Data Analysis · Lección 10 de 19

Matplotlib Básico

Un gráfico bien hecho comunica en 2 segundos lo que una tabla de números tarda 2 minutos. Matplotlib es la biblioteca de visualización más importante de Python — todo lo que ves en Seaborn, pandas plots, y la mayoría de gráficos científicos está construido sobre ella. Dominar Matplotlib es dominar la comunicación visual de datos.

90–120 min Prerrequisitos: Lección 09 (Estadística descriptiva)

Concepto teórico

La anatomía de un gráfico Matplotlib

Cada gráfico de Matplotlib tiene una estructura jerárquica que necesitás entender para poder personalizar cualquier aspecto:

Figure (la ventana): el contenedor principal. Pensalo como el "lienzo" o la "hoja" completa.
Axes (el gráfico): el área donde se dibujan los datos. Una Figure puede tener múltiples Axes (subplots).
Axis (los ejes X e Y): las líneas con marcas numéricas y etiquetas.
Artistas: todo lo visible — barras, líneas, puntos, texto, leyendas, títulos.

Atención: Axes ≠ Axis. Axes (con 'e') es el gráfico completo (¡nombre confuso, pero así lo llama Matplotlib!). Axis (sin 'e') es un eje específico (X o Y). Si leés documentación, esta distinción es crítica.

Las dos interfaces de Matplotlib

Interfaz	Estilo	Cuándo usarla	Ejemplo
pyplot (plt.)	Simple, imperativo	Gráficos rápidos, exploración	`plt.plot(x, y)`
OO (fig, ax)	Explícito, control total	Gráficos complejos, subplots, personalización	`fig, ax = plt.subplots()`

¿Cuál usar? Para aprender y explorar, plt.plot() es más rápido. Para gráficos de producción y reportes, la interfaz OO (fig, ax) te da control total. En esta lección usaremos plt para arrancar rápido, y la interfaz OO cuando necesitemos más control.

Los 5 gráficos esenciales

Tipo	Método	Uso
Líneas	`plt.plot()`	Tendencias temporales (ventas por mes)
Barras	`plt.bar()`	Comparar categorías (ventas por sucursal)
Dispersión	`plt.scatter()`	Relación entre 2 variables (ingreso vs gasto)
Histograma	`plt.hist()`	Distribución de datos (distribución de edades)
Torta	`plt.pie()`	Composición porcentual (market share)

Analogía del periodista: un periodista elige si escribe una noticia, una crónica o una entrevista según el tipo de historia que quiere contar. Un analista elige el tipo de gráfico según el tipo de pregunta que quiere responder. Las líneas cuentan "cómo evolucionó algo en el tiempo". Las barras responden "quién vendió más". El scatter pregunta "¿están relacionadas estas dos cosas?".

En el trabajo real: un dashboard ejecutivo típico tiene 4-6 gráficos: un line chart para la tendencia de ventas, un bar chart de ranking de sucursales, un pie chart de composición de cartera, y un scatter de riesgo vs retorno. Esos 5 tipos cubren el 90% de las visualizaciones que vas a necesitar.

Ejemplos explicados paso a paso

Ejemplo 1: Gráfico de líneas — Ventas mensuales

El gráfico más clásico para mostrar tendencias en el tiempo. Incluye título, labels y grid.

ejemplo_01_lineas.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

meses = ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun']
ventas = [45000, 52000, 48000, 61000, 58000, 72000]

plt.figure(figsize=(8, 4))
plt.plot(meses, ventas, marker='o', color='#2196F3',
         linewidth=2, markersize=8, label='Ventas 2024')
plt.fill_between(range(len(meses)), ventas, alpha=0.1, color='#2196F3')

plt.title('Ventas Mensuales 2024', fontsize=14, fontweight='bold')
plt.xlabel('Mes')
plt.ylabel('Ventas ($)')
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.show()

print(f"Tendencia: de ${ventas[0]:,} a ${ventas[-1]:,}")
print(f"Crecimiento: {(ventas[-1]/ventas[0]-1)*100:.0f}%")

Hacé clic en ▶ Ejecutar

Ejemplo 2: Gráfico de barras — Ranking de sucursales

Perfecto para comparar categorías. Agregamos colores condicionales y etiquetas de valor sobre cada barra.

ejemplo_02_barras.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

sucursales = ['CABA', 'Rosario', 'Córdoba', 'Mendoza', 'Tucumán']
ventas = [95000, 72000, 58000, 45000, 32000]

# Color condicional: verde si > 60K, naranja si no
colores = ['#4CAF50' if v > 60000 else '#FF9800' for v in ventas]

plt.figure(figsize=(8, 4))
barras = plt.bar(sucursales, ventas, color=colores, edgecolor='white', width=0.6)

# Etiquetas de valor sobre cada barra
for bar, val in zip(barras, ventas):
    plt.text(bar.get_x() + bar.get_width()/2, bar.get_height() + 1500,
             f'${val:,}', ha='center', fontsize=9, fontweight='bold')

plt.title('Ranking de Ventas por Sucursal', fontsize=14, fontweight='bold')
plt.ylabel('Ventas ($)')
plt.ylim(0, max(ventas) * 1.15)
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

print("🟢 Verde = Sobre objetivo ($60K)  🟠 Naranja = Bajo objetivo")

Hacé clic en ▶ Ejecutar

Ejemplo 3: Scatter plot — Relación entre variables

¿Existe relación entre ingreso y gasto? El scatter plot muestra la distribución de puntos y permite detectar patrones.

ejemplo_03_scatter.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
ingresos = np.random.normal(400000, 120000, 50)
gastos = ingresos * 0.6 + np.random.normal(0, 30000, 50)

plt.figure(figsize=(7, 5))
plt.scatter(ingresos, gastos, alpha=0.6, c='#9C27B0',
            edgecolors='white', s=60)

# Línea de tendencia
z = np.polyfit(ingresos, gastos, 1)
p = np.poly1d(z)
x_line = np.linspace(ingresos.min(), ingresos.max(), 100)
plt.plot(x_line, p(x_line), '--', color='#E91E63', linewidth=2,
         label=f'Tendencia (pendiente={z[0]:.2f})')

plt.title('Relación Ingreso vs Gasto', fontsize=14, fontweight='bold')
plt.xlabel('Ingreso ($)')
plt.ylabel('Gasto ($)')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()

corr = np.corrcoef(ingresos, gastos)[0, 1]
print(f"Correlación: {corr:.2f} → relación {'fuerte' if abs(corr)>0.7 else 'moderada'}")

Hacé clic en ▶ Ejecutar

Ejemplo 4: Histograma — Distribución de datos

¿Los saldos se concentran en un rango o están dispersos? El histograma te muestra la forma de la distribución.

ejemplo_04_histograma.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
saldos = np.concatenate([
    np.random.normal(300000, 80000, 200),
    np.random.normal(800000, 150000, 50)
])

plt.figure(figsize=(8, 4))
n, bins, patches = plt.hist(saldos, bins=25, color='#00BCD4',
                             edgecolor='white', alpha=0.8)

# Línea vertical en la mediana
mediana = np.median(saldos)
media = np.mean(saldos)
plt.axvline(mediana, color='#FF5722', linestyle='--', linewidth=2,
            label=f'Mediana: ${mediana:,.0f}')
plt.axvline(media, color='#FFC107', linestyle='--', linewidth=2,
            label=f'Media: ${media:,.0f}')

plt.title('Distribución de Saldos de Clientes', fontsize=14, fontweight='bold')
plt.xlabel('Saldo ($)')
plt.ylabel('Frecuencia')
plt.legend()
plt.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.show()

print(f"Media > Mediana → distribución con cola a la derecha (clientes VIP)")
print(f"Total clientes: {len(saldos)}")

Hacé clic en ▶ Ejecutar

Tip profesional — ¿cuántos bins? Demasiados bins crean ruido y el patrón desaparece. Muy pocos ocultan detalles. La regla de Sturges dice bins = 1 + log2(n). Para 250 datos ≈ 9 bins. Sin embargo, entre 20 y 30 bins suele funcionar bien en la práctica. Experimentá con el valor.

