• 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

Creación de gráficos animados con Seaborn y Matplotlib

agosto 10, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

La creación de gráficos animados permite mostrar los cambios de tendencia que se observan a lo largo de tiempo en los conjuntos de datos. Mostrando una gráfica diferente cada poco segundo. Los gráficos de Seaborn se pueden combinar con las funciones de Matplotlib para crear gráficos animados, algo que es posible dado que Seaborn está creada sobre la base de Matplotlib. En esta entrada, se mostrarán cuáles son los pasos para la creación de gráficos animados con Seaborn y Matplotlib.

Importación de las librerías

Para la creación de gráficos animados con Seaborn, biblioteca que normalmente se importa como sns, y Matplotlib, donde normalmente se importa pyplot como plt, es necesario importar ambas librerías y la clase FuncAnimation desde matplotlib.animation. Lo que se puede hacer mediante el siguiente código.

import seaborn as sns
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

Importación de un conjunto de datos de ejemplo

De cara a facilitar el seguimiento de los ejemplos en esta entrada se usan el conjunto de datos flights que se incluye en la librería Seaborn. Un conjunto de datos que contiene los datos de pasajeros que transporta una compañía aérea a lo largo de años y meses. Para cargar este conjunto de datos solamente se debe importar la biblioteca Seaborn, lo que ya se ha hecho en la sección anterior, y llamar a la función load_dataset() con el nombre de conjunto.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

# Cargar el conjunto de datos "flights" de Seaborn
flights = sns.load_dataset("flights")

Publicidad


Creación de gráficos animados con Seaborn y Matplotlib

Una vez importadas las dependencias y los datos se puede crear una gráfica animada con Seaborn y Matplotlib. Para ello es necesario crear primero una función que actualice la gráfica en función de un parámetro. En el conjunto de datos flights se dispone de los datos de pasajeros transportados por mes y año por una aerolínea, con lo que se puede crear una gráfico animado que muestra cómo evoluciona la distribución de pasajeros a lo largo del tiempo.

Una vez creada la función esta se debe inyectar como parámetro en el constructor de la clase FuncAnimation como se muestra en el siguiente ejemplo.

# Función de actualización para animación
def update(frame):
    # Limpiar el gráfico anterior
    plt.cla()
    
    # Filtrar datos hasta el año actual
    year_data = flights[flights["year"] <= frame] 
    
    # Creación del grafio de barras
    sns.barplot(x="month", y="passengers", data=year_data, color="blue", errorbar=None)
    plt.title(f"Vuelos por mes (Hasta {frame})")
    plt.xlabel("Mes")
    plt.ylabel("Pasajeros")

# Crear la figura y la animación
fig = plt.figure(figsize=(10, 6))
animation = FuncAnimation(fig, update, frames=flights["year"].unique(), interval=1000)

animation.save(filename = "flights.gif")

En este código se ha creado en primer lugar la función update() con la cual se borra la gráfica anterior, se seleccionan los datos anteriores al año indicado en el parámetro frame, y se crea una gráfica de barras con Seaborn. Posteriormente se crea una figura y un objeto mediante el constructor FuncAnimation. En el que se indica la figura, la función de actualización, el listado de años en el parámetro frame y el periodo de actualización en milisegundos. Posteriormente se guarda la figura en un archivo. El resultado obtenido se muestra en la siguiente figura.

Evolución del número de pasajeros transportados por mes a lo largo de tiempo en una gráfica animada creada con Seaborn
Evolución del número de pasajeros transportados por mes a lo largo de tiempo en una gráfica animada creada con Seaborn

Conclusiones

La creación de gráficos animados con Seaborn y Matplotlib es una herramienta con la que se puede mostrar cómo evolucionan los datos un conjunto de datos a lo largo del tiempo. Agregando la dimensión temporal a las gráficas. Algo que permite mostrar más información que con una simple gráfica estática.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 2

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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python Etiquetado como: Seaborn

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

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • pandas Pandas: Obtener el nombre de las columnas y filas en Pandas publicado el diciembre 7, 2020 | en Python
  • Evaluar similitudes entre señales: Cómo calcular la correlación cruzada con np.correlate() en NumPy publicado el enero 24, 2025 | en Ciencia de datos, Python
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales publicado el mayo 12, 2026 | en Python
  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1) publicado el junio 4, 2026 | en Opinión
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2) publicado el junio 11, 2026 | en Opinión

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

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • 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

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