Una serie temporal es una secuencia de observaciones de una variable registradas en puntos específicos en el tiempo.
A diferencia de otros datos, aquí las observaciones no son independientes: están ordenadas y cada valor tiene un “antes” y un “después”.
VISUALIZAR SERIES DE TIEMPO
Para visualizar este tipo de datos, se suelen utilizar gráficos de líneas, en los que se conectan las observaciones individuales entre sí para resaltar el orden temporal.
Las líneas no agregan información nueva: simplemente conectan los datos existentes para hacer visible su evolución en el tiempo y, así, detectar patrones y comportamientos estacionales.
Para ejemplificar, trabajaremos con el dataset data_internet.csv del Banco Mundial, que contiene información acerca del porcentaje de personas con acceso a Internet a lo largo del tiempo en una serie de países.
Previamente, realizaremos tareas de limpieza y un filtrado de información para considerar sólo los años a partir de 1990 y los datos correspondientes a los países que se encuentran en lista_paises:
Luego de realizadas las tareas de limpieza y adecuación, las primeras filas del dataset lucen de la siguiente manera:
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
...
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
Country Name
Argentina
0.000
0.000000
0.002993
0.029527
0.043706
0.086277
0.141955
0.280340
0.830767
3.284482
...
55.80
59.90
64.700000
68.043064
70.968981
74.294907
77.700000
79.946952
85.514386
87.150707
Brazil
0.000
0.003288
0.012946
0.025498
0.037673
0.105138
0.450789
0.786079
1.477875
2.038732
...
48.56
51.04
54.551002
58.327952
60.872540
67.471285
70.434283
73.912440
81.342694
80.689893
Canada
0.361
0.570386
0.915981
1.184558
2.378694
4.163525
6.760240
15.072357
24.897400
36.186440
...
83.00
85.80
87.120000
90.000000
91.160000
92.701372
94.640000
91.912897
92.300000
92.834017
3 rows × 32 columns
VISUALIZAR SERIES DE TIEMPO
Como primer ejemplo, supongamos que queremos construir un gráfico para visualizar la evolución del porcentaje de acceso a Internet en Argentina durante el periodo 1990-2021. Lo primero es filtrar esa información y darle forma de DataFrame.
Teniendo en cuenta que la columna anio es de tipo object, la transformamos en int64 para poder realizar luego algunas modificaciones de escala en el gráfico:
Luego, utilizamos la función lineplot() de Seaborn para representar estos datos en la forma de un gráfico de líneas:
sns.lineplot(x ='anio', y ='porcentaje', data = data_argentina);
VISUALIZAR SERIES DE TIEMPO
Sobre el gráfico anterior, podemos agregar los datos individuales en la forma de puntos seteando el parámetro marker = 'o':
sns.lineplot(x ='anio', y ='porcentaje', marker ='o', data = data_argentina)plt.title('Evolución del % de acceso a Internet en Argentina\n en el periodo 1990-2021');
¿Qué observamos?
VISUALIZAR SERIES DE TIEMPO
Supongamos ahora que queremos construir un gráfico para comparar la evolución del porcentaje de acceso a Internet en Argentina, India y Estados Unidos en el periodo 1990-2021. Lo primero es filtrar esa información y darle forma de DataFrame en formato largo:
Podemos representar las observaciones correspondientes a cada país, seteando el parámetro hue = 'Country Name' dentro de sns.lineplot():
sns.lineplot(x ='anio', y ='porcentaje', hue ='Country Name', marker ='o', data = data_paises);
¿Qué diferencias pueden observarse en la evolución del % de acceso a Internet entre los tres países considerados?
INCORPORAR A LOS DEMÁS PAÍSES
Hasta ahora analizamos la evolución de uno o pocos países mediante gráficos de líneas.
Sin embargo, si quisiéramos incluir a todos los países simultáneamente (todos los seleccionados en lista_paises) este tipo de gráfico pierde efectividad: las líneas se superponen y resulta difícil seguir cada trayectoria individual.
En este contexto, necesitamos una nueva forma de representar la información.
print(f'El total de países filtrados es: {len(lista_paises)}')
El total de países filtrados es: 20
EL HEATMAP
El heatmap consiste en la representación gráfica de una matriz de datos, en la que se utiliza una escala de colores para mostrar la magnitud de los valores/observaciones de una variable cuantitativa.
Aunque esta visualización dificulta determinar los valores exactos que se muestran, hace un excelente trabajo al resaltar tendencias generales. Es decir, pasamos de seguir trayectorias individuales a observar patrones globales.
EL HEATMAP
Para construir un heatmap con los datos del porcentaje de acceso a Internet de los 20 países entre los años 1990 y 2021, utilizaremos la función heatmap() de la librería Seaborn. Esta función representa gráficamente la matriz de datos, asignando colores a cada celda según el valor del porcentaje de acceso a Internet correspondiente a cada país y año.
Así luce el heatmap construido a partir de la matriz de datos:
EL HEATMAP
Este es el código que se utilizó para construir el gráfico de la slide anterior, que incluye el uso de la paleta magma (cmap = 'magma') y modificaciones en los títulos de los ejes y de la escala de colores.
ax = sns.heatmap(data_internet_filtrado, cmap ='magma', cbar_kws={'label': 'Porcentaje de acceso a internet (%)'})plt.xlabel('Año', fontweight ='bold')plt.ylabel('País', fontweight ='bold')cbar = ax.collections[0].colorbarcbar.ax.yaxis.label.set_fontweight('bold')plt.show()
EL HEATMAP
Una posible mejora del gráfico anterior consiste en reordenar los países (eje \(y\)) para facilitar la comparación. En este sentido, podemos organizarlos según el momento en que alcanzan cierto nivel de acceso.
🤓 Como ejercicio, modificar el heatmap construido para que los países se ordenen según el año en que al menos el 20% de su población accedió a Internet.
Si bien este valor es arbitrario, permite realizar una mejor comparación del ritmo de adopción de Internet entre países.
Este debería ser el resultado:
GRÁFICOS PARA VISUALIZAR ASOCIACIONES ENTRE VARS. CUANTITATIVAS
Algunas clases atrás, utilizamos un scatterplot para representar, en forma conjunta, las observaciones de las variables flipper_length y body_mass del dataset de los pingüinos del archipiélago Palmer:
data_penguins = sns.load_dataset('penguins')sns.scatterplot(x ='body_mass_g', y ='flipper_length_mm', data = data_penguins);
VISUALIZAR ASOCIACIONES ENTRE VARS. CUANTITATIVAS
El dataset incluye varias variables cuantitativas, por lo que deberíamos realizar un scatterplot diferente por cada par de variables que quisiéramos estudiar 🙄.
Para resolver este problema, podemos utilizar matrices de scatterplots, que permiten visualizar múltiples relaciones simultáneamente. La función pairplot() de Seaborn facilita la construcción de este tipo de gráficos.
sns.pairplot(vars= ['bill_length_mm','bill_depth_mm','flipper_length_mm', 'body_mass_g'], data = data_penguins);
El resultado es una matriz de scatterplots, uno para cada combinación posible de las variables cuantitativas seleccionadas. En la diagonal, se muestra un histograma para visualizar la distribución individual de las observaciones de cada una de ellas.
Si seteamos el parámetro hue = 'species' hacemos visible el hecho de que, en ciertos casos, existen diferencias marcadas entre las especies Adelie, Chinstrap y Gentoo.
La diagonal muestra ahora gráficos de densidad para cada variable individual según la especie.
CORRELOGRAMA
Un correlograma es una representación gráfica de la matriz de correlación entre variables cuantitativas.
Podemos construirlo generando la matriz de correlación de nuestros datos y luego ploteándola con la función heatmap() de la librería Seaborn.
CORRELOGRAMA
# Generamos la matriz de correlaciónmatriz = data_penguins[['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']].corr()# Construimos el heatmapsns.heatmap(matriz, annot =True);
CORRELOGRAMA
El gráfico anterior es la base de un correlograma, pero todavía tenemos algunas modificaciones importantes para hacerle para que sea adecuado.
En primer lugar, es fundamental utilizar una escala de colores divergente, la cual resulta de la combinación de dos escalas secuenciales unidas en un punto medio común, que generalmente se representa con un color claro. Este tipo de escala es ideal cuando necesitamos visualizar la desviación de los valores de los datos en una de dos direcciones con respecto a un punto medio neutral (en nuestro caso, r = 0).
En el gráfico anterior, los colores verdes más fuertes se asocian con correlaciones lineales positivas más intensas, mientras que las tonalidades marrones más fuertes indican correlaciones lineales inversas más intensas.
¡IMPORTANTE! Si bien los correlogramas muestran información relevante sobre las asociaciones entre variables cuantitativas, al mismo tiempo ocultan la existencia de patrones importantes en los datos y pueden llevarnos a sacar conclusiones incorrectas. Por este motivo, siempre es conveniente complementarlos con una matriz de scatterplots y analizar si tiene sentido informar coeficientes de correlación lineales.
VISUALIZAR 3 VARIABLES CUANTITATIVAS
En los scatterplots que presentamos hasta aquí, se incorporaba la información de dos variables cuantitativas, mapeadas en los ejes cartesianos.
Cuando surgió el interés en incluir una variable cualitativa, la representamos mediante una escala de colores.
¿Qué ocurre si queremos incorporar una tercera variable que también sea cuantitativa? ¿Qué opciones tenemos?
BUBBLE CHART
Un bubble chart es una extensión del scatterplot en la que se incorpora una tercera variable cuantitativa mediante el tamaño de los puntos.
De esta forma, dos variables se representan en los ejes y una tercera variable se codifica a través del tamaño de cada punto
Este tipo de gráfico permite visualizar tres variables simultáneamente en un mismo plano.
BUBBLE CHART
sns.scatterplot(x ='body_mass_g', y ='flipper_length_mm', size ='bill_length_mm', data = data_penguins);
BUBBLE CHART
Algunas limitaciones ⚠️
Si bien podemos representar una tercera variable mediante el tamaño de los puntos, esto presenta algunas dificultades:
las diferencias en tamaño son más difíciles de percibir que las diferencias en posición, por lo que comparar valores resulta menos preciso
se combinan distintos tipos de escalas visuales (posición y tamaño/área), que no se perciben con la misma claridad
pequeñas diferencias en los datos pueden traducirse en cambios casi imperceptibles en el tamaño de los puntos
¿ENTONCES QUÉ HACEMOS?
En lugar de incorporar más variables en un mismo gráfico, muchas veces es preferible:
utilizar múltiples visualizaciones más simples
representar las relaciones de a pares (por ejemplo, con matrices de scatterplots)
priorizar el uso de la posición, que es el canal visual más preciso
