6. Gráficos avanzados

En este capítulo exploramos técnicas avanzadas de visualización con Matplotlib, aprovechando su API orientada a objetos para crear gráficos expresivos dentro de proyectos realizados con Python.

Trabajaremos con gráficos de torta, áreas, densidades y diagramas de error, reforzando buenas prácticas para destacar información sin sacrificar claridad.

6.1 Gráficos de torta (pie)

Los gráficos de torta muestran proporciones de un total. Funcionan mejor con pocas categorías y diferencias bien marcadas.

Puntos clave

• Utilizá Axes.pie para crear el gráfico desde un objeto Axes.
• Mantené la relación de aspecto en 1:1 con ax.set_aspect('equal') para obtener un círculo.
• autopct muestra porcentajes formateados.
• explode resalta sectores relevantes.
• labels o ax.legend() facilitan la lectura.

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

valores = [40, 25, 20, 15]
labels = ["Ventas", "Marketing", "I+D", "Operaciones"]
explode = [0.05, 0, 0, 0]  # Resaltar "Ventas"

ax.pie(
    valores,
    labels=labels,
    explode=explode,
    autopct="%.1f%%",
    startangle=90,
    wedgeprops={"linewidth": 1, "edgecolor": "white"}
)

ax.set_title("Distribución de presupuesto")
ax.set_aspect('equal')  # Círculo perfecto

plt.show()

📌 Buenas prácticas: evitá más de 5-6 categorías y preferí barras si las diferencias son sutiles.

6.2 Gráficos de área (fill_between)

Estos gráficos destacan el área bajo una curva o entre dos curvas, útiles para bandas de confianza, rangos o acumulados.

Área bajo una curva

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 200)
y = np.sin(x) + 1.5

fig, ax = plt.subplots()
ax.plot(x, y, label="Señal")
ax.fill_between(x, y, 0, alpha=0.3)  # Relleno hasta el eje X
ax.set_title("Área bajo la curva")
ax.set_xlabel("Tiempo")
ax.set_ylabel("Amplitud")
ax.legend()
plt.show()

Área entre dos curvas

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 300)
y1 = np.sin(x) + 1
y2 = np.cos(x) + 1

fig, ax = plt.subplots()
ax.plot(x, y1, label="Seno")
ax.plot(x, y2, label="Coseno")
ax.fill_between(x, y1, y2, where=(y1 >= y2), alpha=0.25, label="Área (y1 >= y2)")
ax.fill_between(x, y1, y2, where=(y1 < y2), alpha=0.25, label="Área (y1 < y2)")
ax.set_title("Área entre dos curvas")
ax.set_xlabel("Ángulo")
ax.set_ylabel("Valor")
ax.legend()
plt.show()

💡 Tips: where= permite rellenar según una condición y alpha controla la transparencia.

6.3 Gráficos de densidad con histograma (density=True)

Para analizar distribuciones continuas, normalizá el histograma con density=True y comparalo con una curva teórica generada con NumPy.

import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
muestras = np.random.normal(loc=0, scale=1, size=2000)

fig, ax = plt.subplots()

# Histograma como densidad
ax.hist(
    muestras,
    bins="auto",
    density=True,
    edgecolor="black",
    alpha=0.4,
    label="Hist (densidad)"
)

# Curva normal estimada con media y desvío de los datos
mu, sigma = np.mean(muestras), np.std(muestras, ddof=1)
x = np.linspace(mu - 4 * sigma, mu + 4 * sigma, 400)
pdf = (1 / (sigma * np.sqrt(2 * np.pi))) * np.exp(-0.5 * ((x - mu) / sigma) ** 2)

ax.plot(x, pdf, linewidth=2, label=f"N(mu={mu:.2f}, sigma={sigma:.2f})")

ax.set_title("Distribución y densidad (hist con density=True)")
ax.set_xlabel("Valor")
ax.set_ylabel("Densidad")
ax.legend()
plt.show()

📈 Para densidades no paramétricas evaluá usar librerías como SciPy o Seaborn.

6.4 Diagramas de error (errorbar)

Las barras de error muestran incertidumbre en mediciones. Podés combinar errores verticales (yerr) y horizontales (xerr) y ajustar tapas (capsize).

Error vertical

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(1, 6)
y = np.array([2.0, 2.5, 3.7, 3.2, 4.1])
yerr = np.array([0.2, 0.3, 0.25, 0.35, 0.2])  # Error vertical

fig, ax = plt.subplots()

ax.errorbar(
    x,
    y,
    yerr=yerr,
    fmt="o-",        # Marcador + línea
    capsize=4,        # Tapa de las barras de error
    elinewidth=1.2,   # Grosor de la barra de error
    label="Medición con error"
)

ax.set_title("Diagrama de error (errorbar)")
ax.set_xlabel("Muestra")
ax.set_ylabel("Valor medido")
ax.legend()
plt.show()

Error en X e Y

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0.5, 2.5, 5)
y = np.array([1.5, 1.8, 2.1, 2.0, 2.3])
xerr = 0.1
yerr = [0.05, 0.1, 0.08, 0.12, 0.06]

fig, ax = plt.subplots()
ax.errorbar(
    x,
    y,
    xerr=xerr,
    yerr=yerr,
    fmt="s--",
    capsize=3,
    ecolor="gray",
    label="Error en X e Y"
)
ax.set_title("Barras de error en ambos ejes")
ax.set_xlabel("X")
ax.set_ylabel("Y")
ax.legend()
plt.show()

⚙️ Consejos: mostrá unidades, usá capsize moderado y evitá superponer demasiadas series con errores.

Glosario: DE cuantifica la dispersión de las mediciones, EE estima la incertidumbre de la media y IC95 indica el rango probable del valor real con un 95% de confianza.

Checklist rápido

• Priorizá la API orientada a objetos (fig, ax = plt.subplots()).
• Mantené títulos, etiquetas y leyendas consistentes.
• Aplicá alpha para manejar solapamientos visuales.
• En gráficos de torta limitá categorías y garantizá ax.set_aspect('equal').
• En diagramas de error explicá qué representa la incertidumbre (DE, EE, IC95, etc.).