Gráficos que se entienden

Hola! Vamos a hacer que se vea

Ya sabes cargar, limpiar y agrupar. Ahora falta la parte que decide si a alguien le importa: que se entienda de un vistazo 📊

Y te lo digo de entrada, porque es la lección del capítulo: lo que hace que un gráfico funcione no son los colores. Son tres decisiones que se toman antes de escribir una línea.

Las tres reglas, antes que el código

• 🎯 El tipo sale de la pregunta, no del gusto. Comparar categorías es barras. Ver evolución en el tiempo es líneas. Ver cómo se reparte una variable es histograma. Ver si dos cosas se mueven juntas es dispersión. Ya está, con esas cuatro haces el 95%.
• 📐 Las barras van ordenadas por valor, no alfabéticas. Nadie va a leer seis nombres para descubrir cuál es la más alta.
• ✍️ El título dice la conclusión, no el nombre de las columnas. "Ventas por ciudad" no dice nada. "Arequipa vende 17% más que Lima" sí.

Si haces esas tres, ya vas mejor que la mayoría de los informes que he visto. Y ninguna necesita saber matplotlib 💜

Y llévate esta pregunta a tu próxima reunión: ¿el último gráfico que presentaste decía la conclusión en el título? Si decía "Ventas por ciudad", ya sabes por dónde empezar 📊

El primer gráfico

import matplotlib
matplotlib.use('Agg')          # sin ventana, para guardar en archivo
import matplotlib.pyplot as plt
import pandas as pd
from pathlib import Path
import tempfile

df = pd.read_csv('ventas-miss-yera.csv').drop_duplicates(subset='id_venta')
df['ciudad'] = (df['ciudad'].str.strip().str.lower()
                .str.normalize('NFKD')
                .str.encode('ascii', 'ignore').str.decode('utf-8'))
df['monto'] = pd.to_numeric(df['monto'].str.replace(',', '.'), errors='coerce')

por_ciudad = df.groupby('ciudad')['monto'].sum().sort_values()
print(por_ciudad.round(0))

ciudad
lima        373379.0
cusco       387225.0
trujillo    396906.0
piura       400833.0
chiclayo    415093.0
arequipa    437847.0
Name: monto, dtype: float64

Fíjate en el sort_values() del final: ordené antes de graficar. Esa es la regla 2 y se aplica aquí, no en el gráfico.

carpeta = Path(tempfile.mkdtemp())

fig, ax = plt.subplots(figsize=(8, 4.5))
ax.barh(por_ciudad.index, por_ciudad.values, color='#F092C7')

ax.set_title('Arequipa vende 17% más que Lima', fontsize=13, loc='left')
ax.set_xlabel('Ventas del periodo (S/)')
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

fig.tight_layout()
ruta = carpeta / 'ventas-por-ciudad.png'
fig.savefig(ruta, dpi=120)
plt.close(fig)

print(ruta.name, 'creado:', ruta.exists())
print('pesa', round(ruta.stat().st_size / 1024), 'KB')

ventas-por-ciudad.png creado: True
pesa ...

Vamos por partes, que ahí hay varias cosas 🌸

• 🖼️ fig, ax = plt.subplots() es la forma seria de empezar. Verás mucho plt.bar() suelto por internet; funciona para una prueba rápida y se vuelve un lío en cuanto hay dos gráficos.
• 📏 barh y no bar: barras horizontales, porque los nombres de ciudad se leen sin torcer la cabeza.
• ✂️ Esas dos líneas de spines quitan el marco de arriba y de la derecha. Es el cambio más barato que existe para que un gráfico se vea profesional.
• 💾 tight_layout() antes de guardar, o los textos salen cortados.

Y ese matplotlib.use('Agg') de la primera línea es para guardar sin abrir ventana. En Colab no hace falta, ahí los gráficos salen solos debajo de la celda.

