4. Gráficos

En este tema vamos a ver como crear gráficos en Python.

Para hacer gráficas hay varias librerías:

• Matplotlib: Es la librería mas antigua pero la mas utilizada.
• Seaborn: Es una capa por encima de Matplotlib y hace que sea mas sencillo hacer gráficas
• Yellowbrick: También es una capa encima de Matplotlib pero es una librería especializa en gráficas para Machine Learning
• Plotnine: Esta librería sigue una filosofía totalmente distinta a las anteriores. La forma de especificar una gráfica se basa en los descrito en el libro The Grammar of Graphics que es una forma mas moderna que la usada por Matplotlib. Esta forma de especificar una gráfica se usa principalmente en el lenguaje R con su librería ggplot2. Por lo que Plotnine imita a ggplot2

Mas información:

• 10 Python Data Visualization Libraries for Any Field
• IPython-Rich Outputs
• Machine Learning Visualizations with Yellowbrick
• Three-Dimensional Plotting in Matplotlib
• Plotting the Learning Curve with a Single Line of Code
• A Reference Notebook for Over 30 Statistical Charts in Seaborn
• How to Add Legend to Scatterplot Colored by a Variable with Matplotlib in Python
• Custom hillshading in a 3D surface plot
• Phong shading for shiny Python 3D surface plots: Usando Mayavi
• Guía
  • Pandas & Seaborn plots cheatsheet
  • Seaborn Ultimate Cheat Sheet (2021)
  • Visualization with Matplotlib
• Colores:
  • Matplotlib Colormap reference
  • Color Guide to Seaborn Palettes
  • Simple steps to create custom colormaps in Python

• Instalación con conda

conda install matplotlib

• Importar matplotlib

  import matplotlib.pyplot as plt

La base de los gráficos en Python es Matplotlib. Con esta librería hay una serie de conceptos que debemos conocer. Los nombres de los conceptos los vamos a decir en inglés para que se parezcan mas a los métodos, clases o argumentos de las librerías.

• figure: Es como el "lugar" donde se van a colocar cada una de las gráficas. Siempre va a haber una figure. Un problema con figure es que en muchos ejemplos no se crea específicamente.
• axes: Es como cada una de las gráficas que vamos a crea dentro de una figure.
• axis: Son cada uno de los ejes de una gráfica.

• Crear la primera figura con su gráfica

import matplotlib.pyplot as plt

figure=plt.figure()
axes = figure.add_subplot()

Hemos creado una figura con figure=plt.figure(). Le hemos añadido un axes que es como la gráfica mediante axes = figure.add_subplot() y vemos que esa gráfica tiene por defecto unos axis o ejes en X e Y que van de 0 a 1.

print(type(axes))

<class 'matplotlib.axes._subplots.AxesSubplot'>

Veamos ahora como podemos organizar varias axes o gráficas en la misma figura.

El método add_subplot permite que le pasemos tres parámetros numéricos que indica el número de filas ,de columnas y la posición del gráfico.

• Crea una rejilla de 2 filas , 2 columnas y añadir 3 gráficos en la posición ,en la posición 2 y en la posición 4 (la posición 3 se deja vacía)

import matplotlib.pyplot as plt

figure=plt.figure()
axes = figure.add_subplot(2,2,1)
axes = figure.add_subplot(2,2,2)
axes = figure.add_subplot(2,2,4)

• Crea una rejilla de 2 filas , 1 columna y añadir 2 gráficos en la posición 1 y la posición 2.

import matplotlib.pyplot as plt

figure=plt.figure()
axes1 = figure.add_subplot(2,1,1)
axes2 = figure.add_subplot(2,1,2)

• Crea una rejilla de 1 fila , 2 columnas y añadir 2 gráficos en la posición 1 y la posición 2.

import matplotlib.pyplot as plt

figure=plt.figure()
axes1 = figure.add_subplot(1,2,1)
axes2 = figure.add_subplot(1,2,2)

• Mezclar 2 organizaciones para figuras que no sean iguales.

import matplotlib.pyplot as plt

figure=plt.figure()
axes = figure.add_subplot(2,2,1)
axes = figure.add_subplot(2,2,3)
axes = figure.add_subplot(1,2,2)

• Mezclar 2 organizaciones para figuras que no sean iguales.

import matplotlib.pyplot as plt

figure=plt.figure()
axes1 = figure.add_subplot(2,2,1)
axes2 = figure.add_subplot(2,2,2)
axes3 = figure.add_subplot(2,1,2)

• Mezclar 2 organizaciones para figuras que no sean iguales.

import matplotlib.pyplot as plt

figure=plt.figure()
axes1 = figure.add_subplot(3,2,1)
axes2 = figure.add_subplot(3,2,3)
axes3 = figure.add_subplot(3,2,5)
axes4 = figure.add_subplot(2,2,2)
axes5 = figure.add_subplot(2,2,4)

Mas información:

• Customizing Multiple Subplots in Matplotlib

Acabamos de ver como colocar cada gráfica dentro de la figura. Ahora veremos unas cosas mas sobre ella.

