Aprende Mejores Prácticas para Visualizaciones Claras y Accesibles

Al crear visualizaciones de datos, el objetivo es comunicar la información de la manera más clara y efectiva posible. Para lograrlo, es necesario considerar varias buenas prácticas que promuevan tanto la claridad como la accesibilidad. Los principios clave incluyen asegurar un fuerte contraste de colores para que los gráficos sean legibles para todos, incluidas las personas con deficiencias en la visión de los colores; utilizar títulos descriptivos, etiquetas de ejes y leyendas para que los espectadores comprendan qué representa cada elemento; y minimizar el desorden evitando líneas de cuadrícula innecesarias, texto excesivo o elementos superpuestos. El etiquetado consistente y el uso de paletas de colores accesibles ayudan a que los gráficos sean visualmente atractivos y fáciles de interpretar para todas las audiencias.


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

El gráfico anterior demuestra varias características de accesibilidad. La paleta de colores se selecciona de la secuencia Safe de Plotly, diseñada para ser distinguible por usuarios con deficiencias en la visión de los colores. Cada barra está claramente etiquetada con la categoría y su valor, y las etiquetas de texto se colocan fuera de las barras para facilitar la lectura. El gráfico incluye un título descriptivo y títulos explícitos en los ejes para asegurar que los espectadores comprendan de inmediato lo que se muestra. La leyenda utiliza los mismos colores accesibles y tiene un título claro. El fondo se establece en blanco para maximizar el contraste y los tamaños de fuente se aumentan para mejorar la legibilidad.

Aplicar estas mejores prácticas a todos tus gráficos de Plotly garantizará que tus visualizaciones sigan siendo accesibles y efectivas, independientemente del público. Siempre que personalices diseños, colores o estilos — como en capítulos anteriores — elige paletas aptas para personas con daltonismo, proporciona etiquetas claras y descriptivas, y evita el desorden innecesario. Estos pasos ayudan a que tus datos cuenten su historia de manera clara e inclusiva, convirtiendo tus visualizaciones en herramientas valiosas para la comunicación y la toma de decisiones.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 1. Capítulo 9

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Desliza para mostrar el menú


              1234567891011121314151617181920212223242526272829303132333435363738394041424344
            
import plotly.express as px
import pandas as pd
from IPython.display import display, HTML

# Sample data
data = {
    "Category": ["A", "B", "C", "D"],
    "Value": [120, 90, 60, 30]
}
df = pd.DataFrame(data)

# Use a colorblind-friendly palette
color_sequence = px.colors.qualitative.Safe

fig = px.bar(
    df,
    x="Category",
    y="Value",
    color="Category",
    color_discrete_sequence=color_sequence,
    title="Well-Labeled and Colorblind-Friendly Bar Chart",
    labels={
        "Category": "Group Category",
        "Value": "Measured Value"
    }
)

# Add clear annotations
fig.update_traces(
    text=df["Value"],
    textposition="outside"
)

# Adjust layout for clarity
fig.update_layout(
    xaxis_title="Group Category",
    yaxis_title="Measured Value",
    legend_title="Category",
    font=dict(size=14),
    plot_bgcolor="white"
)

html = fig.to_html(full_html=False, include_plotlyjs="cdn")
display(HTML(html))

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 1. Capítulo 9