El lenguaje de programación Python tiene una enorme potencialidad para la visualización de datos. Existen multitud de librerías desarrolladas sobre Python orientadas a dicho cometido, cada una con sus propias características y enfoque.
Decantarnos por una u otra dependerá en muchas ocasiones del entorno o de las características del proyecto entre otras cuestiones, por lo que, en muchos casos, deberemos de probar una o varias.
En este artículo queremos realizar un breve análisis de las principales librerías de Python para visualización de datos. Añadiremos también algunas específicas para datos espaciales y mapas.
Python para visualización de datos
Dentro del mundo de la visualización de datos, no sólo debemos quedarnos en comunicar o pintar gráficos en herramientas para presentaciones o con las funcionalidades existentes en las hojas de cálculo. Ambas son herramientas muy válidas, pero siempre podemos ir un paso más allá.
La consolidación del uso de los datos, unido a la aparición de herramientas de creación de dashboards y cuadros de mando, como Google Data Studio (ahora Looker Studio), Tableau o PowerBI han hecho que las capacidades y habilidades de los analistas y de especialistas en visualización de datos se “democraticen”.
Son más accesibles, más sencillas de entender y se van mezclando con otras disciplinas, como el business intelligence, análisis de datos, ingeniería… que hacen que el ecosistema de la visualización crezca cada día más y se consolide.
El componente tecnológico no debe ser rechazado. Como comentábamos anteriormente, han surgido muchas herramientas pero también tenemos una más pura de “código”.
En cuanto a lenguajes de programación y de procesado de la información, sin duda, Python será nuestro mejor amigo, que viene desbancando a R desde hace ya algunos años, especialmente en la disciplina de advance analytics.
Sin duda, su facilidad de uso, la existencia de múltiples librerías y su fácil adaptación hacen de él un lenguaje muy útil en la visualización de datos.
Dentro de las distintas librerías de visualización, tenemos paquetes específicos para la visualización de datos espaciales como Folium o librerías de visualización general que suelen contener mapas, que aunque más básicos y menos interactivos, nos permiten también crear visualizaciones geográficas.
A continuación haremos un repaso por las principales librerías de visualización de datos (tanto con componente geográfico como no específicamente) con la visualización más sencilla de todas: la tabla, que nos va a permitir identificar claramente las diferencias entre ellas de un vistazo.
Librerías Python generalistas para visualización de datos
A continuación echaremos un vistazo a las principales librerías de visualización más utilizadas y que funcionan con Python.
Hay que tener en cuenta que decantarnos por una u otra dependerá en muchas ocasiones del entorno o de las características del proyecto entre otras cuestiones, por lo que, en muchos casos, deberemos de probar una o varias.
Matplotlib
Creada en 2003 por John Hunter, nace como una alternativa a MATLAB. Se ha convertido en una de las librerías de visualización más antiguas, pero sobre todo, es sin duda la más popular.
El principal enfoque es el de mostrar datos en alta calidad, tanto en 2D como en 3D. Es ideal para crear gráficos básicos como diagramas de barras, gráficos de líneas para mostrar tendencias, gráficos de dispersión o histogramas.
Seaborn
En 2012 nace de la mano de Michael Waskom, Seaborn se centra en crear visualizaciones estadísticas avanzadas, con un mayor nivel de elaboración, incluyendo diagramas de violín, de caja y bigotes o mapas de calor. Comparada con Matplotlib, resulta más sencilla de utilizar y aprender. Es ideal para visualizar datos estadísticos y avanzados con múltiples variables.
Plotly
Creada el mismo año que Seaborn, Plotly es una librería con enfoque específico para crear visualizaciones de datos de tipo interactivo y en 3D, en línea. A nivel de dificultad, es cierto que requiere un poco más de experiencia en programación que Matplotlib y Seaborn, ya que utiliza una sintaxis más compleja.
Bokeh
Es una librería de visualización interactiva para Python que permite crear gráficos y widgets en línea. Principalmente se enfoca en la creación de visualizaciones interactivas y atractivas para la web, utilizando tecnologías web estándar como HTML, CSS y Javascript.
Bokeh puede ser usado para visualizar datos geográficos en mapas interactivos, ofreciendo la posibilidad de personalizar las herramientas de interacción y los widgets para analizar datos de una manera más efectiva.
