• 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

Trazar ejes logarítmicos en Matplotlib

agosto 30, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

La escala que se usa en las figuras creadas con Matplotlib es lineal. Generalmente esta es la mejor opción debido a que, en la mayoría de los casos, las relaciones que existen entre las variables que se muestran son lineales. Pero no siempre es así. Otras veces la relación entre las variables puede ser exponencial y al emplear una escala lineal puede quedar oculta mucha información en la gráfica. En estos casos es interesante saber las diferentes opciones disponibles para trazar ejes logarítmicos en Matplotlib.

Modificar la escala en Matplotlib

Las figuras de Matplotlib cuentan con un par de métodos para cambiar la escala empleada en uno o ambos ejes. Para modificar la escala en el eje x se debe usar el método xscale(), mientras que para el eje y es necesario recurrir yscale(). En ambos casos es necesario pasar una cadena de texto con el nombre de la escala que se desea utilizar, siendo las opciones existentes actualmente: “linear”, “log”, “symlog” o “logit”. Como ya se ha comentado anteriormente, la opción por defecto es “linear”.

Ejes logarítmicos en el eje X

El problema de usar una escala lineal para representar los datos se puede ver con el siguiente ejemplo.

import matplotlib.pyplot as plt
import numpy as np

y = np.arange(10)
x = 10**y

plt.plot(x, y, '-o')
plt.show()

Obteniendo como resultado la siguiente figura.

Figura en la que se usa la escala lineal para ambos ejes.
Figura en la que se usa la escala lineal para ambos ejes

La figura tiene un problema, se pierde mucho detalle de las relaciones debido a que se usa una escala lineal y la relación entre los datos se ha definido mediante un exponente. Por lo que prácticamente el 90% de los datos se sitúan a la derecha de la figura. La solución a este problema es cambiar la escala del eje x. Si se usa una escala logarítmica se puede apreciar que la relación entre ambas variables es prácticamente lineal. Algo que se puede ver más claro con el siguiente ejemplo donde se ha agregado una línea de código para indicar que el eje x se dibuje en unidades logarítmicas.

Publicidad


plt.plot(x, y, '-o')
plt.xscale("log")
plt.show()

El cual produce la siguiente figura.

Figura en la que se usa la escala logarítmica para el eje X
Figura en la que se usa la escala logarítmica para el eje X

Ejes logarítmicos en el eje y

El problema anterior también se puede dar en el eje y, por ejemplo, con la figura que se crea en el siguiente código.

x = np.arange(10)
y = np.exp(x)

plt.plot(x, y, '-o')
plt.show()

Lo que produce.

Figura en la que se usa la escala lineal para ambos ejes
Figura en la que se usa la escala lineal para ambos ejes

Al igual que en el ejemplo anterior de la sección anterior se pierde mucho detalle debido a que casi todos los datos están en la parte inferior de la figura. Pudiéndose observar más detalles usando una escala logarítmica en el eje y.

plt.plot(x, y, '-o')
plt.yscale("log")
plt.show()

Obteniendo en este caso la siguiente figura.

Figura en la que se usa la escala logarítmica para el eje Y
Figura en la que se usa la escala logarítmica para el eje Y

Ambos ejes logarítmicos en Matplotlib

No existe ningún problema en usar ambos ejes con escala logarítmica, simplemente se deben llamar ambos métodos antes de dibujar la gráfica. Lo que se muestra en el siguiente ejemplo.

plt.plot(x, y, '-o')
plt.xscale("log")
plt.yscale("log")
plt.show()

Código que produce la siguiente figura.

Figura en la que se usa la escala logarítmica para ambos ejes
Figura en la que se usa la escala logarítmica para ambos ejes

Conclusiones

En la entrada de hoy se ha visto como cambiar la escala de los ejes en Matplotlib, pudiendo de esta manera usar escalas logarítmicas. Algo que es bastante habitual, por ejemplo, para representar eventos que siguen la ley de la potencia, o reglas similares, tales como pueden ser el número de visitas a una página web.

Publicidad


¿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?

Publicaciones relacionadas

  • matplotlib
    Generar figuras de alta resolución en Matplotlib
  • matplotlib
    Uso de múltiples ejes en Matplotlib
  • matplotlib
    Invertir los ejes en Matplotlib
  • matplotlib
    Mostrar marcas de división secundarias en Matplotlib
  • logo-wide-lightbg
    Gráficos de correlación en Seaborn: Mapas de calor y…
  • matplotlib
    Combinar histogramas en Matplotlib

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

Mantener un sistema de alta disponibilidad con PostgreSQL y repmgr

diciembre 1, 2023 Por Daniel Rodríguez

Diferencias entre los errores 401 y 403 del estándar HTTP

noviembre 29, 2023 Por Daniel Rodríguez

Ver el código de cualquier función en Python

noviembre 27, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • El método Sainte-Laguë y su implementación en Python publicado el septiembre 22, 2023 | en Ciencia de datos
  • Numpy básico: inicialización de arrays en Numpy publicado el octubre 9, 2019 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • NumPy NumPy: Crear matrices vacías en NumPy y adjuntar filas o columnas publicado el enero 11, 2021 | 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

4.4 (13)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Anto en Rendimiento al iterar en JavaScript sobre un vector
  • Daniel Rodríguez en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Guillermo en Creación de un certificado Let’s Encrypt en Windows con Win-Acme
  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?

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