Boxplots en Python: Guía completa para principiantes

¿Te has preguntado alguna vez cómo representar mejor las distribuciones de datos numéricos en Python? Pues bien, ¡tu mejor opción sería aprender a utilizar gráficos de caja! Los gráficos de caja son una forma estupenda de visualizar comparaciones de distribución entre varios grupos.

En este tutorial, veremos qué son los gráficos de caja, las distintas formas de crearlos en Python y algunos errores comunes de los principiantes.

¿Qué son los gráficos de caja de Python?

Los gráficos de caja, también conocidos como gráficos de caja y bigotes, son una forma estándar de mostrar la distribución de los datos basada en un resumen de cinco números: mínimo, primer cuartil (Q1), mediana, tercer cuartil (Q3) y máximo.

Los gráficos de caja son especialmente útiles para identificar valores atípicos y comprender la dispersión y asimetría de los datos. También se utilizan cuando se comparan varios grupos o se visualiza la distribución de una sola variable.

Componentes de Boxplot

Un boxplot típico tiene varios componentes como parte de su anatomía:

1. Mediana: Es el valor medio de los datos, representado por una línea dentro del recuadro.
2. Cajas: Representan el Rango Intercuartílico (IQR) de los datos, que representa el rango entre Q1 y Q3. Los bordes inferior y superior representan Q1 y Q3, respectivamente.
3. Bigotes: Son líneas verticales que se extienden desde ambos extremos de la casilla para representar los valores mínimo y máximo, excluyendo cualquier valor atípico.
4. Valores atípicos: Son puntos fuera de los bigotes considerados inusuales o extremos en comparación con el resto de los datos.
5. Gorros: Son líneas horizontales en los extremos de los bigotes, que representan los valores mínimo y máximo, incluidos los valores atípicos.

Estos componentes se combinan para dar al diagrama de caja un significado estadístico y permitir comparaciones visuales fáciles entre distintos grupos de datos.

Python es una herramienta avanzada que puede ayudarnos a crear gráficos de caja. En las siguientes secciones, revisaremos distintos métodos para hacerlo.

Boxplots en Python: Guía paso a paso

Ahora que tenemos una comprensión básica de los gráficos de caja, veamos cómo crearlos utilizando Python. Varias bibliotecas de Python, como Matplotlib, Seaborn y Plotly, permiten crear gráficos de caja.

1. Instalar las bibliotecas necesarias

Para crear gráficos de caja en Python, primero hay que instalar las bibliotecas necesarias. Las principales bibliotecas necesarias son Matplotlib, Seaborn y Plotly.

Aquí tienes el código para instalarlos:

pip install matplotlib
pip install seaborn
pip install plotly==5.22.0

2. Importar bibliotecas y cargar datos

Tras la instalación, el siguiente paso es importar estas bibliotecas a tu entorno Python.

Asegúrate también de cargar los conjuntos de datos necesarios que utilizarás para tus gráficos de caja, si los hay.

#imports Matplotlib library and assigns shorthand 'plt'
import matplotlib.pyplot as plt
#imports Seaborn library and assigns shorthand 'sns'
import seaborn as sns
#imports Plotly library and assigns shorthand 'px'
import plotly.express as px

3. Crear boxplots Matplotlib

Gracias a la versatilidad de Python, crear un simple boxplot requiere un código mínimo. Empecemos con la biblioteca más común, Matplotlib.

1. Boxplot Matplotlib simple

Para crear un boxplot con Matplotlib, importa las bibliotecas necesarias:

import matplotlib.pyplot as plt
import numpy as np

A continuación, vamos a preparar un conjunto de datos sencillo:

# Generates some random dataset
np.random.seed(10) 
data = np.random.normal(0, 1, 100)

Por último, vamos a crear el boxplot real e imprimirlo:

# Creates a boxplot
plt.boxplot(data) plt.title('Basic Boxplot') plt.show()

Aquí tienes los resultados:

2. Múltiples boxplots Matplotlib

Si quieres crear boxplots separados en distintos subplots, puedes utilizar la función subplot. Esto te permite crear varios boxplots uno al lado del otro en una sola imagen. 