Y el 17% de dónde salió

De calcularlo, no de inventarlo. Si vas a poner un número en un título, compruébalo:

diferencia = (por_ciudad['arequipa'] / por_ciudad['lima'] - 1) * 100
print(f'{diferencia:.1f}%')

17.3%

Parece obvio y no lo es: los títulos con números inventados son la forma más rápida de perder la confianza de una reunión 🙃

Los cuatro tipos que necesitas

Barras: comparar categorías

por_canal = df.groupby('canal')['monto'].sum().sort_values()

fig, ax = plt.subplots(figsize=(7, 3.5))
ax.barh(por_canal.index, por_canal.values, color='#4DB8E8')
ax.set_title('Los cuatro canales venden casi lo mismo', loc='left')
fig.tight_layout()
fig.savefig(carpeta / 'canales.png', dpi=120)
plt.close(fig)

print(por_canal.round(0))
print('diferencia entre el mejor y el peor:',
      round((por_canal.max() / por_canal.min() - 1) * 100, 1), '%')

canal
WhatsApp       567392.0
Tienda         591519.0
Marketplace    619761.0
Web            632612.0
Name: monto, dtype: float64
diferencia entre el mejor y el peor: 11.5 %

Y aquí una decisión de honestidad: once por ciento de diferencia entre el mejor y el peor canal es poco. El título lo dice y no lo esconde.

La tentación sería cortar el eje para que la diferencia se vea enorme. Eso se hace todo el tiempo y es engañar con un gráfico 😖 En barras, el eje empieza en cero, siempre.

El error que da todo el mundo la primera vez

Y este te va a pasar, así que mejor aquí:

fig, ax = plt.subplots()
ax.barh(por_canal.index, por_canal.values, colour='#F092C7')

AttributeError: Rectangle.set() got an unexpected keyword argument 'colour'

Escribí colour a la inglesa en vez de color. Y matplotlib no te dice "no conozco ese parámetro" a secas: te dice qué objeto lo rechazó, que es Rectangle, o sea la barra.

Ese patrón se repite con casi todos los errores de matplotlib: el mensaje nombra el objeto interno y no la función que llamaste. Cuando veas nombres raros tipo Rectangle, Line2D o Text, no te asustes: son las piezas del gráfico, y el problema está en el parámetro que les pasaste 🙂

plt.close(fig)
print('cerrada')

cerrada

Líneas: evolución en el tiempo

fecha = pd.to_datetime(df['fecha'], format='%Y-%m-%d', errors='coerce')
faltan = fecha.isna()
fecha[faltan] = pd.to_datetime(df.loc[faltan, 'fecha'],
                               format='%d/%m/%Y', errors='coerce')
df['fecha'] = fecha

por_mes = df.groupby(df['fecha'].dt.to_period('M'))['monto'].sum()
print(por_mes.head(4).round(0))
print('meses:', len(por_mes))

fecha
2025-01    128800.0
2025-02    129470.0
2025-03    139931.0
2025-04    115464.0
Freq: M, Name: monto, dtype: float64
meses: 18

fig, ax = plt.subplots(figsize=(9, 3.5))
ax.plot(por_mes.index.to_timestamp(), por_mes.values,
        marker='o', color='#F092C7')
ax.set_title('Ventas mensuales, enero 2025 a junio 2026', loc='left')
ax.set_ylim(0, None)
ax.grid(axis='y', alpha=0.3)
fig.tight_layout()
fig.savefig(carpeta / 'mensual.png', dpi=120)
plt.close(fig)

print('grafico de', len(por_mes), 'meses guardado')

grafico de 18 meses guardado

Ese set_ylim(0, None) hace lo mismo que en barras: obliga a que el eje empiece en cero. Sin él, matplotlib ajusta el eje al rango de los datos y una variación del 3% parece un terremoto.

Histograma: cómo se reparte una variable

fig, ax = plt.subplots(figsize=(8, 3.5))
ax.hist(df['monto'].dropna(), bins=40, color='#F08A8A')
ax.axvline(df['monto'].median(), color='#4A4A4A', linestyle='--')
ax.set_title('La mayoría de ventas está por debajo de S/1.000', loc='left')
fig.tight_layout()
fig.savefig(carpeta / 'histograma.png', dpi=120)
plt.close(fig)

print('mediana  S/', round(df['monto'].median(), 2))
print('promedio S/', round(df['monto'].mean(), 2))
print('por debajo de 1000:',
      round((df['monto'] < 1000).mean() * 100, 1), '%')

mediana  S/ 533.63
promedio S/ 803.76
por debajo de 1000: 73.0 %

El histograma es el gráfico que más me gusta y el que menos se usa. Con una tabla de promedios nunca ves la forma; aquí ves que el 73% de las ventas está bajo los mil soles y que hay una cola larga de ventas grandes que estira el promedio 🌟

Esa línea vertical de la mediana no es adorno: es lo que hace que se vea la distancia entre la mediana y el promedio sin explicarla.

