• 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
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

Exportar figuras de App Designer en Matlab

App Designer, GUI

noviembre 20, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Cuando queremos exportar guardar en un archivo las figuras que hemos creado en Matlab disponemos de la función saveas(). Aunque desafortunadamente esa no funciona cuando en ejes ubicados dentro de aplicaciones de App Designer. Ni tampoco en el caso de Guide. En estas situaciones, para poder exportar figuras de App Designer es necesario copiar el contenido de los ejes en una figura oculta e imprimir esta. Veamos a continuación cómo se puede hacer esta tarea de una forma fácil.

La función saveas()

En Matlab la función saveas() nos permite exportar el contenido de una figura a un archivo. Siendo necesario indicar un primer parámetro con la figura que se desea exportar y un segundo con el nombre del archivo.

El problema está cuando deseamos exportar el contenido un eje en una aplicación creada en App Designer. En este caso si se indica en primer lugar el eje (por ejemplo, app.UIAxes) lo que nos devuelve la función es el siguiente error.

Error in saveas (line 181)
        print( h, name, ['-d' dev{i}] )

La solución a este problema pasa por volver a crear la gráfica en una figura y exportar esta. Aunque puede ser más fácil copiar el contenido de la figura.

Función para exportar figuras de App Designer

El problema se puede solucionar con la siguiente función.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

function exportFigure(ax, filename)

if nargin == 1
    [filename, path] = uiputfile({ ...
        '*.jpeg', 'JPEG files (*.jpeg)'; ...
        '*.png',  'Portable Network Graphics files (*.png)'; ...
        '*.tiff', 'TIFF image files (*.tiff)'; ...
        '*.bmp',  'BMP files (*.bmp)'}, ...
        'Select a file to export');
    
    if filename == 0
        return;
    else
        filename = fullfile(path, filename);
    end
end

   
% Creación de una figura invisible
fig = figure;
fig.Visible = 'off';
figAxes = axes(fig);

% Copia de los ejes y objetos hijos en la figura
copyobj(ax.XAxis.Parent.Children, figAxes)
figAxes.XLim = ax.XLim;
figAxes.YLim = ax.YLim;
figAxes.ZLim = ax.ZLim;
figAxes.DataAspectRatio = ax.DataAspectRatio;

% Guardado de la figura en el archivo
saveas(fig, filename);

% Borrado de la figura temporal
delete(fig);

end

Esta función tiene dos parámetros: la referencia al objeto UIAxes y el nombre de un archivo. El primer parámetro es obligatorio, pero no el segundo, si no se introduce aparecerá un asistente para pedir el nombre del archivo y la ubicación. Para lo que se utiliza la función uiputfile(). Si no se selecciona ningún archivo en programa termina.

A continuación, viene la parte interesante del programa. En la que se crea una nueva figura oculta y se obtienen sus ejes. Posteriormente se copia todo el contenido del eje original en el de la figura y las opciones de representación. En este momento, tendríamos una copia exacta de la gráfica de la aplicación en la figura externa. Por lo que se puede guardar en el archivo.

Ahora es necesario destruir la figura temporal que se ha creado. Ya que de otro modo quedaría ocupando un espacio innecesario en memoria.

Publicidad


Conclusiones

En esta esta entrada se ha visto cómo solucionar un problema en nuestras aplicaciones de App Designer: la posibilidad de exportar directamente las figuras. Una función con la que se puede mejorar fácilmente las aplicaciones, especialmente aquellas que diseñamos para procesar datos que luego se deben incluir en informes.

Imagen de Elias Sch. en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 1 / 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

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Publicado en: Matlab Etiquetado como: App Designer, GUI

Interacciones con los lectores

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

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring publicado el agosto 18, 2026 | en Ciencia de datos
  • Utilizar R desde Python con rpy2 publicado el enero 11, 2019 | en Python, R
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • Cómo validar nombres de hojas (sanitizar) y archivos Excel con Python publicado el noviembre 4, 2024 | en Herramientas, Python
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción publicado el agosto 4, 2026 | en Ciencia de datos

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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

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 © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto