Los gráficos basura son representaciones visuales de datos que, debido a un diseño inadecuado o a la inclusión de elementos innecesarios, dificultan la correcta interpretación de la información. En el análisis de datos, los gráficos deben ser claros, concisos y relevantes, pero los gráficos basura suelen incorporar elementos que confunden al espectador, como colores excesivos, imágenes decorativas o distorsiones en las escalas de los ejes; esto afecta a la calidad y precisión de la visualización (Tufte, 2001). Estas visualizaciones no solo desvirtúan los patrones que se desean mostrar, sino que pueden inducir a errores de interpretación, ya que ocultan o exageran las tendencias subyacentes de los datos (Knaflic, 2015).

En este contexto, es importante reconocer que la simplicidad y la claridad son principios claves en la visualización de datos. Un gráfico debe servir como herramienta para descubrir insights, y no para desorientar al usuario con elementos visuales superfluos. La eliminación de estos ‘ruidos visuales’ y la correcta representación de los datos pueden marcar la diferencia entre una visualización efectiva y un gráfico basura (Cleveland, 1993). En consecuencia, al crear gráficos en el análisis de datos, se deben seguir principios como la correcta escala, la eliminación de redundancias y la selección de los tipos adecuados de gráficos –como scatterplots o lineplots– que permiten revelar las relaciones entre los datos sin distracciones (Wilke, 2019).

Hay varios tipos de gráficos basura, uno de ellos es unintended optical art, que se refiere a la aparición de efectos visuales no intencionales, que surgen cuando elementos gráficos o patrones interactúan con la percepción del espectador, generando ilusiones ópticas no deseadas. Este fenómeno ocurre cuando la disposición de colores, formas o estructuras causan distorsiones o efectos visuales inesperados, sin que el diseñador haya planeado específicamente crear una ilusión óptica. Aunque este tipo de arte no es deliberado, puede interferir con la claridad de la visualización, generando confusión y dificultando la correcta interpretación de la información (Knaflic, 2015). En el análisis de datos, los gráficos con unintended optical art pueden actuar como ruido visual, desvirtuando la transmisión efectiva del mensaje que se intenta comunicar (Tufte, 2001). En la Figura 1 se muestra un ejemplo de este tipo de gráfico basura.

Otra forma de crear un gráfico basura es añadiendo líneas innecesarias o un exceso de labels o aclaraciones de texto en los gráficos. Estas cosas, lejos de aportar al entendimiento de la visualización, pueden generar mayor dificultad para que sea entendido e interpretado de manera correcta.

Una tercera forma o tipo de gráfico basura es The Duck, una metáfora utilizada para describir la apariencia superficial y engañosa de un gráfico que, aunque parece ser informativo a simple vista, no ofrece una representación precisa o clara de los datos. Esta expresión se refiere a la discrepancia entre la primera impresión que genera el gráfico (lo que ‘parece un pato’) y la realidad subyacente de la información presentada, lo que puede conducir a interpretaciones erróneas (Tufte, 2001). En otras palabras, un gráfico que inicialmente parece correcto puede, al ser analizado más a fondo, revelar distorsiones, omisiones o manipulaciones que afectan su precisión y utilidad, lo que resalta la importancia de una visualización que sea tanto estéticamente atractiva como fiel a los datos (Knaflic, 2015). En Figura 2 se muestra un ejemplo.

Los minigráficos son representaciones visuales compactas, que permiten mostrar grandes volúmenes de datos de manera eficiente y concisa. Estas pequeñas visualizaciones ofrecen una forma de resumir patrones y tendencias clave –como la evolución temporal o las variaciones en un conjunto de datos– sin sobrecargar al espectador con información innecesaria (Tufte, 2001). Los minigráficos suelen utilizarse en tablas o informes, donde se requiere una visualización rápida pero informativa, proporcionando una visión general sin desentonar con el diseño general del documento (Knaflic, 2015). Al igual que las representaciones gráficas más grandes, los minigráficos deben seguir los principios de claridad y simplicidad, para evitar confusión; su efectividad depende de la elección adecuada de los tipos de gráficos que los componen, como líneas o barras, en función del tipo de datos que se desean mostrar (Wilke, 2019).