Y ojo con bins. Con pocas cajas escondes la forma, con demasiadas todo parece ruido. Entre 20 y 50 suele funcionar, y vale la pena probar dos o tres.

Dispersión: si dos cosas se mueven juntas

fig, ax = plt.subplots(figsize=(6, 4))
ax.scatter(df['unidades'], df['monto'], s=8, alpha=0.25, color='#4DB8E8')
ax.set_xlabel('Unidades')
ax.set_ylabel('Monto (S/)')
ax.set_title('Más unidades no significa más monto', loc='left')
fig.tight_layout()
fig.savefig(carpeta / 'dispersion.png', dpi=120)
plt.close(fig)

print('correlación:', round(df['unidades'].corr(df['monto']), 3))

correlación: 0.018

Correlación de 0,018, o sea prácticamente nada. Y ahí está el valor del gráfico: cuando la respuesta es "no hay relación", eso también es un hallazgo y hay que reportarlo.

Ese alpha=0.25 hace los puntos semitransparentes. Con tres mil puntos encimados es la diferencia entre ver una mancha negra y ver dónde se concentran.

Y el aviso de siempre, que desarrollo en el libro de estadística: aunque la correlación hubiera salido alta, correlación no es causa.

Varios gráficos juntos

fig, axes = plt.subplots(1, 2, figsize=(11, 3.5))

por_segmento = df.groupby('segmento')['monto'].sum().sort_values()
axes[0].barh(por_segmento.index, por_segmento.values, color='#F092C7')
axes[0].set_title('Por segmento', loc='left')

axes[1].hist(df['satisfaccion'].dropna(), bins=5, color='#4DB8E8')
axes[1].set_title('Satisfacción', loc='left')

fig.tight_layout()
fig.savefig(carpeta / 'panel.png', dpi=120)
plt.close(fig)

print('archivos generados:', len(list(carpeta.glob('*.png'))))

archivos generados: 6

Ese subplots(1, 2) te da una fila y dos columnas, y axes es una lista. Con subplots(2, 2) serían cuatro y axes sería una matriz, así que se accede con axes[0][1].

Guardar para lo que sea

fig, ax = plt.subplots(figsize=(6, 3))
ax.barh(por_canal.index, por_canal.values, color='#F092C7')
fig.tight_layout()

for extension in ['png', 'svg', 'pdf']:
    fig.savefig(carpeta / f'canales.{extension}')
plt.close(fig)

for archivo in sorted(carpeta.glob('canales.*')):
    print(archivo.name, round(archivo.stat().st_size / 1024), 'KB')

canales.pdf ...

Y siempre plt.close(fig) después de guardar. Si generas cincuenta gráficos en un bucle sin cerrarlos, se te van acumulando en memoria y matplotlib te avisa con una advertencia que nadie entiende 😄

El número encima de la barra

Una cosa que cambia un gráfico de "está bien" a "se entiende solo": poner el valor sobre cada barra y borrar el eje 🔢

fig, ax = plt.subplots(figsize=(8, 4))
barras = ax.barh(por_ciudad.index, por_ciudad.values, color='#F092C7')

ax.bar_label(barras, labels=[f'{v/1000:,.0f}k' for v in por_ciudad.values],
             padding=4, fontsize=9)
ax.set_xlim(0, por_ciudad.max() * 1.12)
ax.get_xaxis().set_visible(False)
for lado in ('top', 'right', 'bottom'):
    ax.spines[lado].set_visible(False)

fig.tight_layout()
fig.savefig(carpeta / 'con-numeros.png', dpi=120)
plt.close(fig)

print('etiquetas puestas:', [f'{v/1000:,.0f}k' for v in por_ciudad.values])

etiquetas puestas: ['373k', '387k', '397k', '401k', '415k', '438k']

Piénsalo un segundo: si el número está escrito, el eje de abajo ya no hace falta. Estaba ahí solo para que el ojo estimara el valor, y ahora el valor está puesto 🙂

Por eso ese get_xaxis().set_visible(False) no es dejadez, es quitar lo que sobra. Y el set_xlim con ese 1.12 es para que la etiqueta de la barra más larga no se salga de la figura.

