Heatmap

Gráfico (Gráfica de pendiente) propuesto por Edward Tufte que muestra cómo cambian varias entidades entre dos puntos de comparación (por ejemplo, dos años, dos categorías o dos valores). Cada entidad se representa con una línea que conecta su valor inicial y su valor final.

Cuándo utilizar un slopegraph

1. Comparaciones “antes y después”

2. Cambios en el ranking o jerarquía

3. Magnitud relativa del cambio

4. Posicionamiento relativo entre dos variables

5. Variaciones con múltiples dimensiones

6. Identificación de desviaciones en la tendencia

Errores comunes

1. Comparaciones sin relación lógica
   No es adecuado cuando los dos puntos comparados no tienen un vínculo significativo, ya que se pueden generar correlaciones engañosas.

2. Ausencia de tendencia clara
   Si los valores no muestran un patrón evidente, el gráfico se llena de líneas cruzadas y pierde legibilidad.

3. Cuando la serie completa es relevante
   Si lo importante son las fluctuaciones intermedias, conviene usar gráficos de líneas o de áreas en lugar de un slopegraph.

Ventajas

• Claridad y minimalismo: elimina elementos innecesarios y se centra en la comparación esencial.
  
• Flexibilidad en el eje Y: no requiere iniciar en cero, lo que facilita hacer “zoom” en los datos.
  
• Fácil interpretación: incluso por públicos sin formación en visualización de datos.
  
• Limitar el número de entidades para evitar un gráfico saturado.
  
• Resaltar solo las entidades clave y dejar las demás en gris.
  
• Utilizar paletas divergentes (verde para aumentos, rojo para descensos).
  
• Agrupar categorías mediante un color común.
  
• Etiquetas claras en ambos extremos: incluir tanto el nombre como el valor en los dos lados del gráfico, asegurando buena legibilidad.

Dataset: Precios Agroindustria de Cacao (2012 - 2025)

Archivo: MAG_PreciosAgroindustriaCacao_2025Junio.csv
Fuente: Ministerio de Agricultura y Ganadería (MAG), Ecuador
Última actualización: Junio 2025

import pandas as pd
df = pd.read_csv("mag_preciosagroindustriacacao_2025junio.csv", sep=";")
print(df.head())
print(df.info())

   PACC_ANIO PACC_MES DPA_PROVINCIA DPA_CANTON        PACC_PRODUCTO  \
0       2012    Enero        El Oro  Arenillas  Cacao seco mezclado   
1       2012    Enero        El Oro  Arenillas  Cacao seco mezclado   
2       2012    Enero        El Oro   El Guabo  Cacao seco mezclado   
3       2012    Enero        El Oro   El Guabo  Cacao seco mezclado   
4       2012    Enero        El Oro    Machala  Cacao seco mezclado   

          PACC_PRESENTACION PACC_TIPO  PACC_PRECIO_USD  PACC_USD_KG  
0  Quintal de 100,00 libras    Compra            71.41         1.57  
1  Quintal de 100,00 libras     Venta            74.06         1.63  
2  Quintal de 100,00 libras    Compra            73.75         1.63  
3  Quintal de 100,00 libras     Venta            84.00         1.85  
4  Quintal de 100,00 libras    Compra            75.00         1.65  
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 26246 entries, 0 to 26245
Data columns (total 9 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   PACC_ANIO          26246 non-null  int64  
 1   PACC_MES           26246 non-null  object 
 2   DPA_PROVINCIA      26246 non-null  object 
 3   DPA_CANTON         26246 non-null  object 
 4   PACC_PRODUCTO      26246 non-null  object 
 5   PACC_PRESENTACION  26246 non-null  object 
 6   PACC_TIPO          26246 non-null  object 
 7   PACC_PRECIO_USD    26246 non-null  float64
 8   PACC_USD_KG        26246 non-null  float64
dtypes: float64(2), int64(1), object(6)
memory usage: 1.8+ MB
None

import altair as alt

df = df[df['PACC_ANIO'].isin([2015, 2025])].dropna(subset=['PACC_PRECIO_USD'])

df_group = (
    df.groupby(["PACC_ANIO", "DPA_PROVINCIA"], as_index=False)["PACC_PRECIO_USD"]
    .mean()
    .round(2)
)


df_wide = df_group.pivot(
    index="DPA_PROVINCIA",
    columns="PACC_ANIO",
    values="PACC_PRECIO_USD"
).reset_index()


# Cambio de formato para mejor visualizacion
df_long = df_wide.melt(
    id_vars="DPA_PROVINCIA",
    value_vars=[2015, 2025],
    var_name="Año",
    value_name="Precio"
)

