📖 Lección 5 Avanzado ⏱ 25 minutos ⚡ +100 XP Colab Kaggle nbviewer Binder Deepnote GitHub bivariate · scatter-plots · regression · joint-plots · seaborn

Análisis Bivariado Numérico

Explora las relaciones entre dos variables numéricas con gráficos de dispersión, líneas de regresión y comparaciones agrupadas.

🎯 Lo que aprenderás:

Crear gráficos de dispersión, regplot y jointplot para visualizar relaciones numérico-numéricas
Interpretar líneas de regresión, valores R-cuadrado y patrones de residuos
Construir diagramas de caja y de violín agrupados para comparaciones numérico-categóricas
Identificar relaciones no lineales, heterocedasticidad y puntos influyentes a partir de los gráficos

Al examinar cómo se relacionan dos variables numéricas entre sí, entras en el dominio del análisis bivariado. Esta lección cubre los gráficos de dispersión (el caballo de batalla del análisis bivariado), las líneas de regresión que cuantifican la relación, los jointplots que combinan distribuciones marginales y conjuntas, y los gráficos agrupados que introducen una dimensión categórica.

Conceptos clave

Gráficos de dispersión

El gráfico de dispersión es la visualización bivariada más fundamental. Cada punto representa una observación, representada en dos ejes numéricos:

python

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

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

fig, ax = plt.subplots(figsize=(8, 6))
ax.scatter(df["math score"], df["reading score"], alpha=0.5, edgecolors="black", linewidth=0.5)
ax.set_title("Math vs Reading Scores")
ax.set_xlabel("Math Score")
ax.set_ylabel("Reading Score")
plt.show()

La transparencia alfa (alpha=0.5) es crítica, revela la densidad de puntos donde los puntos se superponen.

Gráficos de regresión

El regplot de seaborn añade una línea de regresión que cuantifica la relación lineal:

python

fig, axes = plt.subplots(1, 3, figsize=(15, 5))

pairs = [
    ("math score", "reading score"),
    ("math score", "writing score"),
    ("reading score", "writing score"),
]

for i, (x, y) in enumerate(pairs):
    sns.regplot(data=df, x=x, y=y, ax=axes[i], scatter_kws={"alpha": 0.4})
    axes[i].set_title(f"{x.split()[0].title()} vs {y.split()[0].title()}")

plt.tight_layout()
plt.show()

Cómo leer un gráfico de regresión:

Pendiente: una pendiente positiva significa correlación positiva; cuanto más pronunciada, más fuerte
Intervalo de confianza (región sombreada): más ancho significa más incertidumbre
Residuos: los puntos lejos de la línea están mal predichos

Joint plots

Los joint plots combinan el gráfico de dispersión con distribuciones marginales en cada eje:

python

sns.jointplot(
    data=df,
    x="math score",
    y="reading score",
    kind="scatter",      # or "reg", "kde", "hist"
    height=7,
    alpha=0.4
)
plt.suptitle("Math vs Reading (Joint Plot)", y=1.02)
plt.show()

El parámetro kind cambia el tipo de joint plot:

"scatter": dispersión cruda con histogramas marginales
"reg": dispersión con línea de regresión e histogramas marginales
"kde": densidad kernel 2D con KDE marginales
"hist": histograma 2D con histogramas marginales

Gráficos hexbin para densidad

Cuando los conjuntos de datos son grandes, los gráficos de dispersión se sobrecargan de puntos. Los gráficos hexbin resuelven esto:

python

fig, ax = plt.subplots(figsize=(8, 6))
hb = ax.hexbin(df["math score"], df["reading score"], gridsize=20, cmap="YlOrRd")
ax.set_title("Math vs Reading (Hexbin Density)")
ax.set_xlabel("Math Score")
ax.set_ylabel("Reading Score")
plt.colorbar(hb, label="Count")
plt.show()

Comparaciones numérico-categóricas

Cuando una variable es categórica, compara las distribuciones entre grupos:

python

fig, axes = plt.subplots(1, 3, figsize=(15, 5))

# Grouped box plots
sns.boxplot(data=df, x="gender", y="math score", ax=axes[0], palette="Set2")
axes[0].set_title("Math Scores by Gender")

# Grouped violin plots
sns.violinplot(data=df, x="lunch", y="reading score", ax=axes[1], palette="Set3")
axes[1].set_title("Reading Scores by Lunch Type")

# Grouped with multiple categories
sns.boxplot(
    data=df,
    x="test preparation course",
    y="writing score",
    hue="gender",
    ax=axes[2],
    palette="Set1"
)
axes[2].set_title("Writing Scores by Test Prep & Gender")

plt.tight_layout()
plt.show()

Gráficos swarm y strip

Para conjuntos de datos más pequeños, muestra los puntos individuales con jitter:

python

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# Strip plot (jittered points)
sns.stripplot(data=df, x="gender", y="math score", ax=axes[0],
              alpha=0.3, jitter=True, palette="Set2")
axes[0].set_title("Math Scores — Strip Plot")