Además, la clave de los minigráficos radica en su capacidad para ofrecer un contexto visual inmediato, sin que el espectador tenga que desplazarse por grandes cantidades de información. Esta síntesis visual facilita la comprensión rápida de tendencias y anomalías en los datos (Cleveland, 1993). Sin embargo, como con cualquier tipo de visualización, su diseño debe evitar la sobrecarga de detalles y garantizar que los datos que se muestran sean claros y relevantes, ayudando a los usuarios a tomar decisiones informadas de manera eficiente.

Matplotlib es una biblioteca de visualización de datos en Python, que se utiliza para crear gráficos estáticos, animados e interactivos. Es muy popular en la comunidad de ciencia de datos, debido a su versatilidad y facilidad de uso para generar gráficos de líneas, barras, dispersión, histogramas y muchos más. Permite personalizar todos los aspectos del gráfico, como colores, etiquetas y leyendas; y es compatible con otras bibliotecas, como NumPy y Pandas.

Los orígenes de Matplotlib se remontan a 2003, cuando fue creado por John D. Hunter, un neurocientífico y programador. Hunter quería una herramienta para visualizar datos en Python que fuera más potente y flexible que las opciones existentes en ese momento. Al principio, la biblioteca se desarrolló como una alternativa a MATLAB, que era muy popular en su época, pero no tenía una versión gratuita o de código abierto. Con el tiempo, Matplotlib se convirtió en la biblioteca de visualización estándar en Python, consolidándose como una herramienta clave para el análisis y la presentación de datos en ciencia, ingeniería y matemáticas.

La arquitectura de Matplotlib se estructura en torno a varios componentes claves que facilitan la creación y personalización de gráficos. El componente Figura (Figure) es el contenedor principal, y puede incluir uno o más objetos de tipo Ejes (Axes). La figura representa el lienzo global donde se dibujan los elementos visuales y organiza el espacio para los gráficos, subgráficos, leyendas y otras anotaciones (Hunter, 2007).

Los Ejes (Axes) son los objetos responsables de definir los sistemas de coordenadas y cómo se representan los datos dentro de la figura. Cada gráfico o subgráfico tiene uno o más ejes, que incluyen configuraciones como las escalas de los ejes X e Y, títulos, etiquetas y líneas de rejilla. Los ejes actúan como los ‘espacios de trabajo’ donde se grafican los datos (Hunter, 2007).

Dentro de los ejes, los elementos visuales, como líneas, puntos, barras y textos, son representados por objetos llamados artistas (Artists). Cada artista tiene propiedades ajustables, como color, tamaño y estilo, esto permite personalizar la visualización según las necesidades del usuario (Droettboom et al., 2015).

Finalmente, Canvas es el área de dibujo donde los artistas son renderizados. Canvas está vinculado al backend, que es el sistema responsable de mostrar los gráficos en diferentes plataformas, como en pantallas, o guardarlos en archivos de imagen (Hunter, 2007).

A continuación, se brindan algunos ejemplos que permiten entender el funcionamiento y el uso de Matplotlib.

En la Figura 5 se muestra cómo llamar a la librería de Matplotlib para generar visualizaciones, cómo instanciar un objeto de tipo figure y añadir diferentes series de datos. Finalmente, definimos los valores mínimos y máximos de los ejes x e y, respectivamente.

Scatterplot

Un scatterplot o gráfico de dispersión es una representación gráfica utilizada para mostrar la relación entre dos variables numéricas. Cada punto en el gráfico corresponde a una observación en el conjunto de datos; donde la posición en el eje X representa el valor de una variable y la posición en el eje Y representa el valor de la otra. Los scatterplots son útiles para visualizar patrones, correlaciones o tendencias entre las variables, permitiendo identificar de manera rápida si existe una relación lineal, no lineal o incluso si los datos están dispersos sin una clara relación. También son comúnmente utilizados para detectar posibles outliers o valores atípicos en los datos.

La Figura 6 muestra un ejemplo de creación de scatterplot con Matplotlib. Primero cargamos la librería, posteriormente definimos la lista x e y. Definimos el objeto figure y luego realizamos dos scatterplots en el mismo gráfico, uno para los puntos bajos y el otro para los puntos altos. Finalmente, añadimos algunas configuraciones, como el labeling de x e y, así como el título y las leyendas (los nombres de los dos grupos).

Lineplots

Un lineplot o gráfico de líneas es una visualización que representa la relación entre dos variables numéricas mediante una línea continua que conecta los puntos de datos en el orden en que aparecen. Se usa comúnmente para mostrar tendencias a lo largo del tiempo, como series temporales, y permite identificar patrones como aumentos, disminuciones o fluctuaciones en los datos. Los lineplots son especialmente útiles cuando se desea analizar la evolución de una variable dependiente en función de una variable independiente, como el cambio de precios a lo largo de los meses o la variación de temperatura en diferentes días.

En la Figura 7 tenemos un gráfico de líneas que se ejecuta con la función plot de Matplotlib, primero cargamos las librerías, luego generamos los datos con numpy. Posteriormente, creamos la instancia figura y hacemos el plot (en este caso solo le damos la coordenada y dado que plt.plot reconoce a el índice de las series como coordenada x).

En la Figura 8 se puede apreciar que añadimos como coordenadas x valores de fechas usando la función de Pandas to_datetime; adicionalmente, aplicamos la función map y, posteriormente, lo convertimos en un objeto lista, para que se puede usar en el gráfico. Finalmente, rotamos los valores de fechas usando plt.gca().xaxis y obteniendo cada uno de los labels,

Barcharts

Un barchart o gráfico de barras es una representación visual utilizada para comparar valores de diferentes categorías. Consiste en barras rectangulares, cuya altura (en gráficos verticales) o longitud (en gráficos horizontales) es proporcional al valor que representan. Se emplea comúnmente para visualizar distribuciones, comparar cantidades y mostrar datos categóricos, como ventas por producto o población por país. Los barcharts permiten identificar rápidamente diferencias entre grupos, tendencias y patrones en los datos, facilitando el análisis y la toma de decisiones.

En la Figura 9 se muestra un ejemplo de barchart en el que, al igual que los casos anteriores, importamos las librerías e instanciamos el plt.figure, así como definimos los datos de entrada. Finalmente, graficamos las dos series de datos con dos plt.bar, eso hace que las dos visualizaciones se puedan apreciar en el mismo gráfico.

Finalmente, en la Figura 10 se muestra un ejemplo de barchart horizontal. El objeto que usamos es plt.barh; cambiando ciertos parámetros, tal y como se indica en la imagen, obtenemos las barras horizontales.

En machine learning, la eliminación de ruido en un gráfico es fundamental para mejorar la interpretación de los datos y optimizar modelos predictivos. A continuación, se presentan varias estrategias para reducir el ruido en gráficos utilizando diferentes técnicas de procesamiento y filtrado de datos.

Uno de los enfoques más comunes es el uso de suavizado de datos, mediante técnicas como el método de media móvil, donde cada punto en el gráfico se reemplaza con el promedio de un subconjunto de valores vecinos. Esto ayuda a reducir fluctuaciones aleatorias y a resaltar tendencias en los datos (Brownlee, 2018). Otro método es el suavizado exponencial, que asigna pesos decrecientes a los valores históricos, permitiendo reducir la influencia de valores atípicos y enfatizar la información más reciente (Hyndman & Athanasopoulos, 2018).

Desde la perspectiva de preprocesamiento de datos en machine learning, los algoritmos de filtrado de ruido, como el filtro de mediana, son efectivos para eliminar valores atípicos y preservar bordes en señales o imágenes. Este método reemplaza cada punto con la mediana de los valores vecinos, reduciendo el impacto del ruido impulsivo en gráficos de datos discretos (Gonzalez & Woods, 2018). Además, técnicas como el filtrado gaussiano suavizan los datos aplicando una convolución con una función gaussiana, eliminando fluctuaciones aleatorias sin afectar demasiado a la estructura subyacente (Goodfellow et al., 2016).