# graficar
chart = (
    alt.Chart(df_long)
    .mark_line(point=True)
    .encode(
        x=alt.X("Año:N", title="Año", axis=alt.Axis(labelAngle=0, grid=False)),
        y=alt.Y("Precio:Q", axis=None),  # eliminamos el eje Y
        color=alt.Color("DPA_PROVINCIA:N", title="Provincia"),
        detail="DPA_PROVINCIA:N",
        tooltip=["Año", "DPA_PROVINCIA", "Precio"]
    )
    .properties(width=600, height=400)
)

chart

c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.
c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.

import altair as alt

# --- Filtrar y agrupar ---
df = df[df['PACC_ANIO'].isin([2015, 2025])].dropna(subset=['PACC_PRECIO_USD'])

df_group = (
    df.groupby(["PACC_ANIO", "DPA_PROVINCIA"], as_index=False)["PACC_PRECIO_USD"]
    .mean()
    .round(2)
)

df_wide = df_group.pivot(
    index="DPA_PROVINCIA",
    columns="PACC_ANIO",
    values="PACC_PRECIO_USD"
).reset_index()

# Formato largo
df_long = df_wide.melt(
    id_vars="DPA_PROVINCIA",
    value_vars=[2015, 2025],
    var_name="Año",
    value_name="Precio"
)

# --- Gráfico principal ---
base = alt.Chart(df_long).encode(
    x=alt.X("Año:N", title="Año", axis=alt.Axis(labelAngle=0, grid=False)),
    y=alt.Y("Precio:Q", axis=None),
    color=alt.Color("DPA_PROVINCIA:N", legend=None),  # sin leyenda
    detail="DPA_PROVINCIA:N",
    tooltip=["Año", "DPA_PROVINCIA", "Precio"]
)

# Líneas + puntos
lines = base.mark_line(point=True)

# Etiquetas con nombre de provincia
labels = base.mark_text(
    align="left", dx=5, dy=-5, size=10
).encode(
    text="DPA_PROVINCIA"
)

# Combinar
chart = (lines + labels).properties(width=600, height=400)

chart

c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.
c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.

import altair as alt

# --- Filtrar y agrupar ---
df = df[df['PACC_ANIO'].isin([2015, 2025])].dropna(subset=['PACC_PRECIO_USD','PACC_ANIO'])


df_group = (
    df.groupby(["PACC_ANIO", "DPA_PROVINCIA"], as_index=False)["PACC_PRECIO_USD"]
    .mean()
    .round(2)
)


df_wide = df_group.pivot(
    index="DPA_PROVINCIA",
    columns="PACC_ANIO",
    values="PACC_PRECIO_USD"
).reset_index()

# Formato largo
df_long = df_wide.melt(
    id_vars="DPA_PROVINCIA",
    value_vars=[2015, 2025],
    var_name="Año",
    value_name="Precio"
)

# --- Gráfico base (con propiedades de tamaño) ---
base = alt.Chart(df_long).mark_line(point=True).encode(
    x=alt.X("Año:N", title="Año", axis=alt.Axis(labelAngle=0, grid=False)),
    y=alt.Y("Precio:Q", title="Precio promedio (USD)"),
    color=alt.Color("DPA_PROVINCIA:N", legend=None),
    detail="DPA_PROVINCIA:N",
    tooltip=["Año", "DPA_PROVINCIA", "Precio"]
).properties(
    width=200,
    height=150
)

# --- Facet: cada provincia un slopegraph ---
chart = base.facet(
    facet="DPA_PROVINCIA:N",
    columns=3
)

chart

c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.
c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.

Utilizacion de Plotnine

Plotnine es un paquete de visualización de datos en Python basado en la gramática de gráficos, un sistema coherente para describir y construir gráficos. Su sintaxis es similar a ggplot2 de R, lo que facilita crear visualizaciones complejas y reproducibles. Con un flujo de trabajo típico, permite explorar y comunicar datos, como se ejemplifica en Anscombe’s Quartet, destacando la importancia de visualizar más allá de las estadísticas descriptivas.

plotnine.org

#Instalacion
#pip install plotnine

import pandas as pd
import altair as alt

# --- 1. Filtrar años y eliminar nulos ---
df = df[df['PACC_ANIO'].isin([2015, 2025])].dropna(subset=['PACC_PRECIO_USD'])

# --- 2. Agrupación y media ---
df_group = (
    df.groupby(["PACC_ANIO", "DPA_PROVINCIA"], as_index=False)["PACC_PRECIO_USD"]
    .mean()
    .round(2)
)

# --- 3. Pivotear a formato ancho ---
df_wide = df_group.pivot(
    index="DPA_PROVINCIA",
    columns="PACC_ANIO",
    values="PACC_PRECIO_USD"
).reset_index()

df_wide.columns.name = None  # quitar nombre del índice de columnas

# --- 4. Convertir a formato largo para Altair ---
df_long = df_wide.melt(
    id_vars="DPA_PROVINCIA",
    value_vars=[2015, 2025],
    var_name="Año",
    value_name="Precio"
)