* Para hacer la figura mas grande solo hay que indicar el tamaño con el argumento figsize

figure=plt.figure(figsize=(15, 5))

El tamaño es el ancho y el alto en pulgadas.

* Para indicar el título , el color y el tamaño de letra se usa el método suptitle

figure.suptitle("Título de Figure", fontsize=14, color='red')

* Por último podemos grabar la figura entera con savefig

figure.savefig("nombre_fichero.png",facecolor="#FFFFFF",bbox_inches='tight')

El argumento bbox_inches='tight' se usa para que no deje espacio alrededor de la imagen al guardarla.

Además de figure y axes, a partir de matplolib 3.4 existe las subfigure. Éstas se pueden usar para poder poner un título común a varios axes.

Para ello se usa el método subfigures , indicando el número de filas y columnas. Este método retornará un array con todas las subfiguras. Cada subfigura será como una nueva figura.

subfigure_a,subfigure_b = figure.subfigures(nrows=2, ncols=1)

Veamos un ejemplo:

import matplotlib.pyplot as plt

figure=plt.figure(figsize=(8, 6),layout='constrained')
figure.suptitle("Título de la figura")

subfigure_a,subfigure_b = figure.subfigures(nrows=2, ncols=1)

subfigure_a.suptitle("Titulo de la SubFigura A")
axes_1 = subfigure_a.add_subplot(1,2,1)
axes_1.set_title("axes_1")
axes_2 = subfigure_a.add_subplot(1,2,2)
axes_2.set_title("axes_2")

subfigure_b.suptitle("Titulo de la SubFigura B")
axes_3 = subfigure_b.add_subplot(1,2,1)
axes_3.set_title("axes_3")
axes_4 = subfigure_b.add_subplot(1,2,2)
axes_4.set_title("axes_4")

Indicar como es la proyección de los ejes.

import matplotlib.pyplot as plt

figure=plt.figure(figsize=(15, 5))
figure.suptitle("Ejemplos de Proyecciones", fontsize=20)



axes1 = figure.add_subplot(1,3,1,projection='rectilinear')
axes1.set_title("Proyección 'rectilinear'")

axes2 = figure.add_subplot(1,3,2,projection='3d')
axes2.set_title("Proyección '3d'")

axes3 = figure.add_subplot(1,3,3,projection='polar')
axes3.set_title("Proyección 'polar'")

La siguiente clase permite simplificar la creación de Axes cuando queremos mostrar muchos en forma de matriz con varias columnas y muchas filas.

class Figura:
  def __init__(self,ncols,naxes,axes_width_inches=6, axes_height_inches=None):
    self.ncols=ncols
    self.num_axes=naxes
    self.nrows=math.ceil(naxes/ncols)
    if axes_height_inches==None:
      axes_height_inches=axes_width_inches*0.86
 
    self.figure, self.arr_axes = plt.subplots(ncols=self.ncols, nrows=self.nrows, figsize=(self.ncols*axes_width_inches,self.nrows*axes_height_inches),
                        layout="constrained")
 
    if isinstance(self.arr_axes, (list, tuple, np.ndarray))==False:
      self.arr_axes=np.array([[self.arr_axes]])

  def get_axes(self):
        return np.array(self.arr_axes).reshape(-1)

El uso de la clase es la siguiente.

Imagina que quieres mostrar 12 Axes en 3 columnas y luego obtener cada uno de los axes.

figura=Figura(ncols=3,naxes=12)

for axes in figura.get_axes():
  axes.plot()

La ventaja de esta clase es que no te tienes que preocupar del número de filas que va a haber. Que en este caso serán 4

Ahora veamos una serie de métodos para dibujar en un Axes o gráfica en 2 dimensiones

• Para dibujar una serie de puntos se usa el método scatter

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

x=np.array([0,1,2,3,4,5,6])
y=np.array([0,1,4,9,16,25,36])

axes.scatter(x,y)

• Para dibujar una línea siguiendo una serie de puntos se usa el método plot

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

x=np.array([0,1,2,3,4,5,6])
y=np.array([0,1,4,9,16,25,36])

axes.plot(x,y)

• Para dibujar una diagrama de barras en base a una serie de puntos se usa el método bar

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

x=np.array([0,1,2,3,4,5,6])
y=np.array([0,1,4,9,16,25,36])

axes.bar(x,y)

• En un mismo Axes se pueden dibujar varias cosas a la vez

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

x1=np.array([0,1,2,3,4,5,6])
y1=np.array([0,1,4,9,16,25,36])

x2=np.array([0,1,2,3,4,5,6])
y2=np.array([-1,2,4,7,18,23,39])

axes.plot(x1,y1)
axes.scatter(x2,y2)

Ahora veamos una serie de métodos para dibujar en un Axes o gráfica en 3 dimensiones

• Para dibujar una serie de puntos se usa el método scatter, la diferencia es que se pasa la z y la proyección es 3d.

import matplotlib.pyplot as plt
import numpy as np

 
figure=plt.figure()
axes = figure.add_subplot(projection='3d')

x=np.array([0,1,2,6,4,5,6])
y=np.array([0,1,4,9,16,25,36])
z=np.array([0,4,7,3,9,12,18])

axes.scatter(x,y,z)

• Para dibujar una línea siguiendo una serie de puntos se usa el método plot, la diferencia es que se pasa la z y la proyección es 3d.