El padding=4 son los píxeles entre la punta de la barra y el texto. Sin él quedan pegados y se lee peor.

Ese labels= es opcional. Si te vale el número tal cual, con ax.bar_label(barras, fmt='S/ %.0f') ya lo tienes. Lo uso cuando quiero acortar a miles, que es lo que se hace cuando las cifras son largas.

La torta, y por qué casi nunca

Te la van a pedir. Y yo te voy a dar el argumento para decir que no, con un número, que es como se ganan estas discusiones 🥧

Los datos de arriba, repartidos en porcentaje:

reparto = (por_ciudad / por_ciudad.sum() * 100).sort_values(ascending=False)
grados = reparto / 100 * 360

print(grados.round(1))
print('la mayor y la menor se llevan',
      round(grados.iloc[0] - grados.iloc[-1], 1), 'grados de diferencia')
print('en barras, la diferencia es de',
      round(reparto.iloc[0] / reparto.iloc[-1] * 100 - 100, 1), '% de largo')

ciudad
arequipa    65.4
chiclayo    62.0
piura       59.8
trujillo    59.3
cusco       57.8
lima        55.7
Name: monto, dtype: float64
la mayor y la menor se llevan 9.6 grados de diferencia
en barras, la diferencia es de 17.3 % de largo

Ahí está todo 👀

Arequipa vende un 17% más que Lima. En un gráfico de barras esa diferencia se ve: una barra es visiblemente más larga que la otra. En una torta, esa misma diferencia son nueve grados y medio de abertura, y nueve grados en una circunferencia no los distingue nadie.

El ojo compara largos bien y compara ángulos mal. No es opinión mía, es lo que hace que la misma diferencia se vea en un gráfico y desaparezca en el otro.

fig, axes = plt.subplots(1, 2, figsize=(11, 4))

axes[0].pie(reparto.values, labels=reparto.index, autopct='%1.0f%%')
axes[0].set_title('En torta')

axes[1].barh(reparto.index[::-1], reparto.values[::-1], color='#F092C7')
axes[1].set_title('En barras')

fig.tight_layout()
fig.savefig(carpeta / 'torta-vs-barras.png', dpi=120)
plt.close(fig)

print('las dos guardadas en la misma figura')

las dos guardadas en la misma figura

Genera ese archivo y míralo. En la torta tienes que leer los porcentajes para saber cuál gana; en las barras lo ves antes de leer nada. Y si tienes que leer los números, entonces el gráfico no está trabajando: mejor una tabla 📋

Cuándo sí uso torta: cuando hay dos o tres trozos y uno es claramente más grande, tipo "el 70% de las ventas viene de un solo canal". Ahí el mensaje es "uno se lleva casi todo" y la torta lo cuenta bien. Con seis trozos parecidos, nunca.

El estilo se decide una vez

Habrás notado que en cada gráfico repetí las dos líneas de spines, el loc='left' del título y el figsize. Eso en un cuaderno de verdad se hace una sola vez, arriba, y se olvida 🎨

plt.rcParams.update({
    'axes.spines.top': False,
    'axes.spines.right': False,
    'axes.titlelocation': 'left',
    'axes.titlesize': 12,
    'figure.figsize': (8, 4),
    'axes.grid': True,
    'grid.alpha': 0.25,
})

fig, ax = plt.subplots()
ax.barh(por_canal.index, por_canal.values, color='#F092C7')
ax.set_title('Sin repetir una sola linea de estilo')
fig.tight_layout()
fig.savefig(carpeta / 'con-estilo.png', dpi=120)
plt.close(fig)

print('marco de arriba visible:', plt.rcParams['axes.spines.top'])
print('tamano por defecto     :', plt.rcParams['figure.figsize'])

marco de arriba visible: False
tamano por defecto     : [8.0, 4.0]

Cuatro líneas menos en cada gráfico, y sobre todo: todos los gráficos del informe salen iguales. Que es la mitad de lo que hace que un documento se vea hecho por alguien que sabe 💜

rcParams es el diccionario de ajustes por defecto de matplotlib. Lo que pongas ahí vale para todo lo que dibujes después, en ese cuaderno. Al reiniciar el kernel vuelve a lo de fábrica, así que va arriba del todo, con los import.

