Aprender Seaborn Gráficos de distribución

La visualización de distribuciones es fundamental en el análisis exploratorio de datos. Seaborn proporciona un conjunto completo de herramientas para examinar cómo se distribuyen las variables de forma univariante, bivariante y multivariante.

Funciones axes-level vs figure-level

Al igual que en otras categorías de Seaborn, existe una distinción clave entre:

• Funciones axes-level: histplot(), kdeplot(), ecdfplot(), rugplot() — dibujan sobre un eje Matplotlib existente.
• Función figure-level: displot() — gestiona su propia figura y admite faceting mediante col y row.

Histogramas y estimación de densidad

histplot() permite crear histogramas con conteos o densidad, opcionalmente superponer una curva KDE, y trabajar tanto con datos univariantes como bivariantes:

import seaborn as sns
import matplotlib.pyplot as plt

penguins = sns.load_dataset("penguins")

sns.histplot(
    data=penguins,
    x="flipper_length_mm",
    hue="species",
    multiple="stack",
    kde=True
)
plt.show()

Distribuciones bivariantes

kdeplot() también admite dos variables para estimar densidades bidimensionales, mostrando contornos o relleno de densidad:

sns.kdeplot(
    data=penguins,
    x="bill_length_mm",
    y="bill_depth_mm",
    hue="species",
    fill=True
)
plt.show()

jointplot y pairplot

jointplot() combina la distribución conjunta de dos variables con sus distribuciones marginales. pairplot() extiende este concepto a todas las combinaciones de variables numéricas en un DataFrame, siendo ideal para el análisis exploratorio inicial.