# Visualización con Matplotlib & Seaborn (Data Science & ML)

> Figures, axes, subplots, line plots, scatter plots, histogramas, heatmaps, styling, personalización

- 20 preguntas de entrevista
- Mid-Level
- [Preguntas de entrevista: Data Science & ML](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista.md)

## 1. ¿Cuál es la diferencia principal entre la interfaz pyplot y la interfaz orientada a objetos de Matplotlib?

**Respuesta**

La interfaz pyplot (plt.plot, plt.title) es una API estilo MATLAB que gestiona implícitamente las figuras y ejes actuales, conveniente para gráficos simples y rápidos. La interfaz orientada a objetos (fig, ax = plt.subplots()) da control explícito sobre cada elemento (Figure, Axes) y se recomienda para gráficos complejos, múltiples subplots o scripts de producción, ya que hace el código más legible y mantenible.

## 2. ¿Qué método usar para crear una figure con una cuadrícula de 2 filas y 3 columnas de subplots?

**Respuesta**

La función plt.subplots(2, 3) crea una figure que contiene una cuadrícula de 2 filas y 3 columnas de subplots. Retorna una tupla (fig, axes) donde axes es un array NumPy 2D de forma (2, 3) que permite acceder a cada subplot vía axes[row, col]. Este enfoque es la forma más concisa e idiomática de crear cuadrículas regulares de subplots en Matplotlib.

## 3. ¿Cómo mostrar un heatmap de correlación de un DataFrame de Pandas con Seaborn?

**Respuesta**

Para mostrar un heatmap de correlación, primero calcula la matriz de correlación con df.corr(), luego pasa el resultado a sns.heatmap(). La opción annot=True muestra los valores de correlación en cada celda, facilitando la lectura. Esta combinación es el patrón estándar para visualizar correlaciones entre variables numéricas en el análisis exploratorio de datos.

## 17 preguntas más disponibles

- ¿Cuál es el rol del parámetro 'bins' en plt.hist()?
- ¿Cómo compartir el eje Y entre múltiples subplots en la misma fila?

Regístrate gratis: https://sharpskill.dev/es/login

## Otros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-basics.md): 25 preguntas, Junior
- [Programación Orientada a Objetos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-oop.md): 20 preguntas, Junior
- [Estructuras de datos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-data-structures.md): 20 preguntas, Junior
- [Fundamentos de Git](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/git-fundamentals.md): 18 preguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-basics.md): 20 preguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/numpy-fundamentals.md): 22 preguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-basics.md): 22 preguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/jupyter-colab.md): 16 preguntas, Junior
- [SQL Joins y consultas avanzadas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-joins-advanced.md): 22 preguntas, Mid-Level
- [Pandas avanzado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-advanced.md): 24 preguntas, Mid-Level
- [Visualizaciones interactivas con Plotly](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/plotly-interactive.md): 18 preguntas, Mid-Level
- [Estadística descriptiva](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-descriptive.md): 20 preguntas, Mid-Level
- [Estadística inferencial](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-inferential.md): 24 preguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/web-scraping.md): 18 preguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/bigquery-cloud.md): 18 preguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/feature-engineering.md): 22 preguntas, Mid-Level
- [ML Supervisado: Regresión](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-regression.md): 24 preguntas, Mid-Level
- [ML Supervisado: Clasificación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-classification.md): 24 preguntas, Mid-Level
- [Árboles de Decisión y Ensembles](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-trees-ensembles.md): 24 preguntas, Mid-Level
- [ML No Supervisado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-unsupervised.md): 22 preguntas, Mid-Level
- [Pipelines ML y Validación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-pipelines-validation.md): 22 preguntas, Mid-Level
- [Series Temporales y Pronóstico](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/time-series-forecasting.md): 22 preguntas, Mid-Level
- [Fundamentos de Deep Learning](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/deep-learning-fundamentals.md): 24 preguntas, Senior
- [TensorFlow & Keras](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/tensorflow-keras.md): 22 preguntas, Senior
- [CNN y clasificación de imágenes](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/cnn-image-classification.md): 24 preguntas, Senior
- [RNN y Secuencias](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/rnn-sequences.md): 22 preguntas, Senior
- [Transformers y Attention](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/transformers-attention.md): 24 preguntas, Senior
- [NLP y Hugging Face](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/nlp-huggingface.md): 24 preguntas, Senior
- [GenAI y LangChain](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/genai-langchain.md): 24 preguntas, Senior
- [MLOps y Despliegue](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/mlops-deployment.md): 24 preguntas, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/matplotlib-seaborn