Visualizacion: contar historias con datos

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

# Dataset: 4 senales con estadisticas distintas
np.random.seed(42)
fig, axes = plt.subplots(2, 2, figsize=(12, 9))
(ax1, ax2), (ax3, ax4) = axes

# 1) Distribucion normal: histograma + KDE
data = np.random.normal(0, 1, 1000)
ax1.hist(data, bins=40, density=True, alpha=0.6, color='#06B6D4', edgecolor='white')
from scipy.stats import norm
x = np.linspace(-4, 4, 100)
ax1.plot(x, norm.pdf(x), 'r-', lw=2, label='N(0,1)')
ax1.set_title('Distribucion Normal Estandar', fontsize=14, fontweight='bold')
ax1.set_xlabel('Valor')
ax1.set_ylabel('Densidad')
ax1.legend()
ax1.grid(alpha=0.3, axis='y')

# 2) Boxplot: comparativa entre grupos
df_groups = pd.DataFrame({
    'grupo': np.repeat(['A', 'B', 'C', 'D'], 100),
    'valor': np.concatenate([
        np.random.normal(10, 2, 100),
        np.random.normal(15, 3, 100),
        np.random.normal(12, 4, 100),
        np.random.normal(18, 2.5, 100),
    ])
})
sns.boxplot(data=df_groups, x='grupo', y='valor', ax=ax2, palette='viridis')
ax2.set_title('Distribucion por grupo', fontsize=14, fontweight='bold')

# 3) Heatmap de correlacion
df_corr = pd.DataFrame(np.random.randn(200, 6), columns=list('ABCDEF'))
corr = df_corr.corr()
sns.heatmap(corr, annot=True, fmt='.2f', cmap='RdBu_r', center=0, ax=ax3,
            square=True, cbar_kws={'shrink': 0.8})
ax3.set_title('Matriz de correlacion', fontsize=14, fontweight='bold')

# 4) Series temporales con multiples series
fechas = pd.date_range('2024-01-01', periods=100, freq='D')
ax4.plot(fechas, np.cumsum(np.random.randn(100)), label='A', linewidth=2)
ax4.plot(fechas, np.cumsum(np.random.randn(100)) + 5, label='B', linewidth=2)
ax4.plot(fechas, np.cumsum(np.random.randn(100)) - 3, label='C', linewidth=2)
ax4.set_title('Series temporales acumuladas', fontsize=14, fontweight='bold')
ax4.set_xlabel('Fecha')
ax4.set_ylabel('Valor acumulado')
ax4.legend()
ax4.grid(alpha=0.3)

# Limpiar las "spines" (bordes) para todas las subplots
for ax in axes.flatten():
    sns.despine(ax=ax)
    ax.grid(axis='y', alpha=0.3, linestyle='--')

plt.tight_layout()
plt.savefig('dashboard_ejemplo.png', dpi=150, bbox_inches='tight')
plt.show()

import seaborn as sns
import pandas as pd

# Wide: 1 fila por categoria, columna por mes
df_wide = pd.DataFrame({
    'categoria': ['A', 'B', 'C'],
    'enero':     [100, 150, 80],
    'febrero':   [110, 160, 90],
    'marzo':     [120, 170, 95],
})

# Tidy: 1 fila por (categoria, mes, valor) - lo que Seaborn quiere
df_tidy = pd.melt(df_wide, id_vars='categoria', var_name='mes', value_name='ventas')

# sns.lineplot requiere tidy data
import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(8, 5))
sns.lineplot(data=df_tidy, x='mes', y='ventas', hue='categoria', marker='o', ax=ax)
ax.set_title('Ventas por categoria a lo largo del tiempo')
sns.despine(ax=ax)
plt.tight_layout()
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt

# Verificar como se ve la paleta en distintos tipos de daltonismo
sns.set_palette('viridis')

# O explicitamente:
# sns.color_palette('colorblind', n_colors=8)  # 8 colores accesibles

# En Matplotlib:
import matplotlib as mpl
# mpl.rcParams['axes.prop_cycle'] = mpl.cycler(color=sns.color_palette('viridis', 10))