Authors

Description

El cerebro humano se destaca por encontrar patrones en representaciones visuales, razón por la cual las visualizaciones de datos son esenciales para cualquier análisis. Si se hacen correctamente, cierran la brecha entre quienes analizan los datos y quienes consumen el análisis. Sin embargo, aprender a crear visualizaciones impactantes y estéticamente agradables a menudo puede resultar un desafío. Esta sesión le proporcionará las habilidades para realizar visualizaciones personalizadas utilizando Python. #### Sección 1: Primeros pasos con Matplotlib Si bien hay muchas bibliotecas de trazado para elegir, la prolífica biblioteca Matplotlib es siempre un excelente lugar para comenzar. Dado que varias bibliotecas de ciencia de datos de Python utilizan Matplotlib internamente, la familiaridad con Matplotlib le brinda la flexibilidad de ajustar las visualizaciones resultantes (por ejemplo, agregar anotaciones, animar, etc.). Más allá de las opciones predeterminadas, exploraremos cómo personalizar varios aspectos de nuestras visualizaciones. Luego, podrá generar gráficos usando la API Matplotlib directamente, así como personalizar los gráficos que otras bibliotecas crean para usted. #### Sección 2: Más allá de las visualizaciones estáticas. Si bien las visualizaciones estáticas están limitadas en la cantidad de información que pueden mostrar, las animaciones hacen posible que nuestras visualizaciones cuenten una historia a través del movimiento de los componentes de la trama (por ejemplo, barras, puntos, líneas), que pueden codificar otra dimensión de los datos. En esta sección, nos centraremos en la creación de visualizaciones animadas antes de pasar a crear visualizaciones interactivas en la siguiente sección. #### Sección 3: Creación de visualizaciones interactivas para la exploración de datos. Al explorar nuestros datos, las visualizaciones interactivas pueden proporcionar el mayor valor. Sin tener que crear múltiples iteraciones del mismo gráfico, podemos usar acciones del mouse (por ejemplo, hacer clic, pasar el cursor, hacer zoom, etc.) para explorar diferentes aspectos y subconjuntos de los datos. En esta sección, aprenderemos cómo usar HoloViz para crear visualizaciones interactivas para explorar nuestros datos utilizando el backend de Bokeh.