Aquí tienes el ejemplo de código completo:

import matplotlib.pyplot as plt
import numpy as np
# Generates multiple datasets
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 2, 100)
data3 = np.random.normal(2, 1.5, 100)
# Creates subplots
fig, axs = plt.subplots(1, 3, figsize=(15, 5))
# Plots Boxplot for Data 1
axs[0].boxplot(data1)
axs[0].set_title('Data 1')
axs[0].set_xlabel('Sample')
axs[0].set_ylabel('Value')
# Plots Boxplot for Data 2
axs[1].boxplot(data2)
axs[1].set_title('Data 2')
axs[1].set_xlabel('Sample')
axs[1].set_ylabel('Value')
# Plots Boxplot for Data 3
axs[2].boxplot(data3)
axs[2].set_title('Data 3')
axs[2].set_xlabel('Sample')
axs[2].set_ylabel('Value')
# Adjusts layout
plt.tight_layout()
plt.show()

Éste es el gráfico resultante:

Sin embargo, estas subparcelas no comparten el mismo eje y no son adecuadas para realizar comparaciones por categorías. Para múltiples gráficos de caja con el mismo eje, tendrás que crear gráficos de caja agrupados.

Los gráficos de caja agrupados son especialmente útiles para comparar distribuciones en varias categorías. Permiten una comprensión más matizada de los datos. Estas comparaciones pueden revelar diferencias que no son inmediatamente evidentes en otros gráficos.

Cada grupo se presenta en paralelo dentro del mismo gráfico, lo que facilita destacar las variaciones, tendencias y valores atípicos de las distintas subcategorías.

A continuación te explicamos cómo crear una subtrama agrupada:

# Generates grouped data
data_group1 = [np.random.normal(0, 1, 100), np.random.normal(1, 2, 100), np.random.normal(2, 1.5, 100)]
data_group2 = [np.random.normal(0, 1, 100), np.random.normal(1, 2, 100), np.random.normal(2, 1.5, 100)]
# Combines two data groups into a dataset
data = data_group1 + data_group2
# Creates grouped boxplots
plt.boxplot(data, positions=[1, 2, 3, 5, 6, 7], labels=['G1-D1', 'G1-D2', 'G1-D3', 'G2-D1', 'G2-D2', 'G2-D3'])
plt.title('Grouped Boxplots')
plt.xlabel('Group-Dataset')
plt.ylabel('Value')
plt.show()

Éste es el diagrama de caja agrupado producido por el código anterior:

4. Personalizar los boxplots de Matplotlib

Puedes utilizar la personalización avanzada en Matplotlib para mejorar tus visualizaciones de datos.

Técnicas como la adición de medias, la adición de la desviación típica, la creación de gráficos de caja agrupados y el uso de gráficos de caja horizontales pueden proporcionar una mejor visión de la distribución de tus datos.

Personalizar los gráficos de caja en Python también te permite adaptar los elementos visuales a las especificaciones de tu proyecto.

Aquí tienes algunas formas de personalizar los boxplots utilizando la biblioteca Matplotlib:

1. Añadir etiquetas y títulos

Los títulos y etiquetas harán que tus gráficos sean más comprensibles para los espectadores, que podrán discernir rápidamente la comparación de los datos. Añadirlas es sencillo y puede hacerse utilizando las funciones de Matplotlib.

Para añadir etiquetas a un boxplot de Matplotlib:

plt.boxplot(data)
# Adds title
plt.title('Customized Boxplot Title')
# Adds x axis label
plt.xlabel('Customized X Label')
# Adds y axis label
plt.ylabel('Customized Y Label')
plt.show()

Esto creará un boxplot etiquetado como el de la imagen siguiente:

2. Ajustar los colores de los gráficos de caja

Personalizar los colores y estilos de los gráficos de caja en Python permite una presentación visualmente atractiva y clara de los datos. También te ayudarán a destacar eficazmente puntos de datos específicos o comparaciones ante tus interlocutores.

Puedes cambiar los colores de las cajas, bigotes, tapas, medianas y volantes utilizando los parámetros boxprops, whiskerprops, capprops, medianprops, y flierprops.

