Desafío 5: Gráficos de Matrices
A menudo, los datos se presentan en formato de matriz, donde las filas y las columnas representan distintas variables o categorías. Para visualizar eficazmente estos datos estructurados, los trazados matriciales vienen al rescate. Seaborn, conocido por sus completas funciones de trazado, ofrece herramientas especializadas para crear potentes visualizaciones matriciales.
Los gráficos matriciales en Seaborn le permiten:
- Visualizar** la relación entre dos variables categóricas.
- Visualizar** la distribución de los datos en un formato de mapa de calor.
- Explorar** estructuras jerárquicas en los datos utilizando mapas de conglomerados.
Aprovechando los gráficos matriciales de Seaborn, los analistas pueden navegar por intrincadas estructuras de datos, extraer patrones y tomar decisiones basadas en datos con facilidad.
Tarea
Swipe to start coding
Utilizando Seaborn, demuestre la estructura matricial en un conjunto de datos:
-
- Trace un mapa de calor de una matriz de correlación.
-
- Anotar el mapa de calor con los valores reales de correlación.
Solución
import seaborn as sns
import matplotlib.pyplot as plt
# Sample data
data = sns.load_dataset('flights').pivot(index='month', columns='year', values='passengers')
# 1. Heatmap of a correlation matrix
sns.heatmap(data.corr())
plt.title('Correlation Matrix Heatmap')
plt.show()
# 2. Annotated heatmap
sns.heatmap(data.corr(), annot=True)
plt.title('Annotated Correlation Matrix Heatmap')
plt.show()
¿Todo estuvo claro?
¡Gracias por tus comentarios!
Sección 5. Capítulo 5
import seaborn as sns
import matplotlib.pyplot as plt
# Sample data
data = sns.load_dataset('flights').pivot(index='month', columns='year', values='passengers')
# 1. Heatmap of a correlation matrix
sns.___(data.corr())
plt.title('Correlation Matrix Heatmap')
plt.show()
# 2. Annotated heatmap
sns.___(data.corr(), ___=True)
plt.title('Annotated Correlation Matrix Heatmap')
plt.show()
