Gráficos de distribución: histplot y kdeplot

Seaborn es una biblioteca de visualización de datos estadísticos construida sobre Matplotlib. Proporciona una API de alto nivel que permite crear gráficos atractivos e informativos con muy poco código. Una de las primeras cosas que querrá comprender sobre cualquier conjunto de datos es la forma de sus distribuciones, y histplot y kdeplot de Seaborn son las herramientas principales para ello.

sns.histplot(data, x='column') crea un histograma de una variable numérica. De forma predeterminada, Seaborn elige automáticamente un número adecuado de intervalos mediante la regla de Sturges. Puede personalizar el número de intervalos con el parámetro bins o dejar que Seaborn lo elija automáticamente. La altura de cada barra representa el recuento de observaciones en ese intervalo.

El parámetro bins controla cuántas barras muestra el histograma: un número mayor de intervalos revela más detalles, pero puede producir un aspecto ruidoso. El parámetro stat cambia lo que representa el eje y: 'count' (predeterminado), 'density' (densidad de probabilidad), 'probability' (fracción de observaciones) o 'percent'. Elegir stat='density' permite comparar histogramas de conjuntos de datos de distinto tamaño.

Establecer kde=True en histplot superpone al histograma una curva de estimación de densidad por kernel (KDE). La KDE es una aproximación continua y suavizada de la distribución de probabilidad subyacente. Esta combinación resulta muy eficaz: el histograma muestra los recuentos sin procesar de los intervalos, mientras que la KDE revela la forma general y detecta varios máximos (multimodalidad).

sns.kdeplot() dibuja únicamente la curva de densidad suavizada, sin barras de histograma. Resulta útil para comparar varias distribuciones en los mismos ejes, ya que los histogramas superpuestos pueden resultar confusos, mientras que las curvas KDE superpuestas siguen siendo legibles. El parámetro fill=True sombrea el área situada bajo la curva, lo que facilita distinguir visualmente los grupos.

Tanto histplot como kdeplot aceptan un parámetro hue que divide los datos según una columna categórica y dibuja cada grupo con un color diferente. Esto facilita la comparación de distribuciones entre grupos. Al usar histplot con hue, establezca stat='density' para comparar de forma justa grupos de distinto tamaño.

La KDE tiene un parámetro de ajuste llamado ancho de banda que controla el grado de suavizado de la curva. Un ancho de banda pequeño produce una curva irregular y demasiado ajustada a los datos; uno grande la suaviza en exceso y oculta características reales. Seaborn usa bw_adjust (1.0 de forma predeterminada) como multiplicador del ancho de banda elegido automáticamente: los valores inferiores a 1 aumentan la irregularidad y los superiores a 1 aumentan el suavizado.

Tanto histplot como kdeplot admiten gráficos bidimensionales si se pasan los parámetros x y y. Un histograma 2D muestra una cuadrícula de frecuencias codificada por colores; una KDE 2D muestra líneas de contorno de igual densidad. Estos gráficos revelan la distribución conjunta de dos variables numéricas y permiten observar si están correlacionadas.

Seaborn proporciona temas integrados mediante sns.set_theme(style=). Los estilos disponibles son 'darkgrid', 'whitegrid', 'dark', 'white' y 'ticks'. También puede establecer una paleta con palette= o sns.set_palette(). Estos ajustes se aplican globalmente a todos los gráficos posteriores de la sesión, lo que facilita conseguir un aspecto coherente.

Al leer un gráfico de distribución, busque cuatro características clave. Centro: ¿dónde se concentra la masa (media/mediana)? Dispersión: ¿qué amplitud tiene la distribución (desviación estándar)? Asimetría: ¿es más larga la cola derecha (asimetría positiva) o la izquierda (asimetría negativa)? Modalidad: ¿tiene la distribución un máximo (unimodal) o varios (bimodal/multimodal)? Las distribuciones bimodales suelen indicar la existencia de dos subpoblaciones ocultas que conviene separar.

sns.displot() es el contenedor de nivel de figura que crea su propia Figure y admite facetas en filas y columnas mediante los parámetros col= y row=. Pase kind='hist', kind='kde' o kind='ecdf' para cambiar el tipo de gráfico. La ECDF (función de distribución acumulada empírica) resulta especialmente útil porque muestra qué fracción de los datos se encuentra por debajo de cada valor sin tener que elegir intervalos.

Compruebe su comprensión de los gráficos de distribución de Seaborn de esta lección.

En esta lección ha aprendido lo siguiente: sns.histplot crea histogramas con intervalos y parámetros estadísticos personalizables, sns.kdeplot dibuja curvas de densidad suaves, ideales para comparar grupos, y el parámetro hue divide ambos tipos de gráficos según una variable categórica para facilitar la comparación lado a lado. A continuación exploraremos gráficos de comparación categórica, como diagramas de caja, gráficos de barras y diagramas de violín.