Graficar una tabla de frecuencias

Lo más fácil para visualizar una tabla de frecuencias es utilizar un gráfico de barras. Vamos a utilizr la librería plotnine, un substituto de ggplot2 para python. Podríamos intentar trabajar con matplotlib, pero honestamente no me gusta para nada. Prefiero utilizar una librereia que utilice el Grammar of graphics y además, traducir de R a python va a ser más fácil.

from plotnine import *

freq_by_species = (iris 
  .groupby("species")
  .agg(frequency=("species", "count"))
  .reset_index())
  
(ggplot(freq_by_species, aes(x = "species", y = "frequency")) +
  geom_bar(stat = 'identity'))

## <ggplot: (297324601)>

Especificando el número de intervalos

Para agrupar valores de una variable cuantitativa en intervalos utilizamos la función pd.cut. El procedimiento entonces queda como:

iris["sepal_length_group"] = pd.cut(iris["sepal_length"], bins=5)

(iris
  .groupby("sepal_length_group")
  .agg(frequency=("sepal_length", "count")))

##                     frequency
## sepal_length_group           
## (4.296, 5.02]              32
## (5.02, 5.74]               41
## (5.74, 6.46]               42
## (6.46, 7.18]               24
## (7.18, 7.9]                11

¡El resultado es que tenemos 5 categorías en una tabla más legible!

Especificando los cortes o límites de los intervalos

Aunque el resultado anterior no tiene nada incorrecto, podríamos hacer que los intervalos sean más legibles. El truco es que el argumento bins no sólo acepta el número de intervalos que queremos, sino que también podemos indicar los puntos en los que queremos hacer los cortes. Por ejemplo, vamos a hacer intervalos de longitud 1, desde el 4 hasta el 8. Esto lo podemos hacer con la función range.

list(range(4, 8+1, 1))

## [4, 5, 6, 7, 8]

También podríamos utilizar la función arange de numpy. Así podríamos hacer que la distancia entre los cortes sea un número con decimales, en vez de sólo enteros.

import numpy as np

np.arange(4, 8+0.5, 0.5)

## array([4. , 4.5, 5. , 5.5, 6. , 6.5, 7. , 7.5, 8. ])

bins = list(range(4, 8+1, 1))

iris["sepal_length_group"] = pd.cut(iris["sepal_length"], bins=bins)

(iris
  .groupby("sepal_length_group")
  .agg(frequency=("sepal_length", "count")))

##                     frequency
## sepal_length_group           
## (4, 5]                     32
## (5, 6]                     57
## (6, 7]                     49
## (7, 8]                     12

¡Mira qué linda tabla! A primera vista lo que se aprecia es que hay más valores bajos (entre 4 y 6) que altos (entre 6 y 8), y también que están más concentrados en el medio, (entre 5 y 6).

Frecuencias acumuladas

Podemos agregar una columna más a la tabla de frecuencias, acumulando las frecuencias para cada clase, utilizando la función cumsum.

bins = list(range(4, 8+1, 1))

iris["sepal_length_group"] = pd.cut(iris["sepal_length"], bins=bins)

sepal_length_counts = (iris
                       .groupby("sepal_length_group")
                       .agg(frequency=("sepal_length", "count")))

sepal_length_counts["cum_frequency"] = sepal_length_counts["frequency"].cumsum()
sepal_length_counts

##                     frequency  cum_frequency
## sepal_length_group                          
## (4, 5]                     32             32
## (5, 6]                     57             89
## (6, 7]                     49            138
## (7, 8]                     12            150

Graficar una tabla de frecuencias de una variable cuantitativa

Podríamos seguir los mismo pasos que para una variable cualitativa y utilizar geom_bar

bins = list(range(4, 8+1, 1))

iris["sepal_length_group"] = pd.cut(iris["sepal_length"], bins=bins)

sepal_length_counts = (iris
                       .groupby("sepal_length_group")
                       .agg(frequency=("sepal_length", "count"))
                       .reset_index())

(ggplot(sepal_length_counts) +
  geom_bar(aes(x = "sepal_length_group", y = "frequency"), stat = 'identity'))

## <ggplot: (301623844)>

Sin embargo, un histograma es más apropiado. Un histograma es un tipo particular de gráfico de barras. Las principales diferencias son:

• Las etiquetas en el eje de las \(x\) se colocan los límites de los intervalos
• Si hay algún intervalo cuya frecuencia sea 0, este intervalo sigue mostrándose en el eje \(x\), mientras que en un gráfico de barras no necesariamente
• Como el límite superior de un intervalo es el límite inferior del siguiente, no hay espacio entre las barras
• Las barras podrían tener anchos distintos, aunque esto no es muy común
• En el eje de las \(y\) siempre van las frecuencias. Si no, no es un histograma

Como los histogramas son gráficos muy comunes, existe la función geom_histogram para ahorrarnos algunas líneas de código.

(ggplot(iris) +
  geom_histogram(aes(x = "sepal_length"), binwidth=1, boundary=4, colour='lightgrey'))

## <ggplot: (301635599)>

Para tener el mismo gráfico que antes, especifiqué que el ancho de los intervalos sea bidwidth=1 y que uno de los límites sea boundary=4. También agregué colour='lightgrey' para que los bordes fuesen gris claro; no es necesario, pero me gusta más cómo se ve así que sin separación entre las barras.

Ya que estamos viendo todo en un gráfico y no hay que leer, nos podemos dar el lujo de tener intervalos más cortos y por lo tanto más intervalos y más detalle.

import numpy as np

breaks = np.arange(4, 8+0.5, 0.5)

(ggplot(iris) +
  geom_histogram(aes(x = "sepal_length"), breaks=breaks, colour='lightgrey') +
  ggtitle('Frequency distribution of Sepal Length') +
  labs(x='Sepal length', y='Frequency'))

## <ggplot: (-9223372036552836548)>