Plan de Aprendizaje Completo: Seaborn

Objetivo: Hacer análisis exploratorio estadístico encima de un DataFrame, apoyado en Matplotlib cuando haga falta afinar el eje.

Metodología: Seaborn resume relaciones. Matplotlib sigue siendo el lienzo. No abandones lo aprendido en la guía anterior.

Tus apuntes van en Mis notas.

Índice

1. Fase 1: Temas, DataFrames y figuras
2. Fase 2: Distribuciones y categorías
3. Fase 3: Relaciones
4. Fase 4: Facetas y lectura de EDA
5. Proyectos integradores

Fase 1: Temas, DataFrames y figuras

Meta: Integrar Seaborn con el ax de Matplotlib.

• set_theme, paletas y contexto (notebook, talk, paper)
• Toda función recibe data + nombres de columnas, no listas sueltas
• Pasar un ax existente para combinar con Matplotlib
• 🧪 Práctica: Mismo gráfico en tema claro y oscuro, legible en los dos.

Fase 2: Distribuciones y categorías

Meta: Ver forma, outliers y comparación entre grupos.

• histplot, kdeplot, boxplot, violinplot
• barplot con estimador e intervalo, vs una barra de Pandas ya agregada
• countplot para frecuencias
• Orden de categorías con sentido de negocio, no alfabético por defecto
• 🧪 Práctica: Compara una métrica entre 4 segmentos y señala el outlier.

Fase 3: Relaciones

Meta: Buscar asociación sin declarar causalidad.

• scatterplot y lineplot con hue y style
• relplot cuando la faceta es parte de la pregunta
• heatmap de correlación: método, máscara del triángulo, anotaciones
• Correlación no es causalidad: anótalo en el título o en el texto
• 🧪 Práctica: Heatmap de un dataset ancho y una frase sobre qué par investigar.

Fase 4: Facetas y lectura de EDA

Meta: Cerrar una exploración con figuras que otro pueda leer.

• FacetGrid / catplot / displot para partir por una dimensión
• Límites compartidos para comparar de verdad
• Exportar con Matplotlib (fig.savefig) después de tight_layout
• 🧪 Práctica: Informe de 5 figuras: distribución, categoría, relación, correlación y una faceta.

Proyectos integradores

1. EDA de un mes de ventas — cinco figuras y tres decisiones de limpieza o de modelo.
2. Comparación de dos fuentes — mismas preguntas visuales sobre el crudo y el curado.

Recursos

Recurso	Uso
Seaborn tutorial	API por tipo de gráfico
Gallery	Elegir el gráfico

Criterios de avance

Fase	La dominas cuando...
1	Ajustas ejes de Matplotlib sobre un gráfico de Seaborn
2	Comparas grupos sin distorsionar el orden ni el estimador
3	Lees un heatmap sin tratar la correlación como causa
4	Entregas un paquete corto de EDA, no un notebook infinito