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot(projection='3d')

x=np.array([0,1,2,6,4,5,6])
y=np.array([0,1,4,9,16,25,36])
z=np.array([0,4,7,3,9,12,18])

axes.plot(x,y,z)

• Para dibujar una superficie en 3D se usa plot_surface.

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure(figsize=(8,8))
axes = figure.add_subplot(projection='3d')

x=np.linspace(-3,3,100)
y=np.linspace(-3,3,100)
x,y=np.meshgrid(x,y)
z =  3*(1 - x)**2 * np.exp(-x**2 - (y + 1)**2)  - 10*(x/5 - x**3 - y**5)*np.exp(-x**2 - y**2) - 1./3*np.exp(-(x + 1)**2 - y**2) 

axes.plot_surface(x,y,z)

$$z=3(1-x)^2e^{-x^2-(y+1)^2}-10(\frac{x}{5}-x^3-y^5)e^{-x^2-y^2}-\frac{1}{3}e^{-(x+1)^2-y^2}$$

%matplotlib widget

%matplotlib ipympl

conda install -c conda-forge ipympl

axes.view_init(45, -45)

• Otra forma de dibujar superficies en 3D es mostrar el eje Z como colores similar a las curvas de nivel en los mapas topográficos, se usa el método contourf. El parámetro levelsint indica el número de regiones distintas o curvas de nivel a mostrar.

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure(figsize=(8,8))
axes = figure.add_subplot()

x=np.linspace(-3,3,100)
y=np.linspace(-3,3,100)
x,y=np.meshgrid(x,y)
z =  3*(1 - x)**2 * np.exp(-x**2 - (y + 1)**2)  - 10*(x/5 - x**3 - y**5)*np.exp(-x**2 - y**2) - 1./3*np.exp(-(x + 1)**2 - y**2) 

axes.contourf(x,y,z,levelsint=30)

Dibujar en 4D no es posible pero si lo que queremos es representar 2 variables en función de otras 2 variables , si que es posible mediante las siguientes técnicas:

• Variar el tamaño del punto en función de una variable
• Variar el color del punto en función de otra variable

Las 4 variables se mostrarían como:

• Eje X
• Eje Y
• Color
• Tamaño

import matplotlib.pyplot as plt
import numpy as np
  
figure=plt.figure(figsize = (10, 7))
axes = figure.add_subplot()
 
random_state = np.random.RandomState(0)
x = random_state.randn(100)
y = random_state.randn(100)
color = random_state.randn(100)
size = 500 * random_state.randn(100)
 
 
scatter=axes.scatter(x,y,c=color,s=size,cmap='hsv', alpha=0.4)
figure.colorbar(scatter,ax=axes)

Usamos el parámetro c que significa el color para mostrar el valor de z1, mientras que el parámetro s que significa el tamaño (size en inglés)) para mostrar el valor de z2. Es decir que en función de x e y, mostramos las 2 variables z1 y z2. Por último el parámetro de alpha es para hacer que los puntos sean un poco transparentes.

La técnica anterior se puede aplicar a una gráfica en 3D con lo que conseguimos representar hasta 5 variables distintas.

Las 5 variables se mostrarían como:

• Eje X
• Eje Y
• Eje Z
• Color
• Tamaño

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure(figsize = (16, 9))
axes = figure.add_subplot(projection ="3d")

random_state = np.random.RandomState(0)
x = random_state.randn(100)
y = random_state.randn(100)
z = random_state.randn(100)
color = random_state.randn(100)
size = 500 * random_state.randn(100)


scatter=axes.scatter(x,y,z,c=color,s=size,cmap='hsv', alpha=0.4)
figure.colorbar(scatter,ax=axes, shrink = 0.5)

Los histogramas consisten el mostrar la frecuencia con la que aparecen los valores en una secuencia unidimensional de datos. Podríamos pensar que son como diagramas de barras pero la información que muestran es de naturaleza distinta. En un diagrama de barras el origen de los datos es pares de números (x , y) , mientras que en un histograma solo existe la x.

Para hacer histogramas no vamos a usar la librería matplotlib sino una mas avanzada que está sobre ella llamada seaborn. Seaborn permite hacer cosas como matplotlib pero de una forma más sencilla.

