Peter Bruce - Estadística práctica para ciencia de datos con R y Python

Figura 1.12 Valor de tasación fiscal en relación con la superficie terminada en pies cuadrados por código postal.

La mayoría de los paquetes de Python utilizan Matplotlib para sus visualizaciones. Si bien en principio es posible crear gráficos facetados usando Matplotlib, el código puede complicarse. Afortunadamente, es posible crear gráficos de forma sencilla mediante seaborn:

Utilizamos los argumentos col y row para especificar las variables condicionantes. Para una sola variable condicionante, utilizamos col junto con col_wrap para empaquetar los gráficos facetados en varias filas.

El método map llama a la función hexbin con los subconjuntos para los diferentes códigos postales del conjunto de datos original. extent define los límites de los ejes x e y.

El concepto de variables condicionantes en un sistema gráfico lo iniciaron los gráficos Trellis ( Trellis graphics ), desarrollados por Rick Becker y Bill Cleveland entre otros, en los Bell Labs [Trellis-Graphics]. Esta idea se ha extendido a varios sistemas gráficos modernos, como son los paquetes lattice [lattice] y ggplot2 de R y los módulos seaborn [seaborn] y Bokeh [bokeh] de Python . Las variables condicionantes también son parte integral de las plataformas de inteligencia empresarial como Tableau y Spotfire. Con la llegada de equipos con una gran potencia informática, las plataformas de visualización modernas han ido mucho más allá de lo que fueron los humildes comienzos del análisis exploratorio de datos. Sin embargo, los conceptos y herramientas clave desarrolladas hace medio siglo (por ejemplo, los sencillos diagramas de caja) todavía constituyen la base de estos sistemas.

Ideas clave

• La agrupación hexagonal y los gráficos de contorno son herramientas útiles que permiten el examen gráfico de dos variables numéricas a la vez, sin que nos abrumen las grandes cantidades de datos.

• Las tablas de contingencia son la herramienta estándar para observar los recuentos de dos variables categóricas.

• Los diagramas de caja y los diagramas de violín nos permiten representar una variable numérica frente a una variable categórica.

• Modern Data Science with R de Benjamin Baumer, Daniel Kaplan y Nicholas Horton (Chapman & Hall/CRC Press, 2017) tiene una excelente presentación: "a grammar for graphics" (las "gg" de ggplot).

• ggplot2: Elegant Graphics for Data Analysis de Hadley Wickham (Springer, 2009) es un excelente recurso del creador de ggplot2.

• Josef Fruehwald tiene un tutorial web sobre ggplot2 ( https://www.ling.upenn.edu/~joseff/avml2012/ ).

El análisis exploratorio de datos (Exploratory Data Analysis [EDA]), iniciado por John Tukey, sentó las bases para desarrollar el campo de la ciencia de datos. La idea clave de EDA es que el primer paso y el más importante en cualquier proyecto basado en datos es la observación de los datos ( look at the data ). Al resumir y visualizar los datos, podemos desarrollar una valiosa intuición y conseguir comprender los proyectos.

Este capítulo ha revisado conceptos que van desde métricas sencillas, como son las estimaciones de localización y variabilidad, hasta completas presentaciones visuales que exploran las relaciones entre múltiples variables, como se muestra en la figura 1.12. El variado conjunto de herramientas y técnicas que está desarrollando la comunidad de código abierto, combinado con la expresividad de los lenguajes R y Python , han creado una gran cantidad de formas de explorar y analizar datos. El análisis exploratorio debería ser la piedra angular de cualquier proyecto de ciencia de datos.

Текст предоставлен ООО «ЛитРес».

Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.