# --- 5. Graficar slopegraph clásico ---
chart = (
    alt.Chart(df_long)
    .mark_line(point=True)
    .encode(
        x=alt.X("Año:N", title="Año", axis=alt.Axis(labelAngle=0, grid=False)),
        y=alt.Y("Precio:Q", axis=None),  # eliminamos el eje Y
        color=alt.Color("DPA_PROVINCIA:N", title="Provincia"),
        detail="DPA_PROVINCIA:N",
        tooltip=["Año", "DPA_PROVINCIA", "Precio"]
    )
    .properties(width=600, height=400)
)

chart

c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.
c:\Users\meagu\anaconda3\Lib\site-packages\altair\utils\core.py:395: FutureWarning: the convert_dtype parameter is deprecated and will be removed in a future version.  Do ``ser.astype(object).apply()`` instead if you want ``convert_dtype=False``.

Plotnine es un paquete de visualización de datos en Python basado en la gramática de gráficos, un sistema coherente para describir y construir gráficos. Su sintaxis es similar a ggplot2 de R, lo que facilita crear visualizaciones complejas y reproducibles. Con un flujo de trabajo típico, permite explorar y comunicar datos, como se ejemplifica en Anscombe’s Quartet, destacando la importancia de visualizar más allá de las estadísticas descriptivas.
plotnine.org

from plotnine import (
    ggplot, aes, geom_text, geom_point, geom_segment, annotate,
    lims, scale_y_reverse, theme_void, theme
)

# --- Filtrar y agrupar ---
df = df[df['PACC_ANIO'].isin([2015, 2025])].dropna(subset=['PACC_PRECIO_USD'])

df_group = (
    df.groupby(["PACC_ANIO", "DPA_PROVINCIA"], as_index=False)["PACC_PRECIO_USD"]
    .mean()
    .round(2)
)

# --- Eliminar provincias que no tienen ambos años ---
valid_provincias = (
    df_group.groupby("DPA_PROVINCIA")["PACC_ANIO"]
    .nunique()
    .reset_index()
)
valid_provincias = valid_provincias[valid_provincias["PACC_ANIO"] == 2]["DPA_PROVINCIA"]
df_group = df_group[df_group["DPA_PROVINCIA"].isin(valid_provincias)]

# --- Calcular ranking por año ---
df_group['Rank'] = df_group.groupby("PACC_ANIO")["PACC_PRECIO_USD"].rank(
    method="first", ascending=False
)

# --- Pivotear a formato wide ---
df_wide = df_group.pivot(
    index="DPA_PROVINCIA",
    columns="PACC_ANIO",
    values="Rank"
).reset_index()

# Renombrar columnas
df_wide = df_wide.rename(columns={2015: "rank2015", 2025: "rank2025"})

# Colores para etiquetas
black1 = "#252525"
black2 = "#222222"

# --- Gráfico slopegraph ---
plot = (
    ggplot(df_wide)
    # Etiquetas izquierda (2015)
    + geom_text(
        aes(x=1, y="rank2015", label="DPA_PROVINCIA", color="DPA_PROVINCIA"),
        nudge_x=-0.05,
        ha="right",
        size=8,
    )
    # Etiquetas derecha (2025)
    + geom_text(
        aes(x=2, y="rank2025", label="DPA_PROVINCIA", color="DPA_PROVINCIA"),
        nudge_x=0.05,
        ha="left",
        size=8,
    )
    # Puntos en 2015
    + geom_point(aes(x=1, y="rank2015", color="DPA_PROVINCIA"), size=2.5, alpha=0.8)
    # Puntos en 2025
    + geom_point(aes(x=2, y="rank2025", color="DPA_PROVINCIA"), size=2.5, alpha=0.8)
    # Segmentos que conectan
    + geom_segment(
        aes(x=1, y="rank2015", xend=2, yend="rank2025", color="DPA_PROVINCIA"),
        alpha=0.7
    )
    # Títulos de columnas
    + annotate(
        "text", x=1, y=0, label="2015",
        fontweight="bold", ha="right", size=10, color=black2
    )
    + annotate(
        "text", x=2, y=0, label="2025",
        fontweight="bold", ha="left", size=10, color=black2
    )
    # Margen horizontal
    + lims(x=(0.35, 2.65))
    # Invertir ranking (mejor arriba)
    + scale_y_reverse()
    # Quitar decoraciones
    + theme_void()
    # Ajustes finales
    + theme(figure_size=(8, 11), legend_position="none")
    + labs(title=" Ranking  porvincias del Ecuadro del precio del Cacao")
)

# Mostrar gráfico en notebook
plot.draw()