Gráficos con matplotlib: barras, líneas y un panel para tus informes

Una tabla con números responde preguntas a quien tiene tiempo de leerla. Un buen gráfico las responde en dos segundos. En esta lección convertirás el análisis de ventas de las lecciones 11 y 13 en un panel visual con matplotlib, la biblioteca de gráficos más usada de Python, sobre la que se construyen muchas otras.

Instalación y primer gráfico

pip install matplotlib pandas

(Recuerda activar tu entorno virtual primero, como en la lección 10.) El patrón básico de matplotlib siempre es el mismo: crear una figura con uno o varios "ejes" (cada eje es un gráfico), dibujar y guardar o mostrar.

import matplotlib.pyplot as plt

meses = ["Ene", "Feb", "Mar"]
ventas = [3407.5, 2340.0, 3447.5]

fig, ax = plt.subplots(figsize=(7, 4))   # tamaño en pulgadas
ax.plot(meses, ventas, marker="o")
ax.set_title("Ventas por mes")
ax.set_ylabel("Ventas")
fig.savefig("ventas_mes.png", dpi=150)   # guarda la imagen
plt.show()                               # abre una ventana (en Jupyter se muestra solo)

Siempre trabaja con fig y ax (la "interfaz orientada a objetos"). Verás en internet código con plt.plot() directamente: funciona para gráficos rápidos, pero se complica en cuanto quieres más de un gráfico.

Preparar los datos con pandas

Partimos del archivo de ventas. Como ya sabes de la lección 11, hay una fila sin región, que corresponde a Eva (Centro):

import pandas as pd

df = pd.read_csv("ventas.csv", parse_dates=["fecha"])
df["region"] = df["region"].fillna("Centro")
df["importe"] = df["unidades"] * df["precio"]

por_region = df.groupby("region")["importe"].sum().sort_values()
print(por_region)

region
Sur       2520.0
Centro    2562.5
Norte     4112.5
Name: importe, dtype: float64

Barras: comparar categorías

fig, ax = plt.subplots(figsize=(7, 4))
ax.barh(por_region.index, por_region.values, color="#2f6fed")
ax.set_title("Ventas por región, 1.er trimestre 2026")
ax.set_xlabel("Ventas")

for i, v in enumerate(por_region.values):          # etiqueta con el valor
    ax.text(v, i, f" {v:,.0f}", va="center")

ax.spines[["top", "right"]].set_visible(False)     # quita bordes innecesarios
fig.tight_layout()
fig.savefig("ventas_region.png", dpi=150)

Tres decisiones que hacen que este gráfico se lea mejor: barras horizontales (los nombres largos caben sin girar), ordenadas de menor a mayor (con sort_values(), la más grande queda arriba) y el valor escrito junto a cada barra, para no obligar a estimarlo con el eje.

Graficar directamente desde pandas

Los DataFrame y las Series tienen un método .plot() que usa matplotlib por debajo. Es ideal para tablas dinámicas:

meses = {1: "Ene", 2: "Feb", 3: "Mar"}

por_producto = df.pivot_table(index=df["fecha"].dt.month, columns="producto",
                              values="importe", aggfunc="sum", fill_value=0)
por_producto.index = por_producto.index.map(meses)
print(por_producto)

ax = por_producto.plot(kind="bar", stacked=True, rot=0, figsize=(7, 4))
ax.set_title("Ventas por producto y mes")

producto    Café  Chocolate     Té
fecha
Ene       2687.5        0.0  720.0
Feb        750.0      600.0  990.0
Mar       1812.5      825.0  810.0

kind acepta "line", "bar", "barh", "hist", "box", "scatter" y más. Usamos un diccionario para poner los meses en español, porque los nombres automáticos de las fechas dependen del idioma del sistema.

Un panel con varios gráficos

Con plt.subplots(1, 3) obtienes tres ejes en una fila y los llenas uno por uno:

meses = {1: "Ene", 2: "Feb", 3: "Mar"}
por_mes = df.groupby(df["fecha"].dt.month)["importe"].sum()
por_mes.index = por_mes.index.map(meses)

fig, axs = plt.subplots(1, 3, figsize=(15, 4.5))

axs[0].plot(por_mes.index, por_mes.values, marker="o", linewidth=2)
axs[0].set_title("Ventas por mes")
axs[0].set_ylim(bottom=0)

por_producto.plot(kind="bar", stacked=True, ax=axs[1], rot=0)
axs[1].set_title("Ventas por producto")
axs[1].set_xlabel("")
axs[1].legend(title="", frameon=False)

axs[2].barh(por_region.index, por_region.values, color="#2f6fed")
axs[2].set_title("Ventas por región")

for ax in axs:
    ax.spines[["top", "right"]].set_visible(False)

fig.suptitle("Panel de ventas · 1.er trimestre 2026", fontsize=14, fontweight="bold")
fig.tight_layout()
fig.savefig("panel_ventas.png", dpi=150)

El resultado:

Lectura en dos segundos: febrero fue el mes flojo (sobre todo por el café), el chocolate se suma desde febrero y la región Norte vende casi tanto como las otras dos juntas. Eso es lo que debe lograr un buen panel.

Gráficos que no engañan

• Las barras empiezan en cero. Si el eje empieza en 2.000, una diferencia del 5% parece del 200%.
• Un mensaje por gráfico, dicho en el título si es posible: "Febrero cayó un 31%" es mejor que "Ventas".
• Evita los gráficos circulares con más de 3 o 4 partes: las barras se comparan mucho mejor.
• Pocos colores y con intención: un color neutro para todo y uno fuerte para lo que quieres destacar.
• Nada de 3D: deforma las proporciones y no aporta información.

import matplotlib.pyplot as plt
import pandas as pd

g = pd.read_csv("gastos.csv", parse_dates=["fecha"])
por_cat = g.groupby("categoria")["monto"].sum().sort_values()
por_mes = g.groupby(g["fecha"].dt.to_period("M"))["monto"].sum()
por_mes.index = por_mes.index.astype(str)       # "2026-09", "2026-10"…

fig, axs = plt.subplots(1, 2, figsize=(12, 4))

axs[0].barh(por_cat.index, por_cat.values, color="#2f6fed")
for i, v in enumerate(por_cat.values):
    axs[0].text(v, i, f" {v:,.0f}", va="center")
axs[0].set_title("Gasto por categoría")

axs[1].plot(por_mes.index, por_mes.values, marker="o")
axs[1].set_ylim(bottom=0)
axs[1].set_title("Gasto por mes")

for ax in axs:
    ax.spines[["top", "right"]].set_visible(False)

fig.tight_layout()
fig.savefig("panel_gastos.png", dpi=150)

Resumen

• Patrón básico: fig, ax = plt.subplots(), dibujar en ax, fig.savefig().
• Líneas para el tiempo, barras (ordenadas) para comparar categorías, barras apiladas para la composición.
• pandas grafica directamente con .plot(kind=...), y los dos estilos se combinan pasando ax=.
• Un panel es una figura con varios ejes: plt.subplots(filas, columnas).
• Barras desde cero, un mensaje por gráfico, pocos colores y nada de 3D.

En la próxima lección obtendrás datos que no vienen en ningún archivo: aprenderás web scraping para extraer información de páginas web con requests y BeautifulSoup, de forma responsable.