• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • 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
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Personalizar las marcas de división en Matplotlib

julio 7, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Las figuras creadas con Matplotlib generalmente contienen marcas de división en los ejes, ya que son una excelente ayuda para interpretar correctamente los datos que se muestran. Aunque la configuración por defecto suele ser una buena opción, puede que no sea la más adecuada para nuestras necesidades. Veamos cómo se pueden personalizar las marcas de división en Matplotlib.

Marcas de división en Matplotlib

Antes de ver las opciones que existen para personalizar las marcas de división en Matplotlib es bueno ver cómo son las que se muestran por defecto. Algo que se puede hacer ejecutando un código como el siguiente.

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 100)
y = np.cos(1.5 * np.pi * x)

plt.plot(x, y)
plt.show()

Lo que produce como resultado la siguiente figura.

Grafica básica con marcas de división en Matplotlib

En esta figura se puede ver que las marcas de división están por fuera de la figura y son del mismo color y tamaño que el cuadro de la figura.

Publicidad


Opciones configuración para las marcas de división

La configuración de las marcas de división en Matplotlib se realiza mediante la función plt.tick_params() a la que se le debe indicar los parámetros de configuración. Función que se debe llamar antes de dibujar la figura. Los principales parámetros que admite esta función son:

Balance de 2025 en Analytics Lane
En Analytics Lane
Balance de 2025 en Analytics Lane

  • axis: el eje al que se le aplican los cambios, por defecto es a ambos (‘both’) pero se puede seleccionar solamente uno de ellos.
  • direction: la dirección en la que se muestran las marcas, por defecto es hacia fuera (‘out’), pero se pueden mostrar hacia dentro (‘in’) o en ambas (‘inout’).
  • length: la longitud de la marca también se puede modificar mediante este parámetro que admite valores reales.
  • width: el acto es otra opción que se también se puede cambiar, para lo que se debe indicar el un valor real en este parámetro.
  • color: el color es otra opción que se puede modificar asignado el código del color a este parámetro.
  • labelrotation: la rotación de las etiquetas del eje permite que se puedan ver mejor cuando estas son grandes, para ello solamente se tienen que indicar lo grados que se desea rotar en este parámetro.

Hacer que las marcas de división se muestran dentro

En el caso de que prefiramos que las marcas de división se muestran dentro de la figura en lugar de fuera tiene fácil solución. Para esto, antes de dibujar la figura, solamente se tiene que llamar la función plt.tick_params() asignando al parámetro direction con la opción ‘in’. Tal como se hace en el siguiente código

plt.plot(x, y)
plt.tick_params(direction='in')
plt.show()

Lo que produce la siguiente gráfica.

Grafica con marcas de división hacia dentro en Matplotlib

Publicidad


Personalizar los ejes por separado

La configuración de cada uno de los ejes de la figura no tiene por qué ser la misma, se pueden aplicar diferentes opciones a cada uno. Para ello se tiene que llamar la función plt.tick_params() más de una vez indicando en cada momento el eje al que se desea aplicar la configuración. Algo similar a lo que se hace en el siguiente código.

plt.plot(x, y)
plt.tick_params(axis="x", length=6, width=2, colors='r', labelrotation=45.0)
plt.tick_params(axis="y", length=3, width=4, colors='b')
plt.show()

En el ejemplo anterior se ha indica que para el eje x la longitud de las marcas debe ser 6, con un ancho de 2, de color rojo y con las etiquetas rotadas 45 grados. Por otro lado, para el eje y la longitud de las etiquetas es de 6, mientras que el ancho es de 4 y el color es azul. Al ejecutar el código se crea la siguiente gráfica.

Grafica con marcas de división de diferentes colores y tamaños en Matplotlib

Conclusiones

En esta entrada se ha visto cómo se pueden configurar las marcas de división en Matplotlib para que estas se adapten mejor a lo que necesitamos en cada momento. No se han visto todas la opciones de la función plt.tick_params(), el resto de opciones se puede consultar en la documentación de la función, pero este subconjunto es uno de los más utilizados.

¿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?

Publicidad


Publicaciones relacionadas

  • Balance de 2025 en Analytics Lane
  • El promedio engañoso: cuando la media no cuenta toda la historia
  • Comprender las pruebas de hipótesis para no especialistas
  • Ordenadores para Machine Learning e Inteligencia Artificial en 2026: Guía completa para elegir el equipo adecuado según tu perfil y presupuesto
  • ¿Qué significa realmente un porcentaje? Por qué no es lo mismo subir un 20% que bajar un 20%
  • null y undefined en JavaScript y TypeScript: ¿son realmente lo mismo?
  • Riesgo relativo vs riesgo absoluto: la trampa de los titulares alarmistas
  • Guía práctica de categorías para changelogs en inglés y castellano
  • El valor esperado: la mejor herramienta que casi nadie usa

Publicado en: Python Etiquetado como: 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

El valor esperado: la mejor herramienta que casi nadie usa

febrero 5, 2026 Por Daniel Rodríguez

Guía práctica de categorías para changelogs en inglés y castellano

febrero 3, 2026 Por Daniel Rodríguez

Riesgo relativo vs riesgo absoluto: la trampa de los titulares alarmistas

enero 29, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • 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
  • Panel de widgets de Windows 11 mostrando noticias destacadas y clima. Cómo eliminar las noticias en Windows 11 y recuperar tu concentración publicado el junio 26, 2025 | en Herramientas
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos
  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión
  • Eliminación de la multicolinealidad con PCA en modelos de regresión publicado el junio 14, 2024 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

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