data_tidydata = (df.set_index(["Pais", "Ciudad"])
.stack()
.reset_index(name="valor")
.rename(columns={"level_2": "variable"})
data_tidy = (df.set_index(["Pais", "Ciudad"])
.stack()
.reset_index(name="valor")
.rename(columns={"level_2": "variable"})
data = (df.set_index(["Pais", "Ciudad"])
.stack()
.reset_index(name="valor")
.rename(columns={"level_2": "variable"})
A través de su función catplot()
seaborn te permite agrupar los gráficos de muchas formas, según los parámetros que le pases. PorDe forma general puede crear de golpe una grilla de gráficas, en la que cada fila de la grilla signifique algo, cada columna signifique otra cosa, y dentro de cada elemento de la grilla tienes una gráfica en la que el eje X es otra variable, el eje Y otra más, e incluso puedes distinguir variables adicionales por colores.
Asi por ejemplo:
col="Pais"
hará que las "columnas" de gráficasla grilla correspondan al pais. Es decir, hará una gráfica separada para cada pais, y las pondrá una al lado de otra, de derecha a izquierda en la misma fila (también puedes usarrow=
para que en cambio las ponga una bajo otra, o usar otra cadena enen este ejemplo no usorow=
parapor lo que hagala grilla tendrá una matrizúnica fila de gráficas de modo que de una fila a otra varíe la variable representada)x="Ciudad"
hace que dentro de cada gráfica el eje x represente diferentes ciudadeshue="variable"
que cada barra del gráfico de barras tenga un color diferente y represente una categoría diferente de las que hay en la columna "variable" (en tu caso, habría una barra para "Hijos", otra para "Coches", etc.) Además creará una leyenda para explicar qué significa cada colory="valor"
hará que la altura de cada barra se tome de la columna "valor"sharex=False
hará que cada gráfica tenga su eje X independiente del de las otras gráficas (lo que tiene mucho sentido en este caso ya que cada Pais tiene diferentes ciudades).
Yo diría que no... estás comparando en cada plot variables que quizás no sean comparables entre sí. ¿Qué sentido tiene comparar el número de hijos con el número de coches o con el salario? (especialmente porque incluso estarán en otras unidades, ya que el número de hijos será menortípicamente de 10una cifra pero el salario puede estar en los milestener tres cifras o más, según quédependiendo de la moneda en que se usemida).
En este caso he optado por una gráfica tipo "box" que muestra la distribución estadística de una variable. Al haber usado x="Pais"
, seaborn en cada tick del eje X representará un país, y para cada pais encontrará varios valores de la variable "Hijos" (un valor en cada ciudad). Lo que hará será pintar una "caja" vertical que representa la variabilidad de esos valores. Por ejemplo, en España varía entre 0 y 4 (marcado por "los bigotes" fuera de las cajas), pero los valores más frecuentes están entre 1.5 y 3.2 (los límites de la caja), y el promediopercentil 50% (o mediana) en 2.5 (la línea horizontal dentro de la caja). En Francia, aunque la mediamediana es la misma, vemos que hay más disparidad en los datos (la caja es mayor).
Y si en el código anterior cambias "box"
por "bar"
, te sale esta otra gráfica (gráfica de velas):
en la que la altura de cada barra ("vela") es el promedio de esa variable (ej: promedio de hijos en España, medido entre las diferentes ciudades), pero tiene una "mecha" que indica la variabilidad de la medida.
A través de su función catplot()
seaborn te permite agrupar los gráficos de muchas formas, según los parámetros que le pases. Por ejemplo:
col="Pais"
hará que las "columnas" de gráficas correspondan al pais. Es decir, hará una gráfica separada para cada pais, y las pondrá una al lado de otra, de derecha a izquierda (también puedes usarrow=
para que en cambio las ponga una bajo otra, o usar otra cadena enrow=
para que haga una matriz de gráficas de modo que de una fila a otra varíe la variable representada)x="Ciudad"
hace que dentro de cada gráfica el eje x represente diferentes ciudadeshue="variable"
que cada barra tenga un color diferente y represente una categoría diferente de las que hay en la columna "variable" (en tu caso, habría una barra para "Hijos", otra para "Coches", etc.) Además creará una leyenda para explicar qué significa cada colory="valor"
hará que la altura de cada barra se tome de la columna "valor"sharex=False
hará que cada gráfica tenga su eje X independiente del de las otras gráficas (lo que tiene mucho sentido en este caso ya que cada Pais tiene diferentes ciudades).
Yo diría que no... estás comparando en cada plot variables que quizás no sean comparables entre sí. ¿Qué sentido tiene comparar el número de hijos con el número de coches o con el salario? (especialmente porque incluso estarán en otras unidades, ya que el número de hijos será menor de 10 pero el salario puede estar en los miles, según qué moneda se use).
