Aprendiendo a crear gráficos de alta calidad para artículos de investigación.
Desde cero, con herramientas open source, paso a paso.
Repositorio de aprendizaje progresivo en visualización científica de datos,
Este repositorio documenta mi proceso de aprendizaje en la creación de gráficos científicos de alta calidad para artículos de investigación. El objetivo es desarrollar habilidades en visualización estadística y publicación académica utilizando exclusivamente herramientas open source.
Estado actual: En progreso activo
Nivel en GraphMaster: Nv. 4 → en avance
Módulos completados: Módulo 1 — Fundamentos ✅
scientific-graphics/
│
├── modulo_1_fundamentos/
│ ├── leccion_1_por_que_graficos/
│ │ └── notas.md
│ ├── leccion_2_herramientas/
│ │ ├── verificar_entorno.py ← primer script ejecutado
│ │ └── notas.md
│ └── leccion_3_barras/
│ ├── grafico_barras.py
│ ├── figura1_barplot.pdf
│ └── notas.md
│
├── modulo_2_bioestadistica/
│ ├── leccion_4_boxplot/
│ ├── leccion_5_dispersion/
│ └── leccion_6_ic95/
│
├── modulo_3_graficos_avanzados/
│ ├── leccion_7_kaplan_meier/
│ └── leccion_8_heatmap/
│
├── modulo_4_publicacion/
│ ├── leccion_9_calidad_300dpi/
│ └── leccion_10_pipeline_completo/
│
├── figures/ ← figuras finales exportadas en PDF/TIFF
├── data/ ← datasets de ejemplo usados en los scripts
├── master_config.py ← configuración global rcParams para todos los scripts
└── README.md
| Herramienta | Versión | Uso |
|---|---|---|
| Python | 3.x (Anaconda) | Lenguaje principal |
| Matplotlib | 3.10.6 | Motor de gráficos base |
| Seaborn | 0.13.2 | Gráficos estadísticos elegantes |
| Pandas | 2.3.3 | Manejo de datos tabulares |
| NumPy | 2.3.5 | Cálculo numérico |
| SciPy | 1.16.3 | Pruebas estadísticas |
| Jupyter Notebook | — | Entorno de trabajo interactivo |
| Anaconda | — | Gestión del entorno |
Las versiones corresponden a la instalación verificada el 14/05/2026 en el terminal de Jupyter Notebook (ver imagen de verificación).
# Opción 1 — Instalar con pip (dentro de Jupyter terminal)
pip install matplotlib seaborn pandas numpy scipy
# Opción 2 — Todas las librerías ya vienen incluidas con Anaconda
# Descargar en: https://anaconda.com/download# verificar_entorno.py
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
print("✓ Todo listo para hacer ciencia!")| Lección | Tema | Archivo | Estado |
|---|---|---|---|
| 1 | ¿Por qué los gráficos importan en ciencia? | notas.md |
✅ |
| 2 | Herramientas: Python, Matplotlib, Seaborn | verificar_entorno.py |
✅ |
| 3 | Primer gráfico de barras científico | grafico_barras.py |
✅ |
| Lección | Tema | Estado |
|---|---|---|
| 4 | Boxplot: la caja que lo dice todo | ✅ |
| 5 | Gráfico de dispersión y correlación | 🔒 |
| 6 | Barras de error e IC 95% | 🔒 |
| Lección | Tema | Estado |
|---|---|---|
| 7 | Curva de Kaplan-Meier (supervivencia) | 🔒 |
| 8 | Heatmap y matrices de correlación | 🔒 |
| Lección | Tema | Estado |
|---|---|---|
| 9 | Calidad para journals: 300 DPI, formatos | 🔒 |
| 10 | Flujo completo: del dato a la figura publicable | 🔒 |
| Gráfico | Uso ideal | Herramienta |
|---|---|---|
| Barras + error bars | Comparar grupos independientes | plt.bar() |
| Boxplot | Mostrar distribución completa | sns.boxplot() |
| Scatter + regresión | Correlación entre dos variables continuas | sns.regplot() |
| Kaplan-Meier | Análisis de supervivencia | lifelines |
| Heatmap | Matriz de correlaciones multivariable | sns.heatmap() |
| Métrica | Fórmula | Cuándo usar |
|---|---|---|
| SD | √(Σ(x−x̄)²/n−1) | Describir variabilidad de la muestra |
| SEM | SD / √n | Precisión del estimador de la media |
| IC 95% | x̄ ± 1.96 × SEM | Inferencia — preferido por Nature, Cell, NEJM |
⚠️ Siempre especificar en la leyenda qué representan las barras de error.
# master_config.py — configuración global para todos los scripts
import matplotlib as mpl
mpl.rcParams.update({
'font.family': 'Arial',
'font.size': 10,
'axes.titlesize': 11,
'axes.labelsize': 10,
'xtick.labelsize': 9,
'ytick.labelsize': 9,
'legend.fontsize': 9,
'axes.linewidth': 0.8,
'lines.linewidth': 1.5,
'figure.dpi': 150, # pantalla
'savefig.dpi': 300, # guardado — mínimo para journals
'savefig.format': 'pdf',
'savefig.bbox': 'tight',
'savefig.transparent': False,
})
# Tamaños estándar (en pulgadas)
UNA_COLUMNA = (3.35, 2.50) # 8.5 cm — journals de 1 columna
DOS_COLUMNAS = (7.00, 4.50) # 17.8 cm — journals de 2 columnas
PANORAMICO = (7.00, 3.00) # figura ancha y baja- Todos los ejes tienen etiqueta con unidades
- Título comienza con "Figura N."
- La leyenda especifica qué representan las barras de error
- Paleta de colores apta para daltónicos (colorblind-safe)
- La figura funciona en escala de grises
- Guardada en PDF o TIFF a ≥ 300 DPI
- Tamaño apropiado para el layout de la revista (1 o 2 columnas)
- Tipografía ≥ 8 pt en todo el gráfico
- El n por grupo está especificado en leyenda o título
datos_brutos.csv
│
▼
1. Cargar con pandas → pd.read_csv('datos.csv')
│
▼
2. Explorar y limpiar → df.describe(), df.isnull().sum()
│
▼
3. Análisis estadístico → scipy.stats (t-test, ANOVA, Pearson...)
│
▼
4. Crear figura → matplotlib + seaborn + rcParams global
│
▼
5. Checklist pre-publicación
│
▼
6. Exportar → plt.savefig('FigN_descripcion.pdf', dpi=300)
- Matplotlib documentation
- Seaborn documentation
- Lifelines — análisis de supervivencia
- SciPy stats
- ColorBrewer — paletas científicas
- Nature — guía de figuras
Módulo 1 ████████████████████ 100% ✅
Módulo 2 █████░░░░░░░░░░░░░░░ 30% ⌚
Módulo 3 ░░░░░░░░░░░░░░░░░░░░ 0% 🔒
Módulo 4 ░░░░░░░░░░░░░░░░░░░░ 0% 🔒
XP total acumulado: 290 / 1440
Este README se actualiza con cada módulo completado.
Este repositorio es parte de mi plan de fortalecimiento como investigador con miras a la publicación de artículos en journals indexados. Los scripts aquí documentados son completamente reproducibles y están comentados línea por línea para facilitar la comprensión y reutilización.
Última actualización: Mayo 2026
Rubén López Hernández | ORCID: 0009-0000-5643-5909