En esta sección verás tres utilidades clave para explorar relaciones multivariadas:
pairplot: explora todas las relaciones bivariadas entre variables numéricas, con histogramas/KDE en la diagonal.jointplot: relación entre dos variables con distribuciones marginales (ejes X/Y).lmplot: regresión lineal (simple o por subgrupos) con intervalos de confianza.Todos los ejemplos incluyen imports y set_theme para copiar/pegar y ejecutar (Seaborn ≥ 0.12/0.13).
pairplot arma una grilla de gráficos bivariados para cada par de variables numéricas y muestra, en la diagonal, la distribución de cada una (histograma o KDE). Es el “primer vistazo” clásico para detectar correlaciones, no linealidades u outliers.
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
iris = sns.load_dataset("iris")
g = sns.pairplot(data=iris)
g.fig.suptitle("Iris – Pairplot básico", y=1.02)
plt.show()
hue colorea por categoría (p. ej., especie).
diag_kind="kde" usa densidades suavizadas en la diagonal.
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
iris = sns.load_dataset("iris")
g = sns.pairplot(
data=iris,
hue="species",
diag_kind="kde", # "hist" (default) o "kde"
corner=False, # True mostraría solo triángulo inferior
plot_kws={"alpha": 0.7, "s": 40} # kwargs para los scatter de la grilla
)
g.fig.suptitle("Iris – Pairplot por especie (diagonal KDE)", y=1.02)
plt.show()
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
iris = sns.load_dataset("iris")
cols = ["sepal_length", "sepal_width", "petal_length", "petal_width"]
g = sns.pairplot(
data=iris[cols],
corner=True, # muestra solo triángulo inferior
diag_kind="hist"
)
g.fig.suptitle("Iris – Pairplot (solo columnas seleccionadas, corner=True)", y=1.02)
plt.show()
jointplot dibuja un gráfico central (relación X–Y) y, en los márgenes, las distribuciones de X y Y. Soporta varios kind: "scatter", "kde", "hist", "hex", "reg".
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
penguins = sns.load_dataset("penguins").dropna(subset=["bill_length_mm", "bill_depth_mm"])
g = sns.jointplot(
data=penguins,
x="bill_length_mm",
y="bill_depth_mm",
kind="scatter", # "scatter" por defecto
height=5, # tamaño de la figura
space=0.1 # espacio entre centro y márgenes
)
g.fig.suptitle("Penguins – Jointplot (scatter + histogramas)", y=1.02)
plt.show()
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
penguins = sns.load_dataset("penguins").dropna(subset=["bill_length_mm", "bill_depth_mm"])
g = sns.jointplot(
data=penguins,
x="bill_length_mm",
y="bill_depth_mm",
kind="kde", # densidad 2D en el centro + KDE marginal
fill=True, # relleno en KDE
thresh=0.05, # umbral de isolíneas
height=5
)
g.fig.suptitle("Penguins – Jointplot KDE (2D + marginal)", y=1.02)
plt.show()
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
tips = sns.load_dataset("tips")
# Hexbin (ideal para datos densos/solapados)
g1 = sns.jointplot(
data=tips,
x="total_bill", y="tip",
kind="hex",
height=5, gridsize=20, # hexágonos
cmap="mako"
)
g1.fig.suptitle("Tips – Jointplot HEX", y=1.02)
# Regresión simple (línea + bandas)
g2 = sns.jointplot(
data=tips,
x="total_bill", y="tip",
kind="reg", # scatter + recta + bandas
height=5
)
g2.fig.suptitle("Tips – Jointplot REG (con tendencia)", y=1.02)
plt.show()
lmplot es una función de nivel figura (como relplot/catplot) que facilita:
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
tips = sns.load_dataset("tips")
g = sns.lmplot(
data=tips,
x="total_bill", y="tip",
height=4, aspect=1.2, # tamaño (figura de alto nivel)
ci=95 # nivel de confianza; None para ocultar
)
g.fig.suptitle("Regresión lineal simple (lmplot)", y=1.02)
plt.show()
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
tips = sns.load_dataset("tips")
g = sns.lmplot(
data=tips,
x="total_bill", y="tip",
hue="sex", # una recta por sexo
markers=["o", "s"], # estilos de puntos por grupo
palette="deep",
height=4, aspect=1.2
)
g.fig.suptitle("Regresión por sexo (rectas separadas)", y=1.02)
plt.show()
import seaborn as sns
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
tips = sns.load_dataset("tips")
g = sns.lmplot(
data=tips,
x="total_bill", y="tip",
hue="sex", # color por sexo
col="time", # Lunch vs Dinner en columnas
row="smoker", # filas por fumador/no fumador
height=3, aspect=1.2
)
g.set_axis_labels("Total bill", "Tip")
g.set_titles("time={col_name} | smoker={row_name}")
g.fig.suptitle("lmplot con facetas: time × smoker, hue=sex", y=1.03)
plt.show()
fit_reg=False en versiones antiguas; en modernas es mejor usar order/robust a través de sns.regplot o Seaborn Objects.
Para polinomios o ajustes robustos, hoy es más flexible usar Seaborn Objects:
import seaborn as sns
import seaborn.objects as so
import matplotlib.pyplot as plt
sns.set_theme(style="whitegrid", context="notebook")
tips = sns.load_dataset("tips")
(
so.Plot(tips, x="total_bill", y="tip", color="sex")
.add(so.Dots(alpha=0.7))
.add(so.Line(), so.PolyFit(order=2)) # ajuste polinomial grado 2
.layout(size=(6, 4))
).show()
lmplot re-crea la figura cada vez (nivel figura). Para control fino dentro de ejes existentes, usá sns.regplot o Seaborn Objects.