data-visualization

Descripción general

Qué hace esta skill

La skill data-visualization es una guía enfocada en convertir datos en bruto en gráficos claros y eficaces. Te ayuda a:

• Elegir el tipo de gráfico correcto (barras, líneas, dispersión, mapa de calor y más)
• Aplicar teoría básica del color para visualizaciones legibles y accesibles
• Configurar ejes, escalas y etiquetas para que los números sean fáciles de interpretar
• Anotar puntos clave para que tu audiencia entienda la historia rápidamente

Está construida alrededor de flujos de trabajo concretos y reproducibles usando Python y matplotlib a través del CLI de inference.sh. Los ejemplos muestran cómo pasar de datos tabulares (como CSV o hojas de cálculo) a imágenes listas para producción que puedes insertar en dashboards, informes o presentaciones.

A quién va dirigida

Usa la skill data-visualization si eres:

• Un analista de datos que necesita gráficos consistentes y defendibles para los stakeholders
• Un científico de datos que quiere gráficos rápidos basados en matplotlib para experimentación o reporting
• Un responsable de producto u operaciones que convierte exports de Google Sheets o CSV en gráficos
• Cualquier persona que prepara presentaciones, dashboards internos o vistas ligeras de BI

Se centra en la comunicación analítica, no en componentes de UI personalizados ni en dashboards web complejos. Si principalmente necesitas librerías de visualización de front‑end pulidas (por ejemplo, gráficos personalizados basados en D3.js), esta skill es más una referencia de diseño y flujo de trabajo que una implementación completa.

Qué problemas resuelve

La skill está diseñada para abordar puntos de dolor habituales:

• Elección poco clara de gráficos: te ayuda a decidir cuándo usar barras, líneas, dispersión o mapas de calor, y cuándo evitar los gráficos de pastel.
• Ejes y escalas confusos: ofrece reglas para rangos de ejes, espaciado de ticks y cómo evitar visuales engañosos.
• Uso deficiente del color: explica cómo usar el color con moderación para enfatizar y mantener contraste y accesibilidad.
• Etiquetas difíciles de leer: muestra cómo titular gráficos, etiquetar ejes y anotar puntos de datos para que el mensaje principal sea evidente.
• Flujos de trabajo desconectados: demuestra cómo integrar la visualización en un flujo CLI/Python para regenerar gráficos automáticamente a medida que los datos se actualizan.

Si necesitas convertir con regularidad datos de hojas de cálculo o CSV en imágenes limpias y reutilizables para presentaciones o informes, data-visualization te proporciona un patrón repetible.

Cómo usarla

1. Instalar la skill data-visualization

Para añadir la skill data-visualization a tu entorno mediante el skills CLI, ejecuta:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Esto incorpora la definición de la skill y la guía desde el repositorio inferen-sh/skills, en guides/design/data-visualization.

Tras la instalación, puedes explorar los archivos directamente en tu herramienta compatible con skills o vía GitHub:

• Entrada de la skill: SKILL.md
• Ruta de la guía: guides/design/data-visualization/

2. Configurar el CLI de inference.sh (requerido para los ejemplos de código)

El flujo de trabajo de inicio rápido de esta skill usa el CLI de inference.sh (infsh) para ejecutar Python y generar gráficos con matplotlib.

Sigue las instrucciones de instalación del CLI referenciadas en la skill:

1. Abre la guía de instalación del CLI en:
   • https://raw.githubusercontent.com/inference-sh/skills/refs/heads/main/cli-install.md
2. Instala el CLI infsh para tu plataforma.
3. Autentícate:

infsh login

Una vez que infsh esté instalado y hayas iniciado sesión, podrás ejecutar las aplicaciones de ejemplo que usa la skill data-visualization.