Aunque puede tener una curva de aprendizaje un poco más costosa su utilidad y su enfoque en la interactividad hace que merezca la pena el esfuerzo.
| Librería | Ventajas | Desventajas |
|---|---|---|
| Matplotlib | Es la librería de visualización más antigua y establecida en Python. Tiene una gran variedad de opciones de personalización y una amplia gama de gráficos y representaciones disponibles | Puede ser difícil de usar y de configurar para algunos tipos de visualizaciones y su sintaxis puede resultar algo engorrosa |
| Seaborn | Basado en Matplotlib, ofrece una interfaz más amigable y herramientas más avanzadas para visualizaciones de datos estadísticos. | Puede resultar algo limitada en comparación con matplotlib en términos de personalización y configuración |
| Plotly | Ofrece una amplia gama de gráficos interactivos y que pueden ser animados, incluyendo zoom. Lo que hace que el usuario pueda interactuar con las visualizaciones. Además, es de uso sencillo y personalizable | Puede ser algo más lenta que otras librerías, ya que los gráficos interactivos y animaciones que proporciona, consumen una gran cantidad de recursos. |
| Bokeh | Ofrece una amplia gama de gráficos interactivos y animaciones similares a plotly pero su enfoque está en ofrecer mayor rendimiento y velocidad a la hora de cargar las visualizaciones. | Como principal desventaja, resulta algo más complicada de configurar y su curva de aprendizaje es más lenta. |
Librerías Python específicas para visualización de datos espaciales
Folium
Folium tiene un enfoque más geo, ya que se utiliza para crear mapas interactivos y visualizaciones de datos geográficos. Algo más reciente, fue creada en 2014 por Rob Story. Es relativamente sencilla de aprender, aunque puede requerir de un poco de conocimiento sobre GIS y cartografía web.
La principal utilidad que tiene es que sirve, además de para mostrar información sobre un soporte cartográfico, es perfecta para visualizar diagramas de flujo y mapas interactivos.
Geopandas
Además de librería de visualización, Geopandas, es una completa biblioteca que nos permite trabajar con datos geográficos y realizar análisis espaciales, además de permitir la creación de visualizaciones geográficas avanzadas.
Si quieres aprender más sobre esta librería tan potente y utilizada en el sector geo al trabajar con Python, puedes revisar el siguiente artículo. En él encontrarás todo lo necesario para comprender lo básico de esta fantástica librería para empezar a trabajar en el análisis y la manipulación de datos espaciales en Python.
Creada en 2013, es relativamente fácil de aprender si se tiene experiencia previa con su librería base Pandas y ciertos conocimientos de análisis geográfico.
Si te interesa específicamente la visualización de datos espaciales con Geopandas, podrás encontrar información detallada, a modo de tutorial, sobre cómo crear un mapa con Geopandas en el artículo Mapas con Python utilizando Geopandas y Matplotlib
Cartopy
Nos proporciona una interfaz fácil de usar para la creación de gráficos de mapas utilizando datos geoespaciales en Python. Únicamente nos permite crear mapas estáticos, aunque con una calidad alta, lo que nos va a permitir visualizar a nivel de país o inclusive a nivel de ciudad.
Geoview
A diferencia de Cartopy, la librería tiene un enfoque sobre la visualización interactiva de datos geoespaciales. Esta librería permite la creación de mapas interactivos de múltiples capas y de herramientas de interacción. Proporcionando soporte para diferentes formatos de datos, incluyendo GeoJSON y archivos de tipo Shapefile.
| Librería | Ventajas | Desventajas |
|---|---|---|
| Folium | Su facilidad de uso permite crear mapas interactivos con una amplia gama de capas y opciones de personalización | Puede ser más lenta que otras librerías cuando se trabaja con grandes conjuntos de datos |
| Geopandas | Ofrece una amplia gama de herramientas para manipular y visualizar datos geoespaciales además de ser compatible con otras librerías de visualización como Matplotlib y Plotly. | Curva de aprendizaje un poco más lenta si no se está familiarizado con los datos geoespaciales. Si ya se ha manejado pandas previamente resultará mucho más sencillo para algunas operaciones, ya que no solo permite visualizar sino que permite realizar operaciones |
| Cartopy | Ofrece una amplia gama de funciones para manipular y visualizar datos geoespaciales, incluyendo la proyección y la transformación de las coordenadas. | Puede resultar más difícil de usar y configurar para algunos tipos de visualizaciones. |
| Geoviews | Ofrece una amplia gama de gráficos interactivos y animaciones geoespaciales basados en bokeh y holoviews | Puede ser más difícil de aprender y configurar que otras librerías |
Esperamos que esta breve introducción a modo de comparativa sirva como base para conocer las distintas librerías de Python para trabajar con la visualización de datos. Existen muchas otras opciones, pero para nosotros estas son las más conocidas a nivel de visualización con Python.
Esperamos que te haya parecido interesante. Si conoces alguna otra o quieres compartir tu experiencia usando alguna de las mencionadas, te invitamos a dejar un comentario contándonos tus impresiones.