Ejemplo 5: Subplots — Múltiples gráficos en una figura

Un dashboard típico tiene varios gráficos lado a lado. La interfaz OO (fig, ax) te permite crearlos con subplots().

ejemplo_05_subplots.pyPython

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

meses = ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun']
ventas = [45000, 52000, 48000, 61000, 58000, 72000]
gastos = [30000, 35000, 32000, 38000, 40000, 42000]
ganancia = [v - g for v, g in zip(ventas, gastos)]

fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# Subplot 1: Líneas (tendencia)
axes[0].plot(meses, ventas, 'o-', color='#2196F3', label='Ventas')
axes[0].plot(meses, gastos, 's--', color='#F44336', label='Gastos')
axes[0].set_title('Ventas vs Gastos')
axes[0].legend(fontsize=8)
axes[0].grid(True, alpha=0.3)
axes[0].tick_params(axis='x', rotation=45)

# Subplot 2: Barras (ganancia)
colores = ['#4CAF50' if g > 0 else '#F44336' for g in ganancia]
axes[1].bar(meses, ganancia, color=colores)
axes[1].set_title('Ganancia Mensual')
axes[1].grid(axis='y', alpha=0.3)
axes[1].tick_params(axis='x', rotation=45)

# Subplot 3: Torta (composición último mes)
axes[2].pie([ventas[-1], gastos[-1]],
            labels=['Ventas', 'Gastos'],
            colors=['#2196F3', '#F44336'],
            autopct='%1.0f%%', startangle=90)
axes[2].set_title(f'Composición {meses[-1]}')

fig.suptitle('Dashboard Financiero', fontsize=14, fontweight='bold', y=1.02)
plt.tight_layout()
plt.show()

print("Dashboard con 3 subplots: tendencia + ganancia + composición")

Hacé clic en ▶ Ejecutar

Referencia rápida

Elemento	Código	Qué hace
Crear figura	`plt.figure(figsize=(8,4))`	Tamaño del lienzo
Líneas	`plt.plot(x, y)`	Gráfico de líneas
Barras	`plt.bar(x, y)`	Barras verticales
Dispersión	`plt.scatter(x, y)`	Nube de puntos
Histograma	`plt.hist(data, bins=20)`	Distribución
Torta	`plt.pie(vals, labels=...)`	Composición %
Título	`plt.title("Texto")`	Título del gráfico
Ejes	`plt.xlabel() / ylabel()`	Labels de ejes
Grilla	`plt.grid(True, alpha=0.3)`	Líneas de referencia
Leyenda	`plt.legend()`	Identificar series
Subplots	`fig, ax = plt.subplots(r,c)`	Múltiples gráficos
Mostrar	`plt.show()`	Renderizar el gráfico

Ejercicios

Nivel 1 · Básico

Ejercicio 1: Gráfico de líneas simple

Graficá las ventas mensuales con plt.plot(). Agregá título y labels de ejes. Imprimí Gráfico generado.

ejercicio_01.pyDebe imprimir "Gráfico generado"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

meses = ['Ene', 'Feb', 'Mar', 'Abr']
ventas = [30000, 45000, 38000, 52000]

# Graficá con plt.plot(), agregá título, xlabel, ylabel
# Usá plt.show() y print("Gráfico generado")

Hacé clic en ▶ Ejecutar

Nivel 1 · Básico

Ejercicio 2: Gráfico de barras

Creá un gráfico de barras con las ventas por ciudad. Imprimí Barras OK.

ejercicio_02.pyDebe imprimir "Barras OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

ciudades = ['CABA', 'Rosario', 'Córdoba']
ventas = [95000, 72000, 58000]

# plt.bar(), título, show(), print

Hacé clic en ▶ Ejecutar

Nivel 1 · Básico

Ejercicio 3: Histograma

Generá un histograma de los saldos con 10 bins. Imprimí Histograma listo.

ejercicio_03.pyDebe imprimir "Histograma listo"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

saldos = [100, 200, 250, 300, 350, 400, 450, 500, 600, 800,
          150, 280, 320, 380, 420, 470, 510, 550, 650, 900]

# plt.hist() con bins=10, título, show(), print

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 4: Barras con colores condicionales

Graficá las ganancias. Si la ganancia es positiva, color verde. Si es negativa, color rojo. Imprimí Colores aplicados.

