• 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

Cambiar el tamaño de los puntos en Matplotlib

agosto 23, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En las gráficas de dispersión creadas con Matplotlib existe la posibilidad de modificar el tamaño de los puntos. Siendo incluso posible asignar un valor diferente a cada uno. Por un lado, el hecho de poder cambiar el tamaño de los puntos en Matplotlib, permite adaptar este a la cantidad de valores que se necesita mostrar. Por otro, poder asignar un valor diferente a cada uno se puede usar para agregar información, usando este para mostrar otra característica de los datos.

Modificar el tamaño de los puntos en una gráfica de dispersión

El tamaño de los puntos en la función scatter() se puede modificar mediante la propiedad s. La cual admite tanto valores escalares como tipo lista. Los valores se indican en punto de pantalla, no en píxeles, algo que puede ser confuso y nos obligará a probar diferentes opciones para encontrar el tamaño óptimo para cada una de las figuras. Esto es lo que se hace en el siguiente ejemplo, crear una misma gráfica con los puntos con valores por defecto y otra con un tamaño de 300.

import matplotlib.pyplot as plt

# Conjunto de datos
x = [1, 2, 3, 4, 5]
y = [8, 3, 2, 5, 6]

# Gráfica con el tamaño de punto por defecto
plt.scatter(x, y)
plt.xlabel("X")
plt.ylabel("Valores")
plt.show()

# Gráfica donde el tamaño de punto se cambia a 300
plt.scatter(x, y, s=300)
plt.xlabel("X")
plt.ylabel("Valores")
plt.show()

Al ejecutarlo nos aparece en primer lugar la siguiente gráfica con puntos que son relativamente pequeños.

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

Gráfica de dispersión creada en Matplotlib con el tamaño de los puntos por defecto
Gráfica de dispersión creada en Matplotlib con el tamaño de los puntos por defecto

En segundo lugar, se obtiene la siguiente figura en la que los puntos son más grandes que la anterior.

Gráfica de dispersión creada en Matplotlib con el tamaño de los puntos igual a 300
Gráfica de dispersión creada en Matplotlib con el tamaño de los puntos igual a 300

Ahora solo dependería de nuestras preferencias usar uno u otro, ya que ambos representan los mismos datos.

Publicidad


Asignar un valor diferente a cada uno de los puntos

Como se ha comentado con anterioridad el parámetro s también se puede asignar una lista u objeto similar en lugar de un escalar. En este caso cada uno de los valores de la lista se asignará a un punto. Por ejemplo, mediante una lista por compresión, se puede crear una lista cuyo valor sea proporcional a la altura de los puntos y usarlo para indicar el tamaño.

size = [100 * n for n in y]

plt.scatter(x, y, s=size)
plt.xlabel("X")
plt.ylabel("Valores")
plt.show()

Lo que produce la siguiente figura.

Gráfica de dispersión creada en Matplotlib en la que se cambia el tamaño de cada uno de los puntos en base a un valor
Gráfica de dispersión creada en Matplotlib en la que se cambia el tamaño de cada uno de los puntos en base a un valor

De este modo se puede usar el tamaño de los puntos para dar más información a los lectores, pudiéndose usar para mostrar en la misma figura otra característica relacionada con el punto.

Conclusiones

Hoy se ha visto las opciones que ofrece la propiedad s de la función scatter() para cambiar el tamaño de los puntos en Matplotlib. Una propiedad que correctamente usada permite no solo cambiar la forma de las gráficas, sino que incluir información adicional que puede ser de interés para el lector. Creando de este modo figuras más interesantes.

¿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

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

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

enero 29, 2026 Por Daniel Rodríguez

null y undefined en JavaScript y TypeScript: ¿son realmente lo mismo?

enero 27, 2026 Por Daniel Rodríguez

¿Qué significa realmente un porcentaje? Por qué no es lo mismo subir un 20% que bajar un 20%

enero 22, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Numpy básico: eliminar elementos en arrays de Numpy publicado el octubre 30, 2019 | en Python
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Ordenadores para Machine Learning e IA 2025: Guía para elegir el equipo ideal publicado el enero 17, 2025 | en Reseñas
  • Histograma generado para el conjunto de datos con la selección automática del número de bins Calcular el número óptimo de bins para un histograma publicado el febrero 25, 2022 | 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