Este es el ejemplo de código:

plt.boxplot(data, boxprops=dict(color='blue'), whiskerprops=dict(color='red'), capprops=dict(color='green'), medianprops=dict(color='orange'), flierprops=dict(markerfacecolor='red', marker='o'))
plt.show()

Esto creará diferentes colores para los componentes de tu boxplot en función de los parámetros que hayas establecido:

3. Sumar la media y la desviación típica

Añade la media y la desviación típica al diagrama de caja para proporcionar más información estadística.

# Creates dataset
data1 = np.random.normal(0, 1, 100)
data2 = np.random.normal(1, 2, 100)
data3 = np.random.normal(2, 1.5, 100)
# Calculates the mean and standard deviations
mean = [np.mean(d) for d in data]
std_devs = [np.std(d) for d in data]
# Creates a boxplot
plt.boxplot(data, labels=['Data 1', 'Data 2', 'Data 3'])
# Adds mean as red dots
for i in range(len(mean)):
   plt.plot(i + 1, mean[i], 'ro')
# Adds standard deviations as error bars
for i in range(len(std_devs)):
   plt.errorbar(i + 1, mean[i], yerr=std_devs[i], fmt='o', color='red')
# Plots graph
plt.title('Boxplot with Means and Standard Deviations')
plt.xlabel('Dataset')
plt.ylabel('Value')
plt.show()

Aquí tienes el gráfico resultante:

4. Gráficos horizontales

Los gráficos de caja horizontales pueden hacer que la visualización de los datos sea más legible, especialmente cuando se trata de nombres de categorías largos.

Esto puede hacerse simplemente utilizando el parámetro de argumento vert de la función boxplot de Matplotlib.

# Creates horizontal boxplot
plt.boxplot(data,
            labels=['Data 1', 'Data 2', 'Data 3'], 
            vert=False)
# Plots graph
plt.title('Horizontal Boxplot')
plt.xlabel('Value')
plt.ylabel('Dataset')
plt.show()

Éste es el gráfico resultante de ejecutar el código anterior:

Nuestro curso Introducción a la visualización de datos con Matplotlib también debería ayudarte a comprender mejor cómo crear visualizaciones de datos más allá de los gráficos de caja.

Si necesitas consultar esta información en el futuro, aquí tienes un resumen de trucos para trazar en Matplotlib:

5. Crear gráficos de caja con Seaborn

Seaborn, construido sobre Matplotlib, simplifica la creación de boxplots estéticamente agradables con un código mínimo. Su sencilla sintaxis la hace accesible para todos los niveles de conocimientos, y su integración con otras bibliotecas permite la máxima flexibilidad en el análisis de datos.

1. Boxplot básico de seaborn

Aquí tienes una guía paso a paso para crear un boxplot básico con Seaborn. Como antes, empieza importando las bibliotecas necesarias.

# Imports necessary libraries
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

A continuación, vamos a preparar un conjunto de datos sencillo:

# Generates a random dataset
np.random.seed(10)
data = np.random.normal(0, 1, 100)

Por último, vamos a crear el boxplot real e imprimirlo:

# Creates a basic boxplot
sns.boxplot(data=data)
# Adds title to the boxplot
plt.title('Basic Boxplot') 
plt.show()

Éste es el gráfico resultante:

2. Personalización avanzada de seaborn

Puedes personalizar tu gráfico Seaborn utilizando los parámetros hue, orient y palette. 

Veamos cómo añadir colores a tu boxplot en función de las categorías, utiliza el parámetro hue:

# Generate multiple datasets
data = {
    'Group': ['A']*100 + ['B']*100 + ['C']*100,
    'Value': np.concatenate([np.random.normal(0, 1, 100), 
                             np.random.normal(1, 2, 100), 
                             np.random.normal(2, 1.5, 100)])
}
df = pd.DataFrame(data)
# Create additional grouping data
df['Subgroup'] = np.random.choice(['X', 'Y'], size=300)
# Plots graph
sns.boxplot(x='Group', y='Value', data=df, hue='Subgroup', palette='Set2')
plt.title('Colored Boxplot')
plt.show()

Aquí tienes el boxplot modificado:

Para alinear tu boxplot en una orientación determinada, utiliza el parámetro orient. Para la orientación vertical, el parámetro orient debe ajustarse a "v". Para la orientación horizontal, debe ajustarse a "h".