3. Generar un gráfico con Python y matplotlib

El flujo de trabajo central consiste en enviar un pequeño script de Python a una app de infsh que ejecuta matplotlib y guarda una imagen. La skill proporciona un ejemplo listo para usar que crea un gráfico de barras de ingresos mensuales:

infsh app run infsh/python-executor --input '{
  "code": "import matplotlib.pyplot as plt\nimport matplotlib\nmatplotlib.use(\"Agg\")\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\"]\nrevenue = [42, 48, 55, 61, 72, 89]\n\nfig, ax = plt.subplots(figsize=(10, 6))\nax.bar(months, revenue, color=\"#3b82f6\", width=0.6)\nax.set_ylabel(\"Revenue ($K)\")\nax.set_title(\"Monthly Revenue Growth\", fontweight=\"bold\")\nfor i, v in enumerate(revenue):\n    ax.text(i, v + 1, f\"${v}K\", ha=\"center\", fontweight=\"bold\")\nplt.tight_layout()\nplt.savefig(\"revenue.png\", dpi=150)\nprint(\"Saved\")"
}'

Este script demuestra varias buenas prácticas que promueve la skill:

• Usar un gráfico de barras para valores mensuales discretos
• Aplicar un color consistente y de alto contraste en las barras
• Etiquetado claro de ejes (Revenue ($K)) y un título descriptivo en negritas
• Anotaciones sencillas sobre cada barra para que los valores se lean de un vistazo

Después de ejecutar el comando, tendrás un archivo revenue.png que puedes:

• Insertar en presentaciones
• Adjuntar a informes por email
• Publicar en dashboards internos

Puedes adaptar este patrón a otros tipos de gráficos (líneas, dispersión, mapa de calor) cambiando el código Python, manteniendo las reglas sobre elección de gráfico, etiquetado y color.

4. Aplicar la guía de selección de gráficos a tus propios datos

Dentro del contenido de la skill data-visualization encontrarás una Chart Selection Guide, incluida una sección titulada Which Chart for Which Data?. Esta guía te ayuda a conectar tus datos y tus preguntas con el tipo de gráfico adecuado, por ejemplo:

• Comparar categorías a lo largo del tiempo → gráficos de líneas o de barras agrupadas
• Comparar categorías en un único momento → gráficos de barras
• Relación entre dos variables numéricas → scatter plot
• Mostrar intensidad a lo largo de dos dimensiones (por ejemplo, tiempo vs categoría) → heatmap

Usa esta guía para decidir cómo visualizar:

• Exports CSV de herramientas de analytics (por ejemplo, sesiones por día, ingresos por canal)
• Tablas en hojas de cálculo, como resultados de tests A/B o respuestas de encuestas
• Datos preparados vía Python o SQL, cuando necesitas un gráfico final en imagen para un informe

Combina la guía de selección con el flujo de trabajo Python/matplotlib anterior para generar imágenes de forma programática en lugar de construir cada gráfico manualmente en una interfaz gráfica.

5. Integrarla en tus flujos de informes y presentaciones

Una vez que tengas la skill instalada y un pipeline de infsh funcionando, puedes:

• Automatizar gráficos recurrentes: envolver la llamada infsh app run en un script que obtenga datos CSV actualizados, revise el código de Python (o las variables de datos) y guarde nuevos archivos PNG.
• Estandarizar el estilo visual: reutilizar los mismos colores, tipografías y convenciones de diseño en varios gráficos para mantener coherentes dashboards y presentaciones.
• Exportar para presentaciones: insertar los PNG generados en PowerPoint, Keynote, Google Slides o dashboards web.

La skill data-visualization es especialmente útil cuando quieres un flujo repetible, basado en línea de comandos o Python, que lleve tus datos de hojas de cálculo o CSV hasta gráficos listos para publicación.

6. Archivos que debes revisar primero

Después de la instalación, revisa estos archivos clave para sacar el máximo partido a la skill:

• SKILL.md: descripción general de la skill, comando de inicio rápido y contexto.
• guides/design/data-visualization/: reglas detalladas sobre tipos de gráficos, ejes, elección de color y anotaciones.

Utilízalos como checklist al diseñar nuevos gráficos o al refactorizar dashboards existentes.

Cuándo esta skill es adecuada y cuándo no

Usa la skill data-visualization cuando:

• Trabajas principalmente con datos tabulares (CSV, hojas de cálculo, exports de SQL).
• Quieres estandarizar la calidad de los gráficos en informes y presentaciones.
• Te sientes cómodo ejecutando comandos de CLI y fragmentos básicos de Python/matplotlib.

Esta skill es menos adecuada cuando:

• Necesitas una librería de visualización en JavaScript para gráficos web interactivos avanzados (por ejemplo, proyectos complejos con D3.js).
• Estás construyendo una plataforma de BI pesada y necesitas un software de dashboards completo más que una guía de diseño de gráficos.
• No usas inference.sh o no quieres un flujo de trabajo basado en CLI; en ese caso, puedes seguir usando las guías conceptuales (selección de gráficos, color, anotaciones), pero tendrás que adaptarlas a tus propias herramientas.

Preguntas frecuentes (FAQ)

¿Cómo instalo la skill data-visualization?

Instálala con el skills CLI:

npx skills add https://github.com/inferen-sh/skills --skill data-visualization

Esto añade la guía data-visualization desde el repositorio inferen-sh/skills a tu entorno para que puedas consultar sus reglas de selección de gráficos y visualización.

¿Necesito el CLI de inference.sh para usar esta skill?

Para ejecutar los ejemplos de Python/matplotlib tal como vienen, necesitas el CLI infsh. El inicio rápido de la skill indica explícitamente este requisito y enlaza a las instrucciones de instalación del CLI. Si prefieres otras herramientas (por ejemplo, ejecutar Python en local, Jupyter u otro entorno), puedes seguir usando la parte conceptual (selección de gráficos, teoría del color, anotaciones) y adaptar el código.

¿Puedo usar data-visualization con datos en CSV o de hojas de cálculo?

Sí. El flujo de trabajo recomendado es:

1. Cargar datos CSV o de hojas de cálculo en Python.
2. Transformarlos en listas o arrays adecuados para graficar.
3. Usar matplotlib (como en el ejemplo de la skill) para generar los gráficos.
4. Guardar los gráficos como archivos PNG para dashboards, informes o presentaciones.

La skill data-visualization se centra en cómo elegir y diseñar el gráfico; puedes conectar cualquier fuente de datos tabulares que controles.

¿Qué tipos de gráficos cubre la skill?

La skill hace referencia explícita a varios tipos de gráficos, incluidos:

• Gráficos de barras
• Gráficos de líneas
• Scatter plots
• Heatmaps

También analiza los problemas habituales de los gráficos de pastel y cuándo usar alternativas. La Chart Selection Guide te ayuda a elegir entre ellos según tus datos y objetivos de comunicación.

¿Esta skill trata solo de estética o también ayuda con el análisis?

Aunque el foco principal está en la comunicación visual, las recomendaciones apoyan los flujos de trabajo analíticos al:

• Fomentar tipos de gráficos que revelen con claridad tendencias, comparaciones y relaciones
• Evitar ejes o escalas engañosas
• Resaltar puntos clave mediante anotaciones

No es un curso completo de análisis de datos, pero está pensada para analistas y científicos de datos que quieren que sus resultados sean comprensibles y fiables.

¿Puedo integrar los gráficos generados en presentaciones y dashboards?

Sí. Los ejemplos con Python/matplotlib generan imágenes estáticas (por ejemplo, revenue.png) que puedes:

• Insertar en PowerPoint, Keynote o Google Slides
• Subir a dashboards internos o herramientas de reporting
• Adjuntar a informes en PDF o HTML

Como los gráficos se generan mediante scripts, puedes regenerarlos cada vez que se actualicen tus datos y mantener un estilo visual consistente en todo tu reporting.

¿Dónde puedo ver todos los archivos de soporte de data-visualization?

Después de la instalación, abre la pestaña de archivos o navega por el repositorio en:

• https://github.com/inferen-sh/skills/tree/main/guides/design/data-visualization

Desde ahí podrás revisar SKILL.md y el contenido de la guía relacionada, así como cualquier referencia compartida que usen otras skills en el mismo repositorio.