• Para dibujar un histograma se usa el método histplot sobre el objeto sns

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
 
figure=plt.figure(figsize = (6, 6))
axes = figure.add_subplot()

x=[0,1,4,3,4,5,6,7,6,5,4,3,2,1,2,3,2,3,4,5,6,5,6,7,8,7,6,5,4,4,5,6,7,8,9,8,7,6,5,6,7,6,5,4,3,2,3]

sns.histplot(x=x,ax=axes)

import seaborn as sns

sns.histplot(x=x,ax=axes)

• Para dibujar el Kernel density estimation o KDE se usa el método kdeplot sobre el objeto sns

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

figure=plt.figure(figsize = (6, 6))
axes = figure.add_subplot()

x=[0,1,4,3,4,5,6,7,6,5,4,3,2,1,2,3,2,3,4,5,6,5,6,7,8,7,6,5,4,4,5,6,7,8,9,8,7,6,5,6,7,6,5,4,3,2,3]

sns.kdeplot(x=x,fill=True,ax=axes)

• Si queremos mostrar tanto el histograma como el KDE se usa el método histplot pero sobre el objeto sns pero con el parámetro kde=True

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

figure=plt.figure(figsize = (6, 6))
axes = figure.add_subplot()

x=[0,1,4,3,4,5,6,7,6,5,4,3,2,1,2,3,2,3,4,5,6,5,6,7,8,7,6,5,4,4,5,6,7,8,9,8,7,6,5,6,7,6,5,4,3,2,3]

sns.histplot(x=x,kde=True,ax=axes)

sns.histplot(x=x,kde=True,ax=axes,label="histplot",stat="density", color="blue")
sns.kdeplot(x=x,fill=True,ax=axes,label="kdeplot", color="green")

• Para dibujar el KDE pero para comparar 2 distribuciones, se usa el método kdeplot sobre el objeto sns

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

figure=plt.figure(figsize = (6, 6))
axes = figure.add_subplot()

x   =[0,1,4,3,4,5,6,7,6,5,4,3,2,1,2,3,2,3,4,5,6,5,6,7,8,7,6,5,4,4,5,6,7,8,9,8,7,6,5,6,7,6,5,4,3,2,3,    1,2,3,7,8,5,3,7,8,9,9,6,8,0,9,8,6,3,2,7,6,5,3,6,7,4,8,9,7,2,1,6,5,3,2,3,5,6,7,8,7,8,7,5,6,9,8]
tipo=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,    1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]

sns.kdeplot(x=x,hue=tipo,fill=True,ax=axes)

Vamos ahora a tratar imágenes

• Se pueden dibujar imágenes, simplemente indicando los colores de cada pixel como un tensor de colores.

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

imagen=np.array([[[255,0,0],[0,255,0],[255,255,0]],[[0,0,255],[0,0,0],[0,255,255]]])

axes.xaxis.set_ticks([0,1,2])
axes.yaxis.set_ticks([0,1])
axes.imshow(imagen)

Veamos ahora una serie de métodos y parámetros para personalizar los Axes o gráficos.

• Leyendas de los datos. En los métodos de plot o scatter hay que indicar el label y luego indicar que se muestre la leyenda con legend

axes.plot(x1,y1,label="Previsión")
axes.scatter(x2,y2,label="Medido")
axes.legend(fontsize=15,facecolor='#CDCDCD',labelcolor="#000000")

También es posible mostrar la leyenda poniendo los nombres directamente en el módulo legend en vez de en los métodos que dibujan como plot, scatter, etc.

axes.plot(x1,y1)
axes.scatter(x2,y2)
axes.legend(fontsize=15,facecolor='#CDCDCD',labelcolor="#000000",labels=["Previsión","Medido"])

• Leyendas para colores: Podemos usar leyendas para cada tipo de color si mostramos los puntos con colores distintos. Para ello en el método legends usaremos handles=scatter.legend_elements()[0]

import matplotlib.pyplot as plt
import numpy as np
   
figure=plt.figure(figsize = (10, 7))
axes = figure.add_subplot()
  
random_state = np.random.RandomState(0)
x = random_state.randn(100)
y = random_state.randn(100)
tipo = random_state.randint(5, size=100)
labels_tipos=["A","B","C","D","E"]
  
  
scatter=axes.scatter(x,y,c=tipo)
legends=axes.legend(handles=scatter.legend_elements()[0],labels=labels_tipos)

Si queremos saber el color que ha usado en cada tipo para poder reusar ese color para otra cosa, lo podemos hacer con:

index=0
color=legends.get_lines()[index].get_color()

Siendo index un valor entre 0 y len(labels_tipos)-1 ya que obviamente va a haber el mismo número de colores que elementos en el array de leyendas que es labels_tipos

• Colores de los datos. Solo hay que indicar el argumento de color.

axes.plot(x1,y1,color="#FF0000")
axes.scatter(x2,y2,color="blue")

También podemos obtener el siguiente color que vamos a usar con:

color=next(axes._get_lines.prop_cycler)['color']

• Con el método annotate podemos anotar los datos.

import matplotlib.pyplot as plt
import numpy as np
 
figure=plt.figure()
axes = figure.add_subplot()

x=np.array([0,1,2,3,4,5,6])
y=np.array([0,1,4,9,16,25,36])
labels=["A","B","C","D","E","F","G"]

axes.scatter(x,y)

for index,label in enumerate(labels):
    axes.annotate(label,xy=(x[index],y[index]),ha='right', va='bottom',fontsize=13)

• Al usar plot podemos hacer que junto a la línea también salgan los puntos o incluso solo los puntos. Para ello se añade un tercer parámetro con el estilo del marker. Puedes ver todos los posibles estilos de markers en matplotlib.markers

axes.plot(x1,y1,"*-")

Establecer el título de cada eje Axis y del propio gráfico Axes.

axes.set_xlabel('Mes/Año', fontsize=15,labelpad=20,color="#003B80")  
axes.set_ylabel('Importe (€)', fontsize=15,labelpad=20,color="#003B80")
axes.set_title("Gastos y Beneficios Mensuales", fontsize=20,pad=30,color="#003B80")

figure.tight_layout()

• Establecer el color del fondo con set_facecolor

axes.set_facecolor("#F0F7FF")

• Datos a mostrar en los ejes junto con el color , tamaño de fuente y el min/max

axes.xaxis.set_ticks([0,2,4,6,8,10])
axes.yaxis.set_ticks([0,10,20,30,40,50,60])

axes.tick_params(axis='x',labelsize=13, colors="#FF00FF")
axes.tick_params(axis='y',labelsize=20, colors="#FF0000") 

axes.set_xlim(xmin=0,xmax=10)
axes.set_ylim(ymin=0,ymax=60)

• guías interiores (grid)

axes.grid(visible=True, which='major', axis='both',color="#A0A0A0",linewidth=1)
axes.set_axisbelow(True)

axes.minorticks_on()
axes.grid(b=True, which='minor', axis='both',color="#A0A0A0",linewidth=1)

from matplotlib.ticker import NullLocator
from matplotlib.ticker import MultipleLocator
from matplotlib.ticker import FixedLocator
from matplotlib.ticker import LinearLocator
from matplotlib.ticker import IndexLocator
from matplotlib.ticker import AutoLocator
from matplotlib.ticker import MaxNLocator
from matplotlib.ticker import LogLocator

• Hacer que los valores de los ejes siempre sean número enteros y no con decimales

from matplotlib.ticker import MaxNLocator

axes.xaxis.set_major_locator(MaxNLocator(integer=True))

• Configurar las líneas de los ejes. Se pueden hacer invisibles o cambiar el color

axes.spines['right'].set_visible(False)
axes.spines['top'].set_visible(False)
axes.spines['left'].set_color("#FF0000")
axes.spines['bottom'].set_color("#FF0000")

• Al dibujar una superficie en 3D, podemos cambiar los colores en función del valor de z. Para ello usamo el argumento cmap. Los posibles valores de cmap los podemos ver en Choosing Colormaps in Matplotlib

axes.plot_surface(x,y,z,cmap='turbo')

axes.contourf(x,y,z,levels=30,cmap='turbo')

axes.plot_surface(x,y,z,cmap=plt.cm.turbo)

• Podemos añadir una barra con los colores con el método colorbar. Notar que el método colorbar se usa sobre la figura y hay que pasarle el Axes. Por último el parámetro shrink es para que la barra no salga tan alta.

surface=axes.plot_surface(x,y,z,cmap='turbo')
figure.colorbar(surface,ax=axes, shrink = 0.5)

Otra forma de hacerlo es la siguiente:

figure.colorbar(plt.cm.ScalarMappable(cmap=plt.cm.turbo),ax=axes, shrink = 0.5)

• Se pueden añadir sombreado a la imagen para que quede mas realista.

from matplotlib.colors import LightSource

light_source = LightSource()
facecolors = light_source.shade(z,plt.cm.turbo, blend_mode='soft')

axes.plot_surface(x,y,z,facecolors=facecolors)

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Crea una figura con los siguientes subplots:

Además:

• Añade un título a la figura
• Guarda la figura a disco

Dado las variables x e y

x=[-3.       , -2.57142857, -2.14285714, -1.71428571, -1.28571429, -0.85714286, -0.42857143,  0.        ,  0.42857143,  0.85714286, 1.28571429,  1.71428571,  2.14285714,  2.57142857,  3.       ]
y=[0.00443185, 0.01462444 , 0.04016108 , 0.09178317 , 0.17456307 , 0.27629519 , 0.36393672 , 0.39894228 , 0.36393672 , 0.27629519 , 0.17456307, 0.09178317 , 0.04016108 , 0.01462444 , 0.00443185]

• Dibuja en una figura x e y como una serie de puntos.
• Dibuja en una figura x e y como una linea continua.
• Dibuja en una figura x e y como un diagrama de barras.
• Dibuja en una figura x e y como una linea continua y además los puntos.

Además:

• Añade un título a la figura
• Guarda la figura a disco

Repite el ejercicio anterior pero ahora en una única figura como 4 subplots. Cada subplot deberá tener su título y la figura otro título

• Crea una variable llamada x con 300 números linealmente equidistantes entre el -2 y el 2.
• Crea una variable llamada y que sea el valor de x elevado al cuadrado.
• Crea una figura en la que se muestre una línea de x e y

Además:

• Añade un título a la figura
• Guarda la figura a disco
• El nombre del eje "X" será "x"
• El nombre del eje "Y" será "x²"

• Crea una variable llamada x con 300 números linealmente equidistantes entre el -2 y el 2.
• Crea una variable llamada y que sea el valor absoluto de x
• Crea una figura en la que se muestre una línea de x e y
• El nombre del eje "X" será "x"
• El nombre del eje "Y" será "|x|"

• Crea una variable llamada x con 300 números linealmente equidistantes entre el -2 y el 2.
• Crea una variable llamada y1 que sea el valor de x elevado al cuadrado.
• Crea una variable llamada y2 que sea el valor absoluto de x
• Crea una figura en la que se muestre:
  • Una línea de x e y1 de color verde
  • Una línea de x e y2 de color rojo
• Establece un título en la figura
• Muestra una leyenda de forma que cada línea se llame "x²" y "|x|"

Vamos a hacer un ejemplo sobre eficacia de la vacunación del COVID.

