• 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

Uso de Matplotlib en PySimpleGUI

junio 20, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Aplicación de ejemplo creada con PySimpleGUI en la que se integra una gráfica de Matplotlib

En una publicación reciente se explicaron los fundamentos de PySimpleGUI, una librería con la que es posible crear, únicamente con código Python, aplicaciones gráficas de usuario de una forma extremadamente sencilla. Pero en esa entrada no se vio una forma de crear representaciones de datos dentro de las aplicaciones. Siendo Matplotlib uno de los paquetes más utilizados y conocidos, la integración de Matplotlib en PySimpleGUI posiblemente sea una de las mejores soluciones para solucionar este problema.

A continuación, se asume un conocimiento básico de PySimpleGUI, por lo que para aquellos que no están facilitados con esta librería es aconsejable que consulten previamente la publicación anterior.

Creación de un Canvas en PySimpleGUI

Para poder crear una gráfica en PySimpleGUI es necesario usar un objeto tipo Canvas, el cual se puede construir con la clase sg.Canvas(). Las propiedades más importantes de este objeto son key, gracias al cual se podrá identificar posteriormente este elemento y el size con el que se indica las dimensiones del área. Así, se debe integrar en primer lugar se debe insertar un elemento de este tipo en el layout de la aplicación que se desee crear.

Backend de Matplotlib

En cuanto a Matplotlib será necesario indicarle al backend que la gráfica se debe dibujar en el Canvas, algo que se debe hacer con la clase FigureCanvasTkAgg. Una clase que necesita dos parámetros, una figura y el canvas sobre el que se va a dibujar. Siendo el objeto que se cree con esta clase el que se use para dibujar las figuras.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

Publicidad


Integración de Matplotlib en PySimpleGUI

Con lo visto anteriormente ya se puede crear una aplicación en la que se integren gráficas de Matplotlib en PySimpleGUI. El primer paso es crear una venta, la cual debe contener en su layout por lo menos un objeto sg.Canvas(). Posteriormente, una vez creada la venta, se tendrá que obtener el objeto, lo que se puede hacer con la propiedad TKCanvas del Canvas. De este modo, si la ventana se ha guardado en la variable window y el Canvas se llama canvas se puede obtener este simplemente con la siguiente línea

canvas = window['canvas'].TKCanvas

Una vez hecho se deberá crear una figura, lo que se puede conseguir con el constructor Figure de Matplotlib. Siendo este objeto y el canvas el que se inyectaran en FigureCanvasTkAgg

figure = Figure()
figure_canvas_agg = FigureCanvasTkAgg(figure, canvas)

Una vez hecho esto se puede crear nuevas gráficas dentro de la figura y, una vez terminado, llamar al método draw() de figure_canvas_agg para que esta se muestra dentro de la GUI.

Aplicación de ejemplo

Para ver todo esto en funcionamiento lo mejor es crear una aplicación de ejemplo que integre Matplotlib en PySimpleGUI. Como la que se puede crear con el siguiente código.

import PySimpleGUI as sg
import numpy as np
from matplotlib.backends.backend_tkagg import FigureCanvasTkAgg
from matplotlib.figure import Figure

window = sg.Window(title='Frecuencia',
                   layout=[[sg.Text(key='title')],
                           [sg.Canvas(key='canvas', size=(600, 400))],
                           [sg.Text('Frecuencia'),
                            sg.Slider(range=(0, 100), 
                                      orientation='h',
                                      key='slider',
                                      enable_events=True)]],
                    finalize=True)

# Obtención del canvas
canvas = window['canvas'].TKCanvas
figure = Figure()
axes = figure.add_subplot()

figure_canvas_agg = FigureCanvasTkAgg(figure, canvas)
figure_canvas_agg.draw()
figure_canvas_agg.get_tk_widget().pack(side='top', fill='both', expand=1)


def plot_frequency(frec=10):
    window['title'].update(f'Frecuencia { frec }')
    x = np.linspace(0, 2 * np.pi)
    y = np.sin(frec * x)
    
    axes.cla()
    axes.plot(x, y)
    figure_canvas_agg.draw()


# Set default frequency
default_frequency = 2
window['slider'].update(default_frequency)
plot_frequency(default_frequency)


while True:
    event, values = window.read() 

    if event == 'slider':
        plot_frequency(frec=values['slider'])

    if event == sg.WIN_CLOSED:
        break

window.close()

El cual, al ejecutarse, produce una ventana como las siguientes.

Aplicación de ejemplo creada con PySimpleGUI en la que se integra una gráfica de Matplotlib
Aplicación de ejemplo creada con PySimpleGUI en la que se integra una gráfica de Matplotlib

Una aplicación que represente una función seno con una frecuencia variable que puede seleccionar el usuario. Similar a una que se creó en Matlab para la webn Matlab.

Funcionamiento del ejemplo

En la anterior aplicación lo primero que se hace en la línea 6 es crear la ventana. Una ventana que tiene un título, un layout y en la que es necesario asignar a la propiedad finalize el valor verdadero.

Posteriormente, en la línea 17 se obtiene el canvas y se crea la figura en la línea 18. Si no se hubiese cambiado el valor de finalize no se podría obtener en este punto el valor del canvas.

Una vez obtenido el canvas y la figura, en la línea 21, se crea el objeto que permite combinar el canvas con la figura, lo que permite representar los datos.

A continuación, en la línea 26, se define una función con la que se puede actualizar el contenido de la figura en base a la frecuencia que se le pasa como parámetro. Nótese que, una vez creado los datos para la gráfica, se limpian los ejes, borrar lo que hubiese anteriormente, y se crea la figura. Finalmente, para que la figura se muestra en la ventana es necesario llamar al método draw de figure_canvas_agg no al de la figura.

Antes de continuar, a partir de la línea 37, se cargarán los valores por defecto y se crea un bucle while para gestionar los eventos de la ventana. Básicamente actualizar la figura o salir del programa.

Publicidad


Conclusiones

En esta entrada se ha visto los pasos necesarios para integrar las gráficas de Matplotlib en PySimpleGUI. Algo que puede ser de gran utilidad cuando se crean aplicaciones que tienen una parte matemática o científica y es necesario realizar representaciones de datos para que los usuarios comprendan mejor los resultados.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python Etiquetado como: GUI, Matplotlib

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

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Guía definitiva para trabajar con JSON en SQL Server publicado el noviembre 18, 2025 | en Herramientas
  • pandas Cómo buscar y reemplazar texto con expresiones regulares en pandas publicado el noviembre 11, 2024 | 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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • 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
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

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