• 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
    • 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

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.

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:

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de 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.

Publicidad


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

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

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

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

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Media, mediana y moda: Descubre cómo interpretar las medidas de tendencia central con ejemplos claros y sin complicaciones publicado el mayo 16, 2025 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Números calientes en Bonoloto: mismos resultados que el azar publicado el octubre 9, 2020 | en Opinión
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 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

4.1 (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