ejercicio_04.pyDebe imprimir "Colores aplicados"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

productos = ['Notebook', 'Mouse', 'Monitor', 'Cable']
ganancia = [50000, 15000, -8000, 3000]

# Barras con color verde si > 0, rojo si < 0

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 5: Scatter plot con título y grid

Graficá la relación entre antigüedad e ingreso con plt.scatter(). Incluí título, labels, grid. Imprimí Scatter OK.

ejercicio_05.pyDebe imprimir "Scatter OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

antiguedad = [1, 3, 5, 8, 12, 15, 20]
ingreso = [150, 250, 380, 520, 700, 850, 950]

# plt.scatter(), título, xlabel, ylabel, grid, show, print

Hacé clic en ▶ Ejecutar

Nivel 2 · Intermedio

Ejercicio 6: Dos series en un mismo gráfico

Graficá ventas y gastos en el mismo gráfico de líneas. Usá leyenda para diferenciarlas. Imprimí Doble serie OK.

ejercicio_06.pyDebe imprimir "Doble serie OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

meses = ['Ene', 'Feb', 'Mar', 'Abr']
ventas = [50000, 55000, 48000, 62000]
gastos = [30000, 35000, 32000, 38000]

# Dos líneas + leyenda

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 7: Histograma con mediana

Generá un histograma y agregá una línea vertical roja punteada en la mediana con plt.axvline(). Imprimí la mediana. Debe incluir 400.

ejercicio_07.pyDebe incluir "400"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

datos = [100, 200, 250, 350, 400, 400, 450, 500, 600, 800]

# Histograma + axvline en la mediana + print mediana

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 8: Barras horizontales ordenadas

Creá un plt.barh() horizontal con los vendedores ordenados de mayor a menor venta. Imprimí Ranking OK.

ejercicio_08.pyDebe imprimir "Ranking OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

vendedores = ['Ana', 'Luis', 'Pedro', 'María', 'Carlos']
ventas = [60000, 45000, 72000, 38000, 55000]

# Ordená y graficá horizontal con plt.barh()

Hacé clic en ▶ Ejecutar

Nivel 3 · Avanzado

Ejercicio 9: Gráfico de torta con autopct

Creá un pie chart con distribución de canales. Usá autopct='%1.0f%%'. Imprimí Torta lista.

ejercicio_09.pyDebe imprimir "Torta lista"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

canales = ['Web', 'App', 'Sucursal']
porcentaje = [45, 35, 20]

# Pie chart con autopct y colores

Hacé clic en ▶ Ejecutar

Nivel 4 · Desafío

Ejercicio 10: Mini dashboard con subplots

Creá una figura con 2 subplots lado a lado: (1) barras de ventas por ciudad, (2) líneas de tendencia mensual. Imprimí Dashboard OK.

ejercicio_10_desafio.pyDebe imprimir "Dashboard OK"

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

ciudades = ['CABA', 'Rosario', 'Córdoba']
ventas_ciudad = [95000, 72000, 58000]
meses = ['Ene', 'Feb', 'Mar', 'Abr']
ventas_mes = [50000, 55000, 48000, 62000]

# fig, axes = plt.subplots(1, 2, figsize=(10, 4))
# Subplot 1: barras   Subplot 2: líneas

Hacé clic en ▶ Ejecutar

Resumen y conexión

Matplotlib tiene dos interfaces: plt. (rápido) y fig, ax (control total).
Líneas para tendencias temporales, barras para comparar categorías, scatter para relaciones, histograma para distribuciones, pie para composición.
Siempre incluí título, labels de ejes y leyenda — un gráfico sin contexto no comunica nada.
plt.subplots(filas, cols) crea dashboards con múltiples gráficos.
plt.tight_layout() evita que los labels se superpongan.
Usá matplotlib.use('Agg') al inicio para renderizado sin ventana (headless).

En la siguiente lección (11 · Seaborn: visualización estadística) vas a aprender a crear gráficos estadísticos avanzados con mucho menos código. Seaborn se construye sobre Matplotlib y automatiza la mayoría de la personalización.

Recursos: Matplotlib Quick Start · Galería de ejemplos

Hecho con ❤️ por Rodri Gonzalez