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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