# Swarm plot (non-overlapping points — slower for large datasets)
sns.swarmplot(data=df, x="gender", y="math score", ax=axes[1],
              size=3, palette="Set2")
axes[1].set_title("Math Scores — Swarm Plot")

plt.tight_layout()
plt.show()

Identificar relaciones a partir de los gráficos

Patrón	Qué significa	Gráfico a usar
Tendencia lineal	Las variables aumentan juntas	Dispersión + regplot
Tendencia no lineal	La relación cambia a lo largo del rango	Dispersión con LOWESS
Heterocedasticidad	La dispersión cambia a lo largo del rango	Gráfico de residuos
Grupos	Existen subgrupos distintos	Dispersión con hue
Valores atípicos	Puntos lejos del patrón	Dispersión con anotaciones

python

# Highlighting clusters with hue
fig, ax = plt.subplots(figsize=(8, 6))
sns.scatterplot(
    data=df,
    x="math score",
    y="reading score",
    hue="gender",
    style="test preparation course",
    alpha=0.6,
    ax=ax
)
ax.set_title("Math vs Reading: Gender and Test Prep")
plt.show()

Inténtalo

Explora la relación entre los puntajes de matemáticas y lectura, agrupados por género y preparación para el examen.

python

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

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

# Scatter with regression
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

sns.regplot(data=df, x="math score", y="reading score", ax=axes[0],
            scatter_kws={"alpha": 0.3}, line_kws={"color": "red"})
axes[0].set_title("Math vs Reading (Regression)")

sns.jointplot(data=df, x="math score", y="reading score",
              kind="kde", height=7)
plt.suptitle("Math vs Reading (Density)", y=1.02)
plt.show()

# Grouped comparison
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
sns.boxplot(data=df, x="gender", y="math score", ax=axes[0], palette="Set2")
axes[0].set_title("Math by Gender")
sns.violinplot(data=df, x="lunch", y="math score", ax=axes[1], palette="Set3")
axes[1].set_title("Math by Lunch Type")
plt.tight_layout()
plt.show()

Conclusiones clave

Los gráficos de dispersión son la base del análisis bivariado; usa siempre transparencia alfa para los puntos superpuestos
Las líneas de regresión cuantifican las relaciones lineales; la región sombreada muestra la incertidumbre
Los joint plots combinan los gráficos de dispersión con distribuciones marginales para una imagen completa
Los gráficos hexbin resuelven la sobrecarga de puntos en datos grandes mostrando la densidad
Los diagramas de caja y de violín agrupados comparan distribuciones numéricas entre grupos categóricos
Usa hue y style para añadir una tercera y cuarta dimensión a los gráficos de dispersión

Desafío de práctica

Crea una figura con 4 paneles que muestren: (1) un gráfico de dispersión de puntajes de matemáticas vs escritura, (2) una dispersión con línea de regresión, (3) un gráfico de densidad hexbin y (4) una dispersión coloreada por tipo de almuerzo. Añade títulos y etiquetas de ejes adecuados.

🧩 Desafío, piensa primero, luego revela

python

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

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

fig, axes = plt.subplots(2, 2, figsize=(14, 12))
fig.suptitle("Math vs Writing Scores — Four Views", fontsize=14, fontweight="bold")

# Panel 1: Basic scatter
axes[0, 0].scatter(df["math score"], df["writing score"], alpha=0.4, edgecolors="black", linewidth=0.5)
axes[0, 0].set_title("Basic Scatter")
axes[0, 0].set_xlabel("Math Score")
axes[0, 0].set_ylabel("Writing Score")

# Panel 2: Regression
sns.regplot(data=df, x="math score", y="writing score", ax=axes[0, 1],
            scatter_kws={"alpha": 0.3}, line_kws={"color": "red"})
axes[0, 1].set_title("With Regression Line")

# Panel 3: Hexbin
hb = axes[1, 0].hexbin(df["math score"], df["writing score"], gridsize=20, cmap="YlOrRd")
axes[1, 0].set_title("Hexbin Density")
axes[1, 0].set_xlabel("Math Score")
axes[1, 0].set_ylabel("Writing Score")
plt.colorbar(hb, ax=axes[1, 0], label="Count")

# Panel 4: Colored by lunch
sns.scatterplot(data=df, x="math score", y="writing score", hue="lunch",
                alpha=0.5, ax=axes[1, 1], palette="Set1")
axes[1, 1].set_title("Colored by Lunch Type")

plt.tight_layout()
plt.show()

bivariatescatter-plotsregressionjoint-plotsseaborn

← Anterior Siguiente →

🌿 Cambiar a Normal Misma semana, ritmo más suave.

Conceptos clave

Gráficos de dispersión

Gráficos de regresión

Joint plots

Gráficos hexbin para densidad

Comparaciones numérico-categóricas

Gráficos swarm y strip

Identificar relaciones a partir de los gráficos

Inténtalo

Conclusiones clave

Desafío de práctica

🚀 Sigue construyendo