En este caso he optado por una gráfica tipo "box" que muestra la distribución estadística de una variable. Al haber usado x="Pais"
, seaborn en cada tick del eje X representará un país, y para cada pais encontrará varios valores de la variable "Hijos" (un valor en cada ciudad). Lo que hará será pintar una "caja" vertical que representa la variabilidad de esos valores. Por ejemplo, en España varía entre 0 y 4 (marcado por "los bigotes" fuera de las cajas), pero los valores más frecuentes están entre 1.5 y 3.2 (los límites de la caja), y el promedio en 2.5 (la línea horizontal dentro de la caja). En Francia, aunque la media es la misma, vemos que hay más disparidad en los datos (la caja es mayor).
A través de su función catplot()
seaborn te permite agrupar los gráficos de muchas formas, según los parámetros que le pases. De forma general puede crear de golpe una grilla de gráficas, en la que cada fila de la grilla signifique algo, cada columna signifique otra cosa, y dentro de cada elemento de la grilla tienes una gráfica en la que el eje X es otra variable, el eje Y otra más, e incluso puedes distinguir variables adicionales por colores.
Asi por ejemplo:
col="Pais"
hará que las "columnas" de la grilla correspondan al pais. Es decir, hará una gráfica separada para cada pais, y las pondrá una al lado de otra, de derecha a izquierda en la misma fila (en este ejemplo no usorow=
por lo que la grilla tendrá una única fila de gráficas)x="Ciudad"
hace que dentro de cada gráfica el eje x represente diferentes ciudadeshue="variable"
que cada barra del gráfico de barras tenga un color diferente y represente una categoría diferente de las que hay en la columna "variable" (en tu caso, habría una barra para "Hijos", otra para "Coches", etc.) Además creará una leyenda para explicar qué significa cada colory="valor"
hará que la altura de cada barra se tome de la columna "valor"sharex=False
hará que cada gráfica tenga su eje X independiente del de las otras gráficas (lo que tiene mucho sentido en este caso ya que cada Pais tiene diferentes ciudades).
Yo diría que no... estás comparando en cada plot variables que quizás no sean comparables entre sí. ¿Qué sentido tiene comparar el número de hijos con el número de coches o con el salario? (especialmente porque incluso estarán en otras unidades, ya que el número de hijos será típicamente de una cifra pero el salario puede tener tres cifras o más, dependiendo de la moneda en que se mida).
En este caso he optado por una gráfica tipo "box" que muestra la distribución estadística de una variable. Al haber usado x="Pais"
, seaborn en cada tick del eje X representará un país, y para cada pais encontrará varios valores de la variable "Hijos" (un valor en cada ciudad). Lo que hará será pintar una "caja" vertical que representa la variabilidad de esos valores. Por ejemplo, en España varía entre 0 y 4 (marcado por "los bigotes" fuera de las cajas), pero los valores más frecuentes están entre 1.5 y 3.2 (los límites de la caja), y el percentil 50% (o mediana) en 2.5 (la línea horizontal dentro de la caja). En Francia, aunque la mediana es la misma, vemos que hay más disparidad en los datos (la caja es mayor).
Y si en el código anterior cambias "box"
por "bar"
, te sale esta otra gráfica (gráfica de velas):
en la que la altura de cada barra ("vela") es el promedio de esa variable (ej: promedio de hijos en España, medido entre las diferentes ciudades), pero tiene una "mecha" que indica la variabilidad de la medida.
No está claro cuál es la mejor opción para representar tus datos, pues la mejor opción depende de qué datos quieras comparar entre sí.
De cualquier forma te recomiendo usar seaborn
que admite muchas formas muy flexibles de representar gráficamente datos con muchas dimensiones, como parece ser tu caso.
Para que los datos sean más fácilmente representables con seaborn, interesa que el dataframe esté en un formato normalmente denominado "tidy", en el que todos los valores numéricos sean una sola columna, y tengas otra columna adicional que indica qué es lo que representa ese valor numérico.
Es decir, interesaría que en lugar de estar así:
Pais Ciudad Hijos Coches Salario Gasto Ocio
0 España Madrid 3 2 50 70 30
1 España Alicante 0 2 28 40 20
2 España Barcelona 2 2 40 70 30
3 España Granada 4 1 28 30 15
4 Francia Paris 0 3 60 60 30
5 Francia Burdeos 6 2 35 50 35
6 Francia Lyon 4 2 45 50 25
7 Francia Toulouse 1 2 55 55 40
8 Alemania Munich 2 2 65 65 20
9 Alemania Berlin 1 2 70 65 30
10 Alemania Frankfurt 1 2 60 45 35
11 Alemania Bremen 0 2 55 60 25
12 ReinoUnido Londres 2 2 80 70 15
13 ReinoUnido Leeds 2 2 65 45 20
14 ReinoUnido Manchester 2 2 70 65 20
15 ReinoUnido Bristol 1 2 50 45 35
tu dataframe esté así:
Pais Ciudad variable valor
0 España Madrid Hijos 3
1 España Madrid Coches 2
2 España Madrid Salario 50
3 España Madrid Gasto 70
4 España Madrid Ocio 30
.. ... ... ... ...