Otro enfoque relevante en machine learning es la reducción de dimensionalidad, que permite eliminar ruido y preservar solo las características más importantes de los datos. Métodos como el Análisis de Componentes Principales (PCA) transforman los datos en un nuevo espacio de menor dimensión, eliminando redundancias y filtrando información irrelevante (Jolliffe & Cadima, 2016). De manera similar, los autoencoders basados en redes neuronales pueden aprender representaciones comprimidas de los datos, eliminando ruido al reconstruir la información más relevante (Goodfellow et al., 2016).

En el caso de gráficos de series temporales, se pueden aplicar modelos de machine learning robustos, como los modelos ARIMA y Prophet, que identifican tendencias y patrones eliminando variaciones aleatorias no significativas (Hyndman & Athanasopoulos, 2018). Además, técnicas de detección y eliminación de outliers, como el uso de métodos estadísticos (z-score, IQR) o algoritmos como Isolation Forest y DBSCAN, pueden ayudar a limpiar los datos antes de visualizarlos, mejorando la calidad del gráfico y la interpretación del modelo (Liu et al., 2008).

En conclusión, la eliminación de ruido en gráficos dentro del contexto de machine learning es esencial para mejorar la interpretación de los datos y la precisión de los modelos. Técnicas como el suavizado de datos, filtrado de ruido, reducción de dimensionalidad y detección de outliers permiten obtener representaciones más claras y confiables, optimizando tanto la visualización como el análisis predictivo.

Mejores prácticas en visualización

Scatterplots: se utilizan para analizar la relación entre dos variables numéricas.

Usar colores y transparencia (alpha)

• Si hay muchos puntos superpuestos, aplicar alpha=0,5 o menor, para mejorar la visibilidad.
• Usar una escala de colores (cmap) si hay una variable numérica adicional.

Añadir etiquetas y títulos claros

• Usar plt.xlabel(), plt.ylabel() y plt.title() para contextualizar la visualización.

Ajustar el tamaño de los puntos según la importancia

• Si se quiere resaltar ciertos puntos, cambiar su tamaño con s=, basado en otra variable.

Agregar líneas de tendencia si es relevante

• Utilizar numpy.polyfit() o sns.regplot() de Seaborn para mostrar tendencias.

Evitar sobrecargar con demasiados datos

• Si hay millones de puntos, considerar técnicas de muestreo para mejorar la legibilidad.

Barcharts: se usan para comparar valores categóricos.

Ordenar las barras de mayor a menor

• Ayuda a interpretar mejor la información.

Evitar el uso excesivo de colores

• Un solo color con variaciones de tonalidad es más limpio visualmente.

Etiquetar las barras cuando sea necesario

• Añadir valores en las barras con plt.text() puede mejorar la interpretación.

Usar barh() para gráficos horizontales si los nombres son largos

• Mejora la legibilidad de etiquetas largas.

Agregar márgenes adecuados

• Evitar que las barras queden pegadas a los límites del gráfico (plt.ylim() o plt.xlim()).

Linecharts: son ideales para representar tendencias a lo largo del tiempo.

Usar líneas suaves y colores adecuados

• Evitar líneas gruesas o colores que dificulten la lectura.
• Se recomienda linewidth=2 y colores de alta visibilidad.

Agregar puntos en los datos clave (marker)

• Mejora la interpretación de tendencias (marker='o').

Manejar correctamente las escalas de tiempo en ejes X

• Si la variable en X representa fechas, usar plt.xticks(rotation=45).

Evitar conectar puntos con valores faltantes

• Se pueden interpolar los valores o usar np.nan para evitar uniones incorrectas.

Agregar líneas de referencia horizontales o verticales si es necesario

• Usar plt.axhline() o plt.axvline() para resaltar valores críticos.