• 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

Generar líneas y áreas arbitrarias en Matplotlib

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.

Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
En Analytics Lane
Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling

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

  • Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper
  • Curiosidad: Por qué la criptografía habla siempre de Alice y Bob
  • BG/BB: el modelo de CLV para compras en períodos discretos
  • Errores comunes al interpretar resultados estadísticos
  • Método del codo: interpretación correcta y limitaciones

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

Por qué migrar tus proyectos TypeScript a ES Modules en 2026

septiembre 17, 2026 Por Daniel Rodríguez

Método del codo: interpretación correcta y limitaciones

septiembre 15, 2026 Por Daniel Rodríguez

Errores comunes al interpretar resultados estadísticos

septiembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring publicado el agosto 18, 2026 | en Ciencia de datos
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Errores comunes al interpretar resultados estadísticos publicado el septiembre 10, 2026 | en Ciencia de datos
  • pandas Pandas: Cambiar los tipos de datos en los DataFrames publicado el julio 15, 2021 | en Python
  • Análisis de sentimientos en español con spaCy en Python publicado el mayo 29, 2023 | en Ciencia de datos, 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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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