• 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

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.

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!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Visualización de datos categóricos en Seaborn
    Visualización de datos categóricos en Seaborn
  • Gráfico de Hexbin para el conjunto de 3000 datos
    Gráficos de Hexbin: alternativa a los gráficos de dispersión…
  • Inclusión de barras de error en Matplotlib
    Inclusión de barras de error en Matplotlib
  • Diagramas de dispersión y gráficos de regresión con Seaborn: Visualización de relaciones entre variables numéricas
    Diagramas de dispersión y gráficos de regresión con Seaborn:…
  • Agregar etiquetas a los puntos en Matplotlib
    Agregar etiquetas a los puntos en Matplotlib
  • Gráfico de cascada con la evolución de la variable
    Gráficos de cascada: visualizar la evolución de los datos en…

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

  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python
  • Duplicado Eliminar registros duplicados en pandas publicado el junio 20, 2018 | en Python
  • Enviar mensajes de WhatsApp con Python publicado el marzo 7, 2022 | en Python
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 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