75 ReinoUnido Bristol Hijos 1
76 ReinoUnido Bristol Coches 2
77 ReinoUnido Bristol Salario 50
78 ReinoUnido Bristol Gasto 45
79 ReinoUnido Bristol Ocio 35
Cómo convertir los datos a formato "tidy"
Una forma sencilla es fijar como index las columnas que interesa "fijas" (ciudad y pais) y después aplicar un stack()
, que crea una nueva columna cuyos valores son las cadenas que antes estaban en los nombres de columna.
Es decir:
df.set_index(["Pais", "Ciudad"]).stack()
te lo dejará así:
Pais Ciudad
España Madrid Hijos 3
Coches 2
Salario 50
Gasto 70
Ocio 30
..
ReinoUnido Bristol Hijos 1
Coches 2
Salario 50
Gasto 45
Ocio 35
muy cerca ya de la forma que necesitamos. Basta un reset_index()
y algunos detalles para tener las columnas nuevas con nombres apropiados.
En definitiva:
data_tidy = (df.set_index(["Pais", "Ciudad"])
.stack()
.reset_index(name="valor")
.rename(columns={"level_2": "variable"})
te dejará un dataframe exactamente en el formato antes buscado, ideal para plotear con seaborn.
Plot con seaborn
A través de su función catplot()
seaborn te permite agrupar los gráficos de muchas formas, según los parámetros que le pases. Por ejemplo:
col="Pais"
hará que las "columnas" de gráficas correspondan al pais. Es decir, hará una gráfica separada para cada pais, y las pondrá una al lado de otra, de derecha a izquierda (también puedes usarrow=
para que en cambio las ponga una bajo otra, o usar otra cadena enrow=
para que haga una matriz de gráficas de modo que de una fila a otra varíe la variable representada)x="Ciudad"
hace que dentro de cada gráfica el eje x represente diferentes ciudadeshue="variable"
que cada barra tenga un color diferente y represente una categoría diferente de las que hay en la columna "variable" (en tu caso, habría una barra para "Hijos", otra para "Coches", etc.) Además creará una leyenda para explicar qué significa cada colory="valor"
hará que la altura de cada barra se tome de la columna "valor"sharex=False
hará que cada gráfica tenga su eje X independiente del de las otras gráficas (lo que tiene mucho sentido en este caso ya que cada Pais tiene diferentes ciudades).
En resumen, con una línea como esta:
import seaborn as sns
sns.catplot(col="Pais", x="Ciudad", hue="variable",
y="valor", sharex=False, legend_out=True,
kind="bar", data=data)
Te crea la siguiente fila de gráficas:
¿Es esta la mejor gráfica?
Yo diría que no... estás comparando en cada plot variables que quizás no sean comparables entre sí. ¿Qué sentido tiene comparar el número de hijos con el número de coches o con el salario? (especialmente porque incluso estarán en otras unidades, ya que el número de hijos será menor de 10 pero el salario puede estar en los miles, según qué moneda se use).
Parece más lógico poder comparar una sola de esas variables (ej: número de hijos) entre diferentes ciudades, e incluso entre diferentes países (sin tener en cuenta la ciudad, sino solo obteniendo las diferentes muestras para cada pais).
Por ejemplo:
sns.catplot(x="Pais", y="valor", kind="box",
data=data[data.variable=="Hijos"])
Produce:
En este caso he optado por una gráfica tipo "box" que muestra la distribución estadística de una variable. Al haber usado x="Pais"
, seaborn en cada tick del eje X representará un país, y para cada pais encontrará varios valores de la variable "Hijos" (un valor en cada ciudad). Lo que hará será pintar una "caja" vertical que representa la variabilidad de esos valores. Por ejemplo, en España varía entre 0 y 4 (marcado por "los bigotes" fuera de las cajas), pero los valores más frecuentes están entre 1.5 y 3.2 (los límites de la caja), y el promedio en 2.5 (la línea horizontal dentro de la caja). En Francia, aunque la media es la misma, vemos que hay más disparidad en los datos (la caja es mayor).
O si en lugar de centrarte en una variable sola ("Hijos") quieres verlas todas, podrías usar col="variable"
para obtener una gráfica separada para cada variable, junto con sharey=False
para que cada una tenga su propio eje Y (lo que tiene sentido porque no son unidades comparables). Así:
sns.catplot(col="variable", x="Pais", y="valor",
kind="box", sharey=False, data=data)
Y obtienes