Si prefieres no elegir nada, plt.style.use('seaborn-v0_8-whitegrid') te deja algo decente de una línea. Yo prefiero las siete de arriba porque sé exactamente qué cambia cada una.

Lo que hace que se entienda, resumido

• 🎯 El tipo sale de la pregunta: barras para comparar, líneas para el tiempo, histograma para la forma, dispersión para la relación.
• 📊 Barras ordenadas por valor y horizontales si los nombres son largos.
• 0️⃣ El eje empieza en cero. Cortarlo es engañar.
• ✍️ El título dice la conclusión, con el número comprobado.
• ✂️ Fuera el marco de arriba y de la derecha, fuera la leyenda si hay una sola serie, fuera todo lo que no aporte.

Ejercicios

por_cat = df.groupby('categoria')['monto'].sum().sort_values()

fig, ax = plt.subplots(figsize=(7, 3))
ax.barh(por_cat.index, por_cat.values, color='#F092C7')
fig.tight_layout()
fig.savefig(carpeta / 'categorias.png', dpi=120)
plt.close(fig)

print(por_cat.round(0))

categoria
Cuidado personal    453910.0
Bebidas             456361.0
Limpieza            471763.0
Snacks              493895.0
Abarrotes           535355.0
Name: monto, dtype: float64

lider, ultima = por_cat.index[-1], por_cat.index[0]
cuanto = (por_cat.iloc[-1] / por_cat.iloc[0] - 1) * 100

print(f'{lider} vende {cuanto:.0f}% más que {ultima}')

Abarrotes vende 18% más que Cuidado personal

fig, ax = plt.subplots(figsize=(7, 3))
ax.hist(df['unidades'], bins=25, color='#F08A8A')
fig.tight_layout()
fig.savefig(carpeta / 'unidades.png', dpi=120)
plt.close(fig)

print('mediana:', df['unidades'].median())
print('máximo :', df['unidades'].max())

mediana: 12.0
máximo : 30

fig, axes = plt.subplots(1, 2, figsize=(11, 3))

axes[0].bar(por_canal.index, por_canal.values, color='#4DB8E8')
axes[0].set_title('Eje desde cero (honesto)', loc='left')

axes[1].bar(por_canal.index, por_canal.values, color='#F08A8A')
axes[1].set_ylim(por_canal.min() * 0.98, por_canal.max() * 1.01)
axes[1].set_title('Eje cortado (engañoso)', loc='left')

fig.tight_layout()
fig.savefig(carpeta / 'comparacion-ejes.png', dpi=120)
plt.close(fig)

print('los mismos datos, dos historias distintas')

los mismos datos, dos historias distintas

sub = df.dropna(subset=['satisfaccion', 'monto'])

fig, ax = plt.subplots(figsize=(6, 3.5))
ax.scatter(sub['satisfaccion'], sub['monto'], s=8, alpha=0.2, color='#4DB8E8')
fig.tight_layout()
fig.savefig(carpeta / 'satisfaccion.png', dpi=120)
plt.close(fig)

print('correlación:', round(sub['satisfaccion'].corr(sub['monto']), 3))

correlación: -0.017

fig, axes = plt.subplots(2, 2, figsize=(10, 6))

axes[0][0].barh(por_ciudad.index, por_ciudad.values, color='#F092C7')
axes[0][1].barh(por_canal.index, por_canal.values, color='#4DB8E8')
axes[1][0].hist(df['monto'].dropna(), bins=30, color='#F08A8A')
axes[1][1].hist(df['unidades'], bins=25, color='#4A4A4A')

for fila in axes:
    for a in fila:
        a.spines['top'].set_visible(False)
        a.spines['right'].set_visible(False)

fig.tight_layout()
fig.savefig(carpeta / 'panel4.png', dpi=120)
plt.close(fig)

print('panel de', axes.size, 'gráficos')

panel de 4 gráficos

fig, ax = plt.subplots(figsize=(5, 2.5))
ax.barh(por_canal.index, por_canal.values, color='#F092C7')
fig.tight_layout()
ruta_svg = carpeta / 'prueba.svg'
fig.savefig(ruta_svg)
plt.close(fig)

print(ruta_svg.read_text()[:40])

