• 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
  • 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
  • JavaScript
  • Excel

Mostrar marcas de división secundarias en Matplotlib

julio 14, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Habitualmente en las gráficas solamente se muestran las marcas de división principales, aquellas que se corresponden con un valor que se muestra en el eje, pero las marcas de división secundarias también son de gran ayuda para la lectura e interpretación de los gráficos. Unas marcas que por defecto no se muestran en las figuras creadas con Matplotlib. Veamos los pasos para mostrar marcas de división secundarias en Matplotlib y configurarlas.

Dibujar marcas de división secundarias en Matplotlib

La función para mostrar las marcas de división secundarias en Matplotlib es plt.minorticks_on(). Una función que se debe llamar sin parámetros antes de dibujar la gráfica. Algo similar a lo que se hace en el siguiente código.

import numpy as np
import matplotlib.pyplot as plt

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

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

Con lo que se obtiene una figura como la siguiente.

Figura con marcas de división secundarias en Matplotlib

Nótese que en este caso tanto en el eje x como en el eje y se pueden ver marcas de división secundarias entre las marcas de división principales. Elementos que no se muestran por defecto en las figuras de Matplotlib. Pudiendo ver tres marcas secundarias entre cada una de las principales.

Configuración marcas de división secundarias en Matplotlib

Tanto el tamaño como el color y otras propiedades de las marcas de división secundarias se pueden configurar con la función plt.tick_params(), la misma que se ha visto la semana pasada para configurar las principales. Para que los cambios afecten a las marcas secundarias se tiene que indicar mediante el parámetro which que las opciones se aplican a las secundarias (‘minor’) o a ambas (‘both’). Por defecto las opciones sólo afectan a las principales (‘major’). Así para que las marcas de división se muestran dentro en lugar de fuera se puede hacer con el siguiente código.

Publicidad


plt.plot(x, y)
plt.minorticks_on()
plt.tick_params(which="minor", direction='in')
plt.show()

Obteniendo una figura como la que se muestra a continuación.

Figura con marcas de división secundarias dentro del marco en Matplotlib

En este caso, como a la función se ha indicado que los cambios sólo afectan a las marcas secundarias, estas se muestran por dentro mientras que las principales no.

Marcas de división secundarias solamente en un eje

Las marcas de división secundarias se pueden mostrar también solamente en uno de los ejes. Para ello primero se tiene que crear la figura y usar el método set_tick_params() que existe en los ejes y en este asignar a la propiedad bottom el valor de False. Al igual que plt.tick_params() este método funciona por defecto sobre las líneas de división principales, por lo que es necesario usar la propiedad which para indicarle las que se desean borrar. Por ejemplo, en el siguiente código se muestra mostrar las marcas secundarias solamente en el eje y, para lo que se han borrado del eje x.

fig, ax = plt.subplots()

plt.plot(x, y)

ax.minorticks_on()
ax.xaxis.set_tick_params(which='minor', bottom=False)

Código que genera la siguiente figura.

Conclusiones

Figura con marcas de división secundarias solamente en el eje y en Matplotlib

En esta ocasión se ha visto cómo se pueden mostrar marcas de división secundarias en las gráficas creadas con Matplotlib. Una opción que es de gran ayuda cuando se desea tener una mayor precisión a la hora de leer las figuras.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Publicidad


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

  • Inclusión de texto en Matplotlib
    Inclusión de texto en Matplotlib
  • Cómo crear gráficos múltiples en Seaborn
    Cómo crear gráficos múltiples en Seaborn
  • Gráficos de barras en Matplotlib
    Gráficos de barras en Matplotlib
  • Agregar líneas a las figuras de Matplotlib
    Agregar líneas a las figuras de Matplotlib
  • Incluir líneas de división en Matplotlib
    Incluir líneas de división en Matplotlib
  • Creación de gráficos de barras y gráficos de columnas con Seaborn
    Creación de gráficos de barras y gráficos de columnas con…

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.

Publicidad




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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python
  • La aplicación Auto Py to Exe Creación de un EXE desde un archivo Python en Windows publicado el mayo 16, 2022 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

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

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto