Una serie temporal es una secuencia de observaciones de una variable registradas en puntos específicos en el 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 representan datos en sí, sino que actúan como una guía visual que facilita la identificación de tendencias, estacionalidades y cambios significativos a lo largo del tiempo.
VISUALIZAR SERIES DE TIEMPO
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 (ver notebook) 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 de la población argentina en el periodo 1990-2021. Lo primero es filtrar esa información y darle forma de DataFrame.
Atendiendo a 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);
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:
plt.gca() devuelve el objeto Axes de los ejes actuales del gráfico (“get current axes”), es decir, el “área de dibujo” donde se colocan todos los elementos visuales como líneas, barras, etiquetas, leyendas, etc.
VISUALIZAR SERIES DE TIEMPO
En Matplotlib, handles son los objetos gráficos que representan los elementos que aparecen en la leyenda de un gráfico. Estos pueden ser líneas, barras, o cualquier otro tipo de marcador visual que aparece en el gráfico y que luego se incluye en la leyenda para identificar los distintos elementos.
Por su parte, los labels son las etiquetas asociadas a cada uno de esos objetos (handles) que aparecen en la leyenda.
VISUALIZAR SERIES DE TIEMPO
Veamos el gráfico con estas modificaciones:
sns.lineplot(x ='anio', y ='porcentaje', hue ='Country Name', marker ='o', data = data_paises)handles, labels = plt.gca().get_legend_handles_labels()labels_espaniol = ['Argentina', 'India', 'Estados Unidos']plt.legend(handles = handles, labels = labels_espaniol, title ='País');
INCORPORAR A LOS DEMÁS PAÍSES
Si quisiéramos incluir a todos los países en una única visualización, realizar un gráfico como el anterior podría volverse poco práctico, ya que implicaría mostrar información para 20 países simultáneamente, lo cual puede dificultar la lectura y la interpretación del gráfico:
print(lista_paises)print(f'El total de países filtrados es: {len(lista_paises)}')
['Iceland', 'Norway', 'United Kingdom', 'Japan', 'Canada', 'Germany', 'New Zealand', 'France', 'Israel', 'Argentina', 'United States', 'Chile', 'Italy', 'Brazil', 'Mexico', 'South Africa', 'China', 'Algeria', 'India', 'Kenia']
El total de países filtrados es: 20
EL HEATMAP
El heatmap consiste en la representación gráfica bidimensisonal 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.
Su nombre deriva del uso tradicional de una paleta que recorre el espectro de colores cálidos a fríos.
Aunque esta visualización dificulta determinar los valores exactos que se muestran, hace un excelente trabajo al resaltar tendencias generales.
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.
EL HEATMAP
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 ordenar los países según cuán temprano comenzaron a registrar un uso significativo de Internet.
🤓 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.
EL HEATMAP
Este debería ser el resultado:
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.
Afortunadamente, Seaborn ofrece la función pairplot(), que facilita la creación de una matriz de gráficos. Con un solo comando, podemos visualizar tanto la distribución individual de cada variable como las asociaciones entre pares, todo en un único gráfico.
sns.pairplot(vars= ['bill_length_mm','bill_depth_mm','flipper_length_mm', 'body_mass_g'], data = data_penguins);
VISUALIZAR ASOCIACIONES ENTRE VARS. CUANTITATIVAS
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.
VISUALIZAR ASOCIACIONES ENTRE VARS. CUANTITATIVAS
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 que muestra las correlaciones entre todas las combinaciones posibles de variables en un conjunto de datos (es la versión gráfica de una matriz de correlación de Pearson).
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.