La siguiente función de python retorna 3 variables llamadas x , y y z.

def get_data():
    size=150
    num_tipos=10
    pendiente_base=-8
    np.random.seed(6)

    x=np.array([])
    y=np.array([])    
    z=np.array([])
    x_ini=0
    y_ini=50
    z_ini=0
    x_ancho=8
    y_ancho=60
    x_inc=2
    y_inc=y_ancho-3
    z_int=10

    for i in range(0,num_tipos):
        pendiente=np.random.uniform(pendiente_base-0.4,pendiente_base+0.4,1)[0]
        x_tipo=np.random.uniform(x_ini,x_ini+x_ancho,size)
        y_tipo=np.random.uniform(y_ini,y_ini+y_ancho,size)+pendiente*x_tipo
        z_tipo=np.full(size, z_ini)

        x=np.concatenate((x,x_tipo))
        y=np.concatenate((y,y_tipo))
        z=np.concatenate((z,z_tipo))

        x_ini=x_ini+x_inc
        y_ini=y_ini+y_inc
        z_ini=z_ini+z_int

    return x,y,z

• La variable x indica la cantidad de vacuna inyectada a los pacientes en ml
• La variable y indica la cantidad de pacientes que se han enfermado con COVID cada 100.000 habitantes.
• La variable z indica el rango de edad de los paciente. 0=[0,10[ 10=[10,20[ 20=[20,30[, etc.

Ahora haz lo siguiente:

• Muestra un gráfico mostrando
  • En el eje X la cantidad de vacuna inyectada
  • En el eje Y la cantidad de pacientes que se han enfermado con COVID cada 100.000 habitantes.
  • Muestra nombre de los ejes

Muestra ahora el mismo gráfico pero añadiendo:

• Haz una regresión lineal con los datos y añade esa recta a la gráfica. El color de la recta debe ser negra.

Para hacer la regresión usa la siguiente función:

from sklearn.linear_model import LinearRegression

def get_recta_regresion(x,y):
    model = LinearRegression()
    model.fit(x.reshape(-1, 1), y.reshape(-1, 1))
    x_init=x.min()
    y_init=model.predict([[x_init]])[0,0]
    x_fin=x.max()
    y_fin=model.predict([[x_fin]])[0,0]

    return [x_init,x_fin],[y_init,y_fin]

Esta función retorna los puntos iniciales y finales de la recta de la regresión pero lo primero que retorna son las x's de los 2 puntos y luego las y's de los 2 puntos. Se ha hecho así para que sea fácil de dibujar la recta con la función plot

Explica la relación entre mayor dosis de vacuna y la cantidad de pacientes que se han infectado con COVID.

Muestra ahora el mismo gráfico pero añadiendo:

• Que se muestre cada punto de un color distinto según el rango de edad (La variable z).
• Muestra una leyenda para cada uno de los "colores". Sabiendo que cada color realmente corresponde a un rango de edad.
• Quita el ajuste lineal que habías hecho.

Muestra ahora el mismo gráfico pero añadiendo:

• Añade ahora una regresión lineal pero ahora haz una regresión distinta para cada rango de edad.

Vuelve a explicar la relación entre mayor dosis de vacuna y la cantidad de pacientes que se han infectado con COVID pero teniendo en cuenta la edad.

Lo que acabas de observar se llama la paradoja de Simpson. La paradoja de Simpson

Vuelve a explicar los datos anteriores si:

• x es el número de policías negros en EEUU
• y es el número de delitos

Ahora vuelve a explicar los datos si:

• z es el PIB de cada estado de EEUU

Dibuja una superficie en 3D , sabiendo que:

$$x \in [-15,15]$$

$$y \in [-15,15]$$

$$z =\frac {sin(\sqrt {x^2+y^2+4})}{\sqrt {x^2+y^2+4}}$$

Haz que se muestre:

• En cada eje su nombre X, Y , Z.
• Con Sombreado
• Cambiando el color map para que sea el llamado cool
• Muestra el colorbar

Dibuja una superficie en 3D pero como curvas de nivel de distintos colores (debes usar contourf), sabiendo que:

$$x \in [-15,15]$$

$$y \in [-15,15]$$

$$z =\frac {sin(\sqrt {x^2+y^2+4})}{\sqrt {x^2+y^2+4}}$$

Además:

• En cada eje su nombre X, Y.
• Cambia el color map por el llamado cool
• Muestra el colorbar

