• 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)
    • Riesgo
      • Constructor de Scorecards de Crédito
      • Aplicar Scorecard de Crédito
    • 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

Generar líneas y áreas arbitrarias en Matplotlib

agosto 9, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

Al crear una gráfica con Matplotlib puede surgir la necesidad de dibujar líneas o áreas arbitrarias para realizar anotaciones. Aunque no es una herramienta de dibujo, esta no es una tarea complicada. Veamos en este tutorial los pasos para poder incluir líneas y áreas arbitrarias en Matplotlib.

Creación de una línea

Una opción para dibujar líneas en las figuras de Matplotlib es plot(). Para ello, solamente habrá que pasarle como parámetros las coordenadas iniciales y finales de la recta que se desea dibujar, uniendo ambas mediante una línea sólida. Siendo el primer parámetro una lista con las posiciones en el eje x y el segundo otra lista con las posiciones en eje y. Esto es, la forma básica cómo se deben llamar a esta función es la siguiente

plot([x1, x2], [y1, y2]).

Así, si se desea dibujar una recta entre el punto (1, 5) y (2, 6) solamente se debería escribir un código como el siguiente.

import matplotlib.pyplot as plt 

plt.plot([1, 2], [5, 6], color='green')
plt.show()

Lo que produce como resultado la siguiente figura, donde se puede apreciar una línea verde entre los puntos indicados.

Línea dibujada con Matplotlib
Línea dibujada con Matplotlib

Combinación de varias líneas

En el caso de que se desee dibujar más de una línea solamente se debe llamar a la función plot() tantas veces como sea necesario. Así, al igual que el resto de objetos, estos se dibujarán cuando se llame a la función show(). Por ejemplo, si se desea crear un triángulo que una las coordenadas (1, 5), (2, 6) y (3, 3) solamente se debe ejecutar el siguiente pedazo de código.

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

plt.plot([1, 2], [5, 6], color='green')
plt.plot([2, 3], [6, 3], color='blue')
plt.plot([3, 1], [3, 5], color='red')
plt.show()

Con lo que se obtiene la siguiente figura.

Tres líneas formando un triángulo creado con Matplotlib
Tres líneas formando un triángulo creado con Matplotlib

Nótese que en este caso se ha usado un color diferente para cada una de las líneas, pero sí solamente se desea una un color esta figura se puede crear en una única llamada a la función plot().

plt.plot([1, 2, 3, 1], [5, 6, 3, 5], color='red')
plt.show()

Obteniendo ahora como resultado la siguiente gráfica.

Triángulo creado con Matplotlib
Triángulo creado con Matplotlib

Publicidad


Creación de un área entre las líneas

Finalmente, si se desea rellenar el área dentro de la figura se puede recurrir a la función fill_between(), la cual tiene la siguiente forma básica

fill_between(x, y1, y2=0, …)

Los únicos parámetros de la función obligatorios son los dos primeros. Mediante el primer parámetro, x, se deben indicar las coordenadas del eje x, mientras que con el segundo se indican las coordenadas de la curva en el eje y. El tercer parámetro, y2, es opcional, permite indicar las coordenadas de una segunda curva con la que se cierra el área. En el caso de que se omita el área se cerrará en el eje de abscisas.

Por ejemplo, para dibujar el triángulo de la gráfica anterior se deben tomar los puntos de eje x donde comienzan y finalizan las líneas, esto es (1, 2, 3). Ahora y1 serían los valores de que toma la curva en estos puntos es (5, 6, 3). Con lo que se puede ejecutar el siguiente código

plt.plot([1, 2, 3, 1], [5, 6, 3, 5], color='red')
plt.fill_between([1, 2, 3], [5, 6, 3], color='gray')
plt.show()

Para obtener la siguiente figura

Área debajo de un triángulo dibujado con Matplotlib
Área debajo de un triángulo dibujado con Matplotlib

Al no haber indicado los valores de y2 el área llega hasta el eje x, pero esto no es lo que se desea para esta figura. Hay que conocer los valores de la segunda curva para las posiciones (1, 2, 3). Los más fáciles son el primero y el último, siendo los mismos que en la curva superior, 5 y 3 respectivamente. El punto medio será el punto intermedio entre 5 y 3, esto es, 4. Así el con el siguiente código se crea un área dentro del triángulo.

plt.plot([1, 2, 3, 1], [5, 6, 3, 5], color='red')
plt.fill_between([1, 2, 3], [5, 6, 3], [5, 4, 3], color='gray')
plt.show()

Lo que produce la siguiente figura

Área de un triángulo dibujado con Matplotlib
Área de un triángulo dibujado con Matplotlib

Creación de áreas más complejas

Las áreas que se dibujar con la función fill_between() no tienen por qué ser solamente rectas, las áreas pueden ser tan complejas como las que se crean con la función plot(). Así, se puede dibujar un área en base a un seno con el siguiente empleo

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, np.pi, 100)
y = np.sin(np.pi * x / 2)

plt.plot(x, y, color='red')
plt.fill_between(x, y, color='gray')
plt.show()

Obteniendo como resultado la siguiente figura.

Área de una función seno dibujada con Matplotlib
Área de una función seno dibujada con Matplotlib

Conclusiones

En esta ocasión se ha visto cómo dibujar líneas y áreas arbitrarias en Matplotlib. Unos métodos que pueden ser de gran utilidad para incluir anotaciones en las gráficas.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 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?

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

Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar

mayo 7, 2026 Por Daniel Rodríguez

WOE e IV: La Base Matemática del Credit Scoring

mayo 5, 2026 Por Daniel Rodríguez

Noticias

Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring

mayo 2, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Truco SQL: La distancia de Levenshtein en SQL Server publicado el diciembre 11, 2020 | en Herramientas
  • Gráficos de correlación en Seaborn: Mapas de calor y gráficos de pares publicado el julio 27, 2023 | en Python
  • Reglas de asociación y market-basket analysis publicado el agosto 31, 2018 | en Ciencia de datos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no) publicado el marzo 3, 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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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