Introducción
La visualización de datos permite representar información de manera gráfica para identificar patrones, tendencias y relaciones que serían difíciles de detectar en tablas o resúmenes numéricos.
Motivación
| Razón | Idea clave |
|---|---|
| Comunicar información compleja | Un gráfico bien hecho transmite en segundos lo que una tabla tarda minutos en revelar. |
| Descubrir información oculta | La exploración visual expone patrones, outliers y errores que las estadísticas agregadas ocultan. |
| Mejorar el análisis | Visualizar obliga a entender la estructura del dato antes de modelarlo. |
Malos y buenos gráficos
Malos gráficos
Gráficos que distorsionan o confunden: ejes truncados, gráficos 3D innecesarios, colores sin significado o demasiada información en una sola figura.
Buenos gráficos
Gráficos que cuentan una historia clara: una sola idea central, jerarquía visual, y título que guía la lectura.
Primeras visualizaciones históricas
Campaña de Napoleón a Moscú (Charles Minard, 1869) Muestra simultáneamente la ruta, el tamaño del ejército, la dirección del avance/retirada y la temperatura. Considerado uno de los mejores gráficos estadísticos de la historia.
Mapa del cólera (John Snow, 1855) Mapeó los casos de cólera en Londres vinculándolos geográficamente a una sola bomba de agua, inaugurando la epidemiología moderna.
¿Por qué utilizar gráficos?
"The eye and the visual cortex of the brain form a massively parallel processor that provides the highest bandwidth channel into human cognitive centers." — Colin Ware, Information Visualization, 2004
El 70 % de los receptores sensoriales del cuerpo humano están dedicados a la visión. El cerebro procesa información visual de forma masiva y paralela, lo que hace del gráfico el canal más eficiente para transmitir datos.
Cuarteto de ANSCOMBE
Cuatro datasets con estadísticas descriptivas idénticas pero distribuciones completamente distintas. Presentado por Francis Anscombe en 1973 para demostrar que los números solos no bastan.
Sin visualización, los cuatro datasets parecen iguales. Con visualización, son radicalmente distintos:
Teoría de visualización
Conceptos fundamentales
| Concepto | Descripción |
|---|---|
| Percepción visual | Cómo los sentidos procesan la información gráfica. |
| Cognición visual | Cómo la atención, memoria y razonamiento interpretan lo que vemos. |
| Diseño visual | Principios para construir visualizaciones claras y atractivas. |
| Interactividad | Cómo las visualizaciones dinámicas permiten explorar los datos. |
Los 4 pilares de Iliinsky
Noah Iliinsky identifica cuatro preguntas que toda buena visualización debe responder:
- Contenido — ¿qué dato se representa?
- Función — ¿cuál es el objetivo (comparar, mostrar tendencia, explorar)?
- Forma — ¿qué tipo de gráfico y codificación visual es más adecuada?
- Audiencia — ¿quién lo va a leer y qué nivel de detalle necesita?
🔑 Ver video de referencia para profundizar estos conceptos.
Python Landscape
Referencia general: PyViz — sitio que ayuda a elegir la librería correcta según la necesidad.
Librerías para gráficos estáticos
| Librería | Descripción |
|---|---|
matplotlib |
Base del ecosistema; inspirada en MATLAB. Control total sobre el gráfico. |
seaborn |
Construida sobre matplotlib; orientada a visualizaciones estadísticas. |
pandas.plot |
Wrapper rápido de matplotlib integrado en DataFrames. |
networkx |
Visualización de grafos y redes. |
Librerías para gráficos interactivos
| Librería | Descripción |
|---|---|
plotly |
Interactivo y con soporte para dashboards via Dash. |
bokeh |
Alta performance con datasets grandes y streaming de datos. |
D3.js |
Basado en JavaScript; permite visualizaciones totalmente personalizadas. |
La clave no es dominar una sola librería, sino saber elegir la más adecuada para cada problema.