Muestra el Kernel density estimation (KDE) ( es como el histograma pero como una línea continua) de diversas alturas de hombre y de mujeres

altura_hombres=[182.74607218, 169.32946152, 169.83096949, 166.56218827,
       178.19244578, 159.19076782, 183.46887059, 168.43275859,
       174.91423458, 171.50377775, 181.77264762, 160.63915574,
       171.06549678, 170.69567387, 179.80261665, 166.4006524 ,
       171.96543075, 167.73284949, 173.25328248, 176.49689128,
       166.39628494, 179.86834226, 178.40954432, 176.01496603,
       178.4051357 , 168.89763284, 172.26265865, 167.38538339,
       171.39267152, 176.1821328 , 168.85003549, 170.61947884,
       168.8769638 , 167.92876615, 168.97252321, 172.92401241,
       166.29613791, 174.40649419, 182.95881306, 177.45226496,
       171.84898669, 167.67422622, 168.51705024, 183.15472761,
       173.30484653, 169.17802612, 174.14549291, 185.60153082,
       173.72095371, 176.70321866, 174.80102192, 170.88650092,
       166.14489081, 170.90394367, 171.7466346 , 176.51973915,
       178.03390048, 178.58661249, 174.71352395, 178.31084699,
       168.47361235, 180.51720893, 176.07757892, 171.21144299,
       175.93110888, 172.54656972, 179.78977632, 182.1189009 ,
       186.11345244, 164.62102199, 164.33531717, 169.97320482,
       173.96022242, 178.25701353, 174.89380968, 160.86679271,
       171.16277592, 177.96784786, 174.38056841, 177.57206708,
       171.66603114, 171.79545159, 174.11936835, 175.46030988,
       174.18979832, 173.71405187, 168.97602628, 175.26538272,
       173.73092763, 179.77690345, 180.19350728, 174.1109385 ,
       170.7482903 , 169.16761756, 175.54096612, 173.46404041,
       170.93687795, 173.26158114, 169.27999494, 177.1881922 ]
altura_mujeres=[159.31722861, 169.34704623, 164.42094985, 165.56147114,
       155.43052893, 163.0162946 , 166.44333871, 156.27779639,
       160.40268896, 162.19568728, 153.76129608, 163.89095635,
       167.07696389, 156.84290436, 164.10327587, 154.12629953,
       161.76782694, 152.30536587, 168.72850625, 164.45340323,
       161.85229826, 157.34903028, 169.64253558, 173.8026105 ,
       150.85210881, 169.41698418, 171.76590452, 164.02807018,
       154.80439181, 167.18007191, 160.91447819, 158.37647623,
       154.61965119, 165.30322498, 166.7568412 , 158.25881562,
       165.12345802, 155.13395166, 166.81116619, 162.27940379,
       160.88058137, 161.38952476, 167.21331694, 166.50246984,
       165.17679195, 162.82620726, 162.46692677, 165.71028157,
       163.39496736, 166.09530844, 160.13929936, 147.39097342,
       168.23294761, 175.12187788, 164.64818666, 161.3990686 ,
       161.18133154, 161.28567487, 162.10445645, 155.26788763,
       158.89743325, 156.01783903, 163.49279497, 160.22015309,
       164.97126794, 160.95178104, 167.91801113, 163.28120341,
       175.14419837, 150.62183446, 158.11849987, 167.40892135,
       177.16995424, 160.50819133, 162.26201396, 160.64211454,
       169.98874268, 160.27615282, 166.08041904, 160.08119041,
       154.36464747, 163.88128632, 165.01910888, 169.7593553 ,
       161.33731784, 158.29582762, 165.37656658, 163.44442255,
       163.68399046, 161.56132378, 168.96203142, 164.2169563 ,
       173.42795225, 168.66634019, 165.95429878, 152.23536996,
       165.61391568, 164.52169322, 166.86571004, 168.26665257]

Muestra los datos:

• En el mismo subplot
• Que las etiquetas sean "Hombre" y "Mujer"
• Titulo de la figura
• La etiqueta del eje X sea "Edad"
• La etiqueta del eje Y sea "Densidad"

Repite el ejercicio anterior pero ahora muestra los datos como un histograma y haz que tengan colores distintos.

Busca las cosas raras que hay en el siguiente código y explica como las harías tu.

import pandas as pd
df = pd.read_csv("fifa.csv")
plt.figure(figsize=(10, 6))

ax = sns.scatterplot(x ='work_rate',
                    y = df['wage_eur'],
                    hue = "league_rank",
                    data = df,
                     palette = ["green", "red", "coral", "blue"],
                     legend="full",
                     alpha = 0.4
                    )

max_wage_eur = df.groupby("work_rate")["wage_eur"].max()
#Making a line plot of max wages
sns.lineplot(data = max_wage_eur,
            ax = ax.axes,
            color="grey")
ax.tick_params(axis= "x", rotation=90)
plt.xlabel("Work Rate")
plt.ylabel("Wage EUR")
plt.title("Relationship between work rate and wage by league rank", fontsize = 18)
plt.show()

El código está sacado de la página: Exploratory Data Analysis with Some Cool Visualizations in Python’s Matplotlib and Seaborn Library

El fichero mario.csv que hay dentro de mario.zip contiene un array de numpy.

Carga ese array y sabiendo que contiene una imagen de tamaño 41x31 y que cada color son 3 números, haz con matplotlib que se muestre la imagen de Mario Bros.

