acepta varias opciones predefinidas, cada una representando un estilo distinto:

* `'white'`
* `'dark'`
* `'whitegrid'`
* `'darkgrid'`
* `'ticks'`

Se recomienda experimentar con estas opciones:

import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

## Configuración de la Paleta

Otra opción es modificar los colores de los elementos del gráfico en `seaborn` utilizando la función `set_palette()`, centrándose en su único parámetro requerido: `palette`:

* Paletas circulares: `'hls'`, `'husl'`;
* Paletas perceptualmente uniformes: `'rocket'`, `'magma'`, `'mako'`, etc.;
* Paletas de colores divergentes: `'RdBu'`, `'PRGn'`, etc.;
* Paletas de colores secuenciales: `'Greys'`, `'Blues'`, etc.



Puede explorar más sobre las diferentes paletas en el artículo <a href="https://seaborn.pydata.org/tutorial/color_palettes.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> "Choosing color palettes"</a>.

Estudiar más

import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

# Setting the palette
sns.set_palette('magma')

# Loading a built-in dataset of the Titanic passengers
titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

## Configuración del Contexto

Existe otra función en la biblioteca `seaborn`, `set_context()`. Esta afecta aspectos como el tamaño de las **etiquetas**, **líneas** y otros elementos de la gráfica (el estilo general no se ve afectado).

El parámetro más importante es `context`, que puede ser un `dict` de parámetros o una `string` que representa el nombre de un conjunto preconfigurado.

El `context` predeterminado es `'notebook'`. Otros contextos disponibles incluyen `'paper'`, `'talk'` y `'poster'`, que son versiones escaladas de los parámetros de `notebook`.


import seaborn as sns
import matplotlib.pyplot as plt

# Setting the style
sns.set_style('darkgrid')

# Setting the palette
sns.set_palette('magma')

# Setting the context
sns.set_context('paper')

# Loading a built-in dataset of the Titanic passengers
titanic_df = sns.load_dataset('titanic')

sns.countplot(data=titanic_df, x='class')
plt.show()

Puedes explorar más en <a href="https://seaborn.pydata.org/generated/seaborn.set_context.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> documentación de <code>set_context()</code></a>.

import unittest
import ast
import inspect
import user_code  # student's solution code

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestSeabornConfig(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        source = inspect.getsource(user_code)
        cls.tree = ast.parse(source)

    def test_set_style_dark(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_style'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'dark'
            for call in calls
        )
        _dynamic_test(self, correct, "Style is 'dark'", "Style isn't 'dark'")

    def test_set_palette_rocket(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_palette'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'rocket'
            for call in calls
        )
        _dynamic_test(self, correct, "Palette is 'rocket'", "Palette isn't 'rocket'")

    def test_set_context_talk(self):
        calls = [
            node for node in ast.walk(self.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'set_context'
        ]
        correct = any(
            isinstance(call.func.value, ast.Name) and call.func.value.id == 'sns' and
            len(call.args) == 1 and
            isinstance(call.args[0], ast.Constant) and call.args[0].value == 'talk'
            for call in calls
        )
        _dynamic_test(self, correct, "Context is 'talk'", "Context isn't 'talk'")

if __name__ == '__main__':
    unittest.main()


test_decorations.py

Los datos están en todas partes a nuestro alrededor, y comprenderlos es sumamente importante. La visualización ayuda a manejar los datos al identificar ciertos patrones y obtener información relevante. Desarrollará una base sólida en visualización de datos utilizando Python y sus bibliotecas, como matplotlib y seaborn, para extraer la mayor cantidad de información posible de los datos de manera clara y concisa.

Primero, se discutirán las aplicaciones de gráficos, la biblioteca Matplotlib y sus ventajas. Posteriormente, se creará un gráfico simple utilizando Matplotlib.

Ahora está listo para crear varios gráficos comúnmente utilizados en la práctica. Sin más preámbulos, profundicemos de inmediato.

La representación gráfica y la visualización no solo consisten en crear uno o varios gráficos, sino también en hacerlos claros, comprensibles y agradables a la vista. Es momento de aprender la personalización de gráficos en matplotlib.

La estadística es fundamental en el trabajo con datos, por lo que es sumamente importante saber cómo crear diversos gráficos estadísticos. Ahora es momento de explorar los más comunes.

Seaborn es otra potente biblioteca de gráficos en Python construida sobre matplotlib. Ahora que ya está familiarizado con matplotlib, es momento de profundizar en la visualización con seaborn.

Decoración de Gráficos

Solución

Awesome!

Decoración de Gráficos

Solución

Awesome!