PlotThis is a local, privacy-focused interactive web application designed to analyze structured datasets, suggest the most appropriate chart types, and generate automated statistical insights in Spanish, without using Artificial Intelligence (AI) or third-party APIs.
The application works as a hybrid system: it uses a highly-optimized, custom mathematical engine built purely in Pandas in the background to infer semantic types and compile summaries in milliseconds. It renders a custom interface using Streamlit and premium styled charts using Plotly Express.
- Language: Python
- Backend / Profiling Engine: Pure Pandas (Native)
- UI Framework: Streamlit
- Visualization: Plotly Express
- Scientific Computing: Pandas, NumPy, SciPy
- Hosting / Deployments: Streamlit Community Cloud
Building this application provided valuable experience in the following areas:
- Streamlit Performance Optimization: Discovered that heavy third-party data profiling libraries (like
ydata-profiling) cause severe multiprocessing deadlocks and UI freezes in Streamlit's reactive environment. Replacing them with a custom engine using pure native Pandas methods (df.corr(),df.skew()) reduced analysis processing time from over 60 seconds (hanging) to 0.08 seconds. - Dynamic Bivariate Heuristics: Implementing a deterministic rules engine that evaluates Pearson/Spearman coefficients and mean variances to recommend specific chart types, mimicking the strict design rules found in corporate systems like Tableau and Excel.
- Aesthetic Customization of Plotly: Fine-tuning Plotly layouts (Inter/Outfit typography, removing axis borders, applying custom color palettes, and formatting custom tooltips) to produce charts that look modern and publication-ready.
PlotThis es una aplicación web interactiva local, enfocada en la privacidad, diseñada para analizar datasets estructurados, sugerir los tipos de gráficos más adecuados y generar insights estadísticos automáticos en español, sin recurrir a Inteligencia Artificial (IA) ni a APIs externas.
La aplicación funciona de forma híbrida: utiliza un motor matemático personalizado y altamente optimizado construido puramente en Pandas en segundo plano para inferir tipos semánticos y compilar métricas en milisegundos. Renderiza una interfaz interactiva personalizada mediante Streamlit y gráficos vectoriales premium con Plotly Express.
- Lenguaje: Python
- Motor de Profiling: Pandas Puro (Nativo)
- Framework de UI: Streamlit
- Visualización: Plotly Express
- Cálculo Científico: Pandas, NumPy, SciPy
- Despliegues: Streamlit Community Cloud
La creación de esta aplicación me permitió profundizar en:
- Optimización de Rendimiento en Streamlit: Descubrir que el uso de librerías de profiling pesadas (como
ydata-profiling) causan deadlocks de multiprocesamiento severos y cuelgues de UI en entornos reactivos de Streamlit. Reemplazar esto con un motor personalizado utilizando métodos nativos de Pandas (df.corr(),df.skew()) redujo el tiempo de procesamiento de más de 60 segundos (colapso) a tan solo 0.08 segundos. - Heurísticas Bivariantes Dinámicas: Implementar un motor de reglas determinista que evalúa coeficientes de Pearson/Spearman y diferencias de medias para sugerir gráficos idóneos, replicando las reglas de diseño estructuradas de herramientas corporativas como Tableau y Excel.
- Estilización Avanzada en Plotly: Personalizar las propiedades del layout de Plotly Express (tipografía Inter/Outfit, eliminación de bordes de eje redundantes, uso de cuadrículas sutiles y paletas coordinadas) para producir gráficos con un acabado visual premium y moderno.