• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • Excel
  • IA Generativa

Creación de gráficos interactivos en Jupyter Notebook con Python

septiembre 17, 2018 Por Daniel Rodríguez 2 comentarios
Tiempo de lectura: 4 minutos

Para la exploración de datos los gráficos interactivos es una solución que facilita la tarea. Poder comprobar cómo cambian los resultados al modificar uno o varios parámetros facilitan la comprensión del efecto de estos. A continuación, se explicará cómo crear gráficos interactivos en Jupyter Notebook con Python.

Introducción

En muchas ocasiones es interesante poder comprobar gráficamente cómo cambian los resultados al modificar parámetros. En Jupyter Notebook una forma trivial de conseguir esto es volver a ejecutar la celda cambiando los parámetros. Otra forma más interesante de conseguir esto es mediante la creación de gráficos interactivos. Estos gráficos permiten la creación de pantallas dinámicas basadas en la evaluación de funciones.

Publicidad


Gráficos interactivos en Jupyter Notebook

Para la creación de un gráfico interactivos se ha de crear un Notebook en el que se ha de incluir las siguientes líneas:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

Una vez realizado esto se ha de crear una función que genere el gráfico deseada. A modo de ejemplo se va a simular una distribución normal y representar el histograma. La idea es comprobar cómo evoluciona la forma de la distribución a medida que aumenta el tamaño de la muestra. Para ello se puede definir una función como la siguiente:

from scipy.stats import norm

def plot_function(size = 100, bins = 10, loc=0, scale=1, color='red'):
    data = norm.rvs(size=size, loc=loc, scale=scale)
    binwidth = (max(data) - min(data))/ bins
    plt.hist(data, 
             bins=np.arange(min(data), max(data) + binwidth, binwidth),
             color=color)
    plt.show()

Al llamar a esta función se simula una distribución normal con los parámetros indicados. Posteriormente calcula el ancho de los bins del histograma y lo representa. Al ejecutar esta función aparece un gráfico como la siguiente.

Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
En Analytics Lane
Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane

Gráfico estático

Ahora, se puede importar la función interact de ipywidgets para crear un gráfico interactivo. A esta función se le ha de pasar como parámetro la que se ha definido para generar el gráfico. Esta generará un gráfico con un control para para cada una de las entradas de la función que se pueden utilizar para cambiar los valores. Por ejemplo, al ejecutar el siguiente código en una celda se obtiene la siguiente figura.

from ipywidgets import interact 
interact(plot_function)
None
Gráficos interactivos en Jupyter Notebook

Limitar los parámetros de los controles

En el ejemplo anterior se puede ver que es posible seleccionar valores en los controles que no son válidos. Por ejemplo, un tamaño de la muestra negativo o un nombre de color no disponible. Para evitar esto se le puede indicar los valores permitidos y el paso en las barras de desplazamiento para cada uno de los parámetros. En el caso de los valores numéricos se ha de indicar una tulpa con el valor mínimo, el máximo y, en caso de que el paso entre valores no sea de 1, el valor del paso. Por otro lado, cuando el valor es categórico se ha de utilizar una lista con los valores permitidos. En el ejemplo anterior se puede modificar para evitar los problemas indicados anteriormente.

interact(plot_function,
         size = (1, 1000, 10),
         bins = (1, 100, 1),
         loc = (-100, 100, 1),
         scale = (1, 100, 1),
         color=['red', 'yellow', 'blue'])
None

Obteniéndose un nuevo gráfico interactivo en el Notebook en el que se puede apreciar unas barras de desplazamiento modificadas. Además, la selección del color se esta limitada únicamente a los tres valores indicados.

Gráficos interactivos en Jupyter Notebook con controles modificados

En el caso de que una variable sea binaria se puede indicar a interact con la opción True. Así aparecerá una casilla de selección en lugar de una barra de desplazamiento.

Publicidad


Conclusiones

En esta entrada se ha visto cómo crear de gráficos interactivos en Jupyter Notebook con Python. La utilización de esta herramienta permite explorar los resultados de una forma visual más ágil. Permitiendo que incluso usuarios sin conocimiento de Python puedan realizar la exploración.

Imágenes: Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
  • Análisis de Redes con Python
  • Nuevo calendario de publicaciones: más calidad, mejor ritmo
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Publicaciones de verano 2025: los trucos más populares, ahora en vídeo
  • Cómo enviar correos desde PowerShell utilizando Brevo: Guía paso a paso para automatizar tus notificaciones
  • Nueva herramienta disponible: Calculadora del Método D’Hondt para la atribución de escaños
  • Cómo enviar correos desde Python utilizando Brevo: Automatiza tus notificaciones con scripts eficientes

Publicado en: Python Etiquetado como: Jupyter, Matplotlib

Interacciones con los lectores

Comentarios

  1. lucas dice

    octubre 28, 2020 a las 5:58 pm

    Primero muchisimas gracias me sirvio muchisimo, pero tengo una duda. Me aparece un cuadro rojo en algunos graficos, de alguna forma se puede sacar?

    %matplotlib inline
    import numpy as np
    import matplotlib.pyplot as plt

    def plot_function(l=13, a=-0.5,p=1):
    x = np.arange(a-p, a+p, 0.01)
    m=(a+a)/2
    s =-20*np.exp((abs(x))/(-5))-np.exp(np.cos(2*np.pi*x))+20+np.exp(1)
    ss = (x-m)*l-20*np.exp((abs(m))/(-5))-np.exp(np.cos(2*np.pi*m))+20+np.exp(1)
    tt = -(x-m)*l-20*np.exp((abs(m))/(-5))-np.exp(np.cos(2*np.pi*m))+20+np.exp(1)
    fig, ax = plt.subplots(figsize=(20,20))
    ax.plot(x, s,x,ss,x,tt)
    ax.grid()
    plt.hist(np.arange(a,b))
    plt.show()
    from ipywidgets import interact
    interact(plot_function,
    l = (10, 14, 0.1),
    a = (-1, 1, 0.1),
    p = (0.1, 2, 0.1))
    None

    Responder
    • Daniel Rodríguez dice

      octubre 28, 2020 a las 8:11 pm

      Lo único que genera rectángulos en el código es la función histograma, al eliminar la línea debería desaparecer

      plt.hist(np.arange(a,b))

      Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto