VISUALIZACIÓN DE DATOS CON PYTHON PARA ANÁLISIS DE COYUNTURA

Introducción:

• La librería principal para crear gráficos es Matplotlib.
• Es una librería muy extensa, que permite crear una gran variedad de gráficos, permitiendo personalizarlos al máximo (prácticamente todo en el gráfico es modificable).
• Realizar gráficos sencillos requiere una línea de código, pero la tarea se complica al realizar gráficos sofisticados – ¡Todo se puede hacer! Es cuestión de prueba y error y buscar ayuda (ejemplos) online.
• Nos centraremos en el tipo de gráficos más comunes en el análisis de coyuntura económica.
• Existe mucha ayuda online:
  • https://matplotlib.org/tutorials/index.html
  • https://matplotlib.org/stable/gallery/index.html
  • https://matplotlib.org/stable/tutorials/introductory/sample_plots.html
  • https://realpython.com/python-matplotlib-guide/
  • https://www.python-graph-gallery.com/

• Existen otras librerías disponibles, como Seaborn o Plotly, pero no tenemos tiempo para verlas.

• Fundamental en representación gráfica:
  1. Honestidad,
  2. Inteligibilidad-claridad,
  3. Elegancia.
• Ejemplos de gráficos manipulados

Visualización de datos- Pasos:

1. Limpieza y preparación de los datos que queremos representar.
2. Elección del tipo de gráfico y composición.
3. Representación gráfica provisional.
4. Personalización (customization).
5. Mostrar (y guardar) el gráfico.

Estructura de las figuras en matplotlib:

Jerarquía de objetos:

• Figura > axes (gráficos individuales) > axis (ejes de cada gráfico).

Anatomía de una figura

Tipos de gráficos:

Usando la interface de pandas, la cual se basa en la de matplotlib, haciendo su uso más fácil:

• df.plot
• df.plot.area
• df.plot.barh
• df.plot.density
• df.plot.hist
• df.plot.line
• df.plot.scatter
• df.plot.bar
• df.plot.box
• df.plot.hexbin
• df.plot.kde
• df.plot.pie Echar in vistazo a la función plot()de pandas

Sintaxis principal:

1. Creamos la figura y los axes (gráficos):

   fig, ax =plt.subplots(nrows=1, ncols=1, *, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw) 
   

2. Añadimos los datos al gráfico (líneas, barras, etc.):
   2.1. usando la interface de pandas:

   df.plot.PLOT_TYPE(x=None, y=None, ax=None, subplots=False, sharex=None, sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None, legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, secondary_y=False, sort_columns=False, **kwargs)
   

   2.2. O usando la interface de matplotlib:

   ax.plot(x, y, **kwargs)
   

3. Personalizamos el gráfico, por ejemplo, añadimos una nota al pie:

   fig.text(x, y, s, fontdict=None, **kwargs)
   

4. Guardamos la figura y la mostramos:

   fig.savefig(*args, **kwargs)