<?xml version="1.0" encoding="utf-8" sta

for i in range(10):
    f, a = plt.subplots(figsize=(3, 2))
    a.plot([1, 2, 3], [i, i + 1, i])
    f.savefig(carpeta / f'bucle-{i}.png')
    plt.close(f)

print('figuras abiertas:', len(plt.get_fignums()))
print('archivos:', len(list(carpeta.glob('ciudad-*.png'))))

figuras abiertas: 0
archivos: 0

por_cat_media = df.groupby('categoria')['monto'].mean().sort_values()

fig, ax = plt.subplots(figsize=(7, 3.5))
b = ax.barh(por_cat_media.index, por_cat_media.values, color='#4DB8E8')
ax.bar_label(b, fmt='S/ %.0f', padding=4)
ax.set_xlim(0, por_cat_media.max() * 1.15)
fig.tight_layout()
fig.savefig(carpeta / 'ticket-por-categoria.png', dpi=120)
plt.close(fig)

print(por_cat_media.round(2))

categoria
Cuidado personal    749.03
Limpieza            803.68
Bebidas             807.72
Snacks              820.42
Abarrotes           836.49
Name: monto, dtype: float64

reparto_canal = (por_canal / por_canal.sum() * 100).sort_values(ascending=False)

fig, axes = plt.subplots(1, 2, figsize=(11, 4))
axes[0].pie(reparto_canal.values, labels=reparto_canal.index, autopct='%1.0f%%')
axes[1].barh(reparto_canal.index[::-1], reparto_canal.values[::-1],
             color='#F092C7')
fig.tight_layout()
fig.savefig(carpeta / 'canales-dos-formas.png', dpi=120)
plt.close(fig)

print(reparto_canal.round(1))
print('el mayor y el menor se llevan',
      round((reparto_canal.iloc[0] - reparto_canal.iloc[-1]) / 100 * 360, 1),
      'grados')

canal
Web            26.2
Marketplace    25.7
Tienda         24.5
WhatsApp       23.5
Name: monto, dtype: float64
el mayor y el menor se llevan 9.7 grados

plt.rcdefaults()

print('de fabrica:')
print('  marco arriba :', plt.rcParams['axes.spines.top'])
print('  tamano       :', plt.rcParams['figure.figsize'])
print('  titulo a la  :', plt.rcParams['axes.titlelocation'])

plt.rcParams.update({'axes.spines.top': False,
                     'figure.figsize': (9, 3.5),
                     'axes.titlelocation': 'left'})

print('con los mios:')
print('  marco arriba :', plt.rcParams['axes.spines.top'])
print('  tamano       :', plt.rcParams['figure.figsize'])
print('  titulo a la  :', plt.rcParams['axes.titlelocation'])

de fabrica:
  marco arriba : True
  tamano       : [6.4, 4.8]
  titulo a la  : center
con los mios:
  marco arriba : False
  tamano       : [9.0, 3.5]
  titulo a la  : left

fig, ax = plt.subplots()
ax.plot(por_ciudad.index, por_canal.values)

ValueError: x and y must have same first dimension, but have shapes (6,) and (4,)

print('figuras abiertas tras el error:', len(plt.get_fignums()))
plt.close('all')
print('y despues de cerrar          :', len(plt.get_fignums()))

figuras abiertas tras el error: 1
y despues de cerrar          : 0

El gráfico correcto que engaña a toda la reunión

Antes de cerrar el capítulo, la trampa de los gráficos. Y esta es distinta a todas las anteriores, porque el código no tiene nada malo 📊

plt.bar(ciudades, ventas)
plt.ylim(480, 520)
plt.show()

# Lima 512, Cusco 495
# la barra de Lima se ve
# el triple de alta

Lo que te llevas

Que un gráfico bueno no es el más bonito, es el que se entiende sin que estés al lado explicándolo 💜

Y que las tres decisiones que lo deciden (el tipo, el orden y el título) se toman antes de escribir código.

Y si de todo el capítulo te llevas una sola frase, que sea esta:

En el capítulo 16 juntamos todo el libro en un solo proyecto: del archivo sucio a una conclusión con su gráfico, de punta a punta.

Que tengas un hermoso día! 🌟