Bar Charts 01 - Matplotlib
Matplotlib es una librería del lenguajes de
programación Python que nos permite crear
gráficos estadísticos de gran calidad, nos enfocaremos en sus aspectos
básicos para la creación de diagramas de barras (Bar
Charts), como se muestra a continuación:
eje_x=[4,6,8]
eje_y=[11,7,14]
colores = ['orange','blue','purple']
plt.bar(eje_x,eje_y,color=colores)
plt.title("Número de Cilindros")
plt.xlabel("Cilindros")
plt.xlabel("Frecuencias")
plt.show()

Bar Charts 02 - Matplotlib
Matplotlib es una librería de
Python especializada en la creación de
gráficos en dos dimensiones. Permite crear y personalizar los tipos de
gráficos más comunes, entre ellos: Diagramas de barras, Diagrama de
Sectores, Histograma entre otros.
eje_x = ['R','Python','SQL','Scala']
eje_y=[45,89,55,30]
colors = ['#00CED1','#9400D3','#FF1493','#00BFFF']
plt.barh(eje_x,eje_y,color=colors)
for index,value in enumerate(eje_y):
plt.text(value,index,str(value))
plt.title("Usuarios de lenguajes de programación (Mlls.)")
plt.xlabel("Lenguajes de programación")
plt.ylabel("Número de usuarios")
plt.show()

Bar Charts 03 - Matplotlib
Matplotlib es una biblioteca para la generación de
gráficos a partir de datos contenidos en listas o arrays en el lenguaje
de programación Python y su extensión matemática NumPy. Proporciona una
API, pylab, diseñada para recordar a la de MATLAB.
serie_1 = [406, 387, 442, 457, 485]
serie_2 = [421, 453, 435, 478, 512]
numero_de_grupos = len(serie_1)
indice_barras = np.arange(numero_de_grupos)
ancho_barras =0.35
plt.bar(indice_barras, serie_1, width=ancho_barras, label='Hombres')
plt.bar(indice_barras + ancho_barras, serie_2, width=ancho_barras, label='Mujeres')
plt.legend(loc='best')
## Se colocan los indicadores en el eje x
plt.xticks(indice_barras + ancho_barras, ('2017', '2018', '2019', '2020','2021'))
plt.ylabel('Numero de habitantes')
plt.xlabel('Año')
plt.title('Numero de habitantes por genero')
plt.show()

Pie Chart 04 - Matplotlib
Matplotlib es una librería
Python open source, desarrollada inicialmente
por el neurobiólogo John Hunter en 2002. El objetivo era visualizar las
señales eléctricas del cerebro de personas epilépticas. Para
conseguirlo, quería replicar las funcionalidades de creación gráfica de
MATLAB con Python.
cantidad=[30,50,25,70]
manzanas = ['Fuji','Gala','Granny Smith','Golden']
plt.title("Producción de Manzanas (Mlls.)")
plt.pie(cantidad,labels=manzanas,autopct="%0.1f %%")
plt.show()

Bar Charts 05 - Seaborn
Seaborn es una librería para
Python que permite generar fácilmente
elegantes gráficos. Seaborn esta basada en matplotlib y proporciona una
interfaz de alto nivel que es realmente sencilla de aprender.
eje_x=[4,6,8]
eje_y=[11,7,14]
sns.barplot(x=eje_x,y=eje_y)
plt.title("Número de Cilindros")
plt.xlabel("Cilindros")
plt.ylabel("Frecuencias")
plt.show()

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