Fíjate que en la imagen no debe salir ninguno de los ejes.

Para la red de las flores, muestra para todos los tipos de flores una gráfica de puntos de forma que:

• El eje X será el largo del sépalo y pon eso como etiqueta del eje
• El eje Y será el largo del pétalo y pon eso como etiqueta del eje
• Que cada tipo de flor sea de un color distinto.

Repita el ejercicio anterior pero ahora la creación del gráfico se hará en la función llamada plot_single_scatter con los argumentos:

• axes:Axes donde se dibujará
• x:Array con los valores de la X
• y:Array con los valores de la Y
• target:Array con el Tipo de flor
• label_x:Label del eje X
• label_y:Label del eje Y

Esa función deberá hacer la misma gráfica del ejercicio anterior.

Usando la función plot_single_scatter, muestra varias gráficas de forma que se muestren todas las características vs todas las otras características. Pero no deberás mostrarlo si son iguales las características.

La gráfica debe quedar como la siguiente:

Muestra un gráfico KDE con la distribución de cada tipo de flor en función del largo del sépalo

• La etiqueta del eje X sea "largo sépalo"

Repita el ejercicio anterior pero ahora la creación del gráfico se hará en la función llamada plot_single_kde con los argumentos:

• axes:Axes donde se dibujará
• x:Array con los valores de la X
• target:Array con el Tipo de flor
• label_x:Label del eje X

Usando la función plot_single_kde, modifica el gráfico anterior de forma que donde había los huecos, se llame a la función plot_single_kde

La gráfica debe quedar como la siguiente:

Ejecuta el siguiente código en Python:

import numpy as np
import pandas as pd
import seaborn as sns
from sklearn.datasets import load_iris

iris=load_iris()

#Obtener los datos
data=iris.data
target=iris.target

feature_names=['longitud sepalo ','ancho sepalo','longitud petalo','ancho petalo'] #iris.feature_names
target_names=['setosa', 'versicolor', 'virginica'] #iris.target_names
target_unique=[0,1,2] #np.unique(target)

#Crear el DataFrame con los datos
df=pd.DataFrame(data, columns=feature_names)
df['flores']=target
df['flores'] = df['flores'].replace(target_unique,target_names)


#Crear el gráfico
sns.pairplot(df,hue="flores")

¿Que sorpresa te has llevado?

De la primera red neuronal de las flores que hemos usado en el tema 1, muestra una gráfica en la que se muestre:

• Eje X: Nº de época
• Eje Y: Valor de la función de pérdida. Recuerda que los datos están en history.history['loss']
• Personaliza el gráfico de la forma siguiente:
  • El tamaño de la figura será de (7 y 5)
  • Eje X:
    • El label será "Nº Épocas", con color "#003B80" y tamaño de fuente 13
    • Los números que parecerán serán siempre números enteros y no con decimales
  • Eje Y:
    • El label será "Métricas" con color "#003B80" y tamaño de fuente 13
    • Se verá del 0 al 1.1
    • Los números a salir los números del eje Y serán 0.1, 0.2, etc
  • El título del subplot será "Red:" y el número de neuronas de cada capa.
  • El color del fondo es #F0F7FF
  • Que se vea el grid de los ejes de color blanco con ancho de las líneas de 2 píxeles.
  • Para que la línea salga punteada para ello usa linestyle="dotted" en el método plot
  • El número que se muestra en la leyenda es "loss entrenamiento:" y el valor en loss la última época con 2 decimales

Para el entrenamiento se usarán 40 épocas

Crea una función de Python llamada plot_metrics(axes,history,title) de forma que salga el mismo gráfico que en el ejercicio anterior

A la función la debes llamar de usa forma similar a la siguiente:

history=model.fit(x, y,epochs=40,verbose=False)

figure=plt.figure(figsize=(7, 5))
axes = figure.add_subplot(1,1,1)

plot_metrics(axes,history.history,"Red:6,12,6,1") 

Usando la función plot_metrics muestra las gráficas de las pérdidas por épocas de las siguientes redes neuronales:

Además:

• Deberás mostrar los 5 subplots en la disposición de 2 filas y 3 columnas
• El título de la figura será "Redes flores"
• El Nº de épocas será 40.

Indica para cada red, a partir de que época ya no habría sido necesario seguir entrenando dicha red y cuales son las mejores redes

Repite el ejercicio anterior pero ahora divide los datos en entrenamiento y validación.

Para ello usa la función train_test_split de sklearn

from sklearn.model_selection import train_test_split
 
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)

El parámetro test_size indica el % de datos (en tpu) que serán para el test.

Ahora deberás indicar en el método fit que ahora hay datos de entrenamiento y de test

history=model.fit(x_train,y_train,validation_data=(x_test,y_test),epochs=epochs,verbose=False)

Para acabar ahora están las métricas de:

• loss : La pérdida en entrenamiento
• val_loss : La pérdida en validación

Al mostrar la gráfica, muestra tanto loss como val_loss del mismo color pero que la línea de val_loss sea continua y la línea de val_loss sea puenteada