:)

SEABORN

Seaborn es una biblioteca de visualización de datos en Python que se utiliza comúnmente en análisis de datos, estadísticas y ciencia de datos. Proporciona una interfaz de alto nivel para crear gráficos estadísticos atractivos y sofisticados.

Esta biblioteca se construye sobre Matplotlib y complementa su funcionalidad. Seaborn simplifica la creación de gráficos estadísticos complejos, lo que permite a los usuarios generar visualizaciones con menos código en comparación con Matplotlib. Ofrece una amplia gama de gráficos, incluyendo histogramas, diagramas de dispersión, diagramas de caja, gráficos de barras, mapas de calor, entre otros.

Además, Seaborn está integrado con estructuras de datos de Pandas, lo que facilita su uso con los marcos de datos de Pandas, una herramienta comúnmente utilizada para el análisis de datos en Python.

Ventajas de Seaborn:

Seaborn tiene varias ventajas significativas que la hacen una opción popular para la visualización de datos en Python:

1. Sintaxis simplificada: Seaborn proporciona una interfaz de alto nivel para la creación de gráficos estadísticos, lo que significa que en comparación con Matplotlib, requiere menos líneas de código para generar visualizaciones complejas.

2. Gráficos atractivos por defecto: Los gráficos generados por Seaborn son estéticamente agradables y tienen estilos predefinidos que pueden ser modificados fácilmente para adaptarse a las preferencias del usuario.

3. Facilidad de uso con Pandas: Seaborn está integrado con Pandas, lo que permite trabajar fácilmente con marcos de datos de Pandas. Esto simplifica el proceso de visualización y manipulación de datos.

4. Soporte para gráficos estadísticos complejos: Ofrece una amplia gama de gráficos estadísticos listos para usar, como diagramas de dispersión con regresión lineal, diagramas de caja, mapas de calor, diagramas de violín y más. Estos gráficos son útiles para comprender la distribución y las relaciones entre variables en los datos.

5. Personalización flexible: Aunque Seaborn tiene estilos predefinidos agradables, también permite una gran flexibilidad en la personalización de gráficos. Se pueden modificar fácilmente aspectos como colores, estilos, tamaños, entre otros, para adaptarse a las necesidades específicas de visualización.

6. Compatibilidad con Matplotlib: Seaborn se construye sobre Matplotlib, lo que significa que puede trabajar en conjunto con esta biblioteca. Esto permite combinar las ventajas de ambas bibliotecas cuando se necesita un control detallado sobre los aspectos de los gráficos.

Código ejemplo:

# Crear datos de ingresos por año de la UNI de ejemplo
# Los conjuntos de datos, años e ingresos
años = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022]
ingresos = [320000, 300000, 280000, 350000, 380000, 400000, 420000, 450000, 470000, 450000, 480000, 500000, 470000]

# Crear un DataFrame  utilizando Pandas
import pandas as pd
data_uni = pd.DataFrame({'Año': años, 'Ingresos': ingresos})

# Configurar el estilo de Seaborn
sns.set(style="whitegrid")

# Crear el gráfico de dispersión con regresión lineal
sns.regplot(x='Año', y='Ingresos', data=data_uni, scatter_kws={"color": "purple"}, line_kws={"color": "pink"})

# Mostrar el gráfico
plt.title('Gráfico de Dispersión con Regresión Lineal UNI')
plt.xlabel('Año')
plt.ylabel('Ingresos')
plt.show()