Seaborn es una biblioteca de visualización de datos en Python.
Basada en Matplotlib.
En Ciencia de Datos e Inteligencia Artificial (IA)
Crear gráficos atractivos y estadísticamente informativos.
De manera sencilla.
Ventaja principal:
Facilita el análisis exploratorio de datos (EDA)
Ayuda a visualizar patrones.
En grandes volúmenes de datos.
Características principales de Seaborn
Integración con Pandas
Permite visualizar directamente DataFrames.
Gráficos estadísticos avanzados
Histogramas, diagramas de dispersión.
Heatmaps, boxplots, etc.
Mejor apariencia que Matplotlib
Incluye estilos personalizables y paletas de colores.
Facilidad para visualizar correlaciones entre variables.
Uso de Seaborn en IA
Exploración de datos (EDA)
Antes de entrenar modelos de Machine Learning.
Visualización de correlaciones entre variables.
Análisis de distribuciones
De datos de entrenamiento.
Evaluación del rendimiento de modelos
Mediante gráficos.
Ejemplo Práctico en Seaborn
Instalación y configuración de Seaborn
Si aún no tienes Seaborn instalado, usa:
pip install seaborn
Ahora importamos la biblioteca y configuramos un estilo
import seaborn as sns
import matplotlib.pyplot as plt
# Configurar el estilo de los gráficos
sns.set_style(«darkgrid»)
Cargar y visualizar datos
import pandas as pd
# Cargar datos de ejemplo
df = sns.load_dataset(«penguins») # Dataset de pingüinos
# Mostrar las primeras filas
print(df.head())
Crear gráficos con Seaborn
Histogramas y distribuciones
# Histograma de distribución de la variable «masa corporal»
sns.histplot(df[«body_mass_g»], kde=True)
plt.show()
Gráficos de dispersión (scatter plots)
# Relación entre largo del pico y masa corporal
sns.scatterplot(x=»bill_length_mm», y=»body_mass_g», data=df, hue=»species»)
plt.show()
Gráficos de correlación (heatmaps)
import numpy as np
# Convertir variables categóricas a numéricas
df_encoded = df.dropna()
df_encoded[«species»] = df_encoded[«species»].astype(«category»).cat.codes
# Calcular matriz de correlación
corr_matrix = df_encoded.corr()
# Crear el heatmap
sns.heatmap(corr_matrix, annot=True, cmap=»coolwarm», fmt=».2f»)
plt.show()
Diagramas de caja (box plots)
# Comparación de la masa corporal por especie
sns.boxplot(x=»species», y=»body_mass_g», data=df)
plt.show()
Aplicaciones de Seaborn en IA
Exploración de datos en Machine Learning.
Visualización de outliers y distribuciones.
Análisis de relaciones entre variables antes de entrenar un modelo.
Seguimiento del rendimiento del modelo con gráficos de evaluación.
Seaborn simplifica la visualización de datos en IA.
Permite identificar patrones en los datos antes de entrenar modelos.
Se integra perfectamente con Pandas y Matplotlib.