Aquí tienes el código para un boxplot horizontal:

# Plots horizontal boxplot
sns.boxplot(data=df, orient='h', palette='Set2')
plt.title('Colored Boxplot')
plt.show()

El código anterior creará un boxplot como éste:

Para añadir puntos de datos individuales al diagrama de caja, puedes utilizar un diagrama de enjambre utilizando la función swarmplot:

# Plots boxplot
sns.boxplot(x='Group', y='Value', data=df)
# Overlays swarm plot over boxplot
sns.swarmplot(x='Group', y='Value', data=df, color='black', alpha=0.5)
plt.title('Boxplot with Swarmplot')
plt.show()

El código anterior creará un boxplot como éste:

Un gráfico de enjambre como éste puede ayudarte a comprender mejor la distribución de tus datos. Complementa la información estadística de un diagrama de caja para ofrecer a tus espectadores una imagen completa de tus datos.

Consulta nuestro curso Introducción a la visualización de datos con Seaborn para conocer más formas de implementar visualizaciones de datos en Seaborn.

Si quieres consultar esta información en el futuro, aquí tienes una hoja de trucos para trazar en Seaborn:

Interpretar los resultados de los gráficos de caja de Python

La interpretación de un diagrama de caja depende del contexto y de la pregunta de investigación específica que aborde.

Sin embargo, algunas pautas generales pueden ayudar a comprender la distribución de los datos mostrada mediante el diagrama de caja. Entre ellas están:

• La línea de la mediana indica el valor medio del conjunto de datos.
• El rango intercuartílico (IQR) o 50% medio de los valores se sitúa entre el primer cuartil (Q1) y el tercer cuartil (Q3).
• Los bigotes se extienden 1,5 veces por encima y por debajo de Q3 y Q1, respectivamente.
• Los valores atípicos se representan individualmente con un punto o un asterisco.
• La longitud de la caja y los bigotes dan una idea de la dispersión de los datos.
• Las distribuciones sesgadas mostrarán asimetría en el tamaño de la caja y en su posición respecto a la línea mediana.
• Los valores atípicos más de 1,5 veces por encima o por debajo de Q3 y Q1 pueden indicar valores extremos o posibles errores en la medición de los datos.

Errores comunes que debes evitar al crear gráficos de caja en Python

Aunque Python facilita la creación de gráficos de caja visualmente atractivos a partir de tus conjuntos de datos, hay que tener en cuenta algunos aspectos para evitar visualizaciones engañosas o incorrectas.

1. No tratar los valores perdidos

Al crear un boxplot en Python, los profesionales suelen pasar por alto la importancia del preprocesamiento de los datos, lo que conduce a resultados engañosos. 

Todas las visualizaciones de datos requieren algún tipo de limpieza antes de trazarlas. Los gráficos de caja no son una excepción y pueden mostrar valores perdidos como valores atípicos, lo que podría sesgar los resultados.

2. Escalado incorrecto de los datos

Además, a veces los usuarios no escalan los datos adecuadamente, lo que puede dar lugar a un boxplot sesgado que falsee las verdaderas características del conjunto de datos. El escalado garantiza que los rasgos contribuyan por igual al análisis.

3. No abordar los valores atípicos

Por último, los analistas pueden descuidar el examen y tratamiento exhaustivo de los valores atípicos antes de trazarlos. Un tratamiento inadecuado de los valores atípicos puede sesgar la interpretación, por lo que es crucial distinguir los valores atípicos auténticos de los errores o anomalías en la recogida de datos.

Intenta utilizar esta hoja de trucos cuando construyas visualizaciones de datos:

Reflexiones finales

Los gráficos de caja son una herramienta valiosa para visualizar distribuciones de datos y compararlas entre categorías. 

En Python, puedes utilizar Matplotlib, Seaborn o Plotly para crear boxplots rápidamente sin mucha codificación. DataCamp tiene cursos completos para cada una de estas herramientas:

• Introducción a la visualización de datos con Matplotlib
• Introducción a la Visualización de Datos con Seaborn
• Introducción a la visualización de datos con Plotly

¿Qué te parece explorar más sobre la visualización de datos utilizando Python? Entonces el curso de Visualización de Datos con Python te será de gran ayuda.