• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Cómo crear gráficos múltiples en Seaborn

Seaborn

agosto 31, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 5 minutos

Los gráficos múltiples, también conocidos por su nombre en inglés subplots, son una forma efectiva para mostrar múltiples visualizaciones de datos en una misma figura. Permitiendo ver al mismo tiempo más de un tipo de dato o tendencia. La mayoría de las bibliotecas de visualización de datos incluye funciones y métodos para esto, lo que no es una excepción en el caso de Seaborn. En esta entrada, se verá cómo se pueden crear gráficos múltiples en Seaborn para disponer de múltiples visualizaciones de una única figura.

Importación de datos de ejemplo: iris

Antes de poder crear un gráfico es necesario importar un conjunto de datos. Para hacer más fácil el seguimiento de los ejemplos se va a utilizar uno de los conjuntos de datos que se incluyen en la instalación de Seaborn, el conjunto de datos iris. Un conjunto de datos que contiene las mediciones en centímetros de la longitud y ancho de los pétalos y sépalos de 150 flores de tres especies diferentes. La importación se puede hacer, después de haber importado Seaborn, con la función load_dataset().

import seaborn as sns

# Cargar los datos de ejemplo de Seaborn
iris = sns.load_dataset("iris")

Creación de gráficos múltiples en Seaborn

Seaborn está basado en Matplotlib, por lo que se pueden usar las herramientas de esta para la creación de gráficos múltiples. La función subplots() de Matplotlib permite crear figuras con varios ejes, uno para cada una de los gráficos. Una vez creada la figura y los ejes, solamente se debe llamar a las funciones de Seaborn con un parámetro que indique en qué eje se debe crear la gráfica.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

A la hora de crear una figura con varias gráficas con la función subplots() de Matplotlib es necesario tener en cuenta dos parámetros: nrows, con el que se indica el número de filas que tendrá la figura, y ncols, con el que se indica el número de columnas. La función devuelve dos parámetros, el primero hace referencia a la figura y el segundo es una lista con los diferentes ejes. En la segunda variable, el primer eje hace referencia a posición en las filas y el segundo a la columna. Teniendo esto en mente se puede crear una figura con cuatro gráficas con el siguiente ejemplo.

import matplotlib.pyplot as plt

# Crear una figura y ejes para los subplots
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

# Crear los subplots utilizando Seaborn
sns.scatterplot(x=iris['sepal_length'], y=iris['sepal_width'], ax=axes[0, 0])
sns.boxplot(x=iris['species'], y=iris['sepal_length'], ax=axes[0, 1])
sns.histplot(iris['petal_length'], ax=axes[1, 0])
sns.kdeplot(iris['petal_width'], ax=axes[1, 1])

# Añadir títulos y etiquetas a los subplots
axes[0, 0].set_title('Scatterplot')
axes[0, 1].set_title('Boxplot')
axes[1, 0].set_title('Histograma')
axes[1, 1].set_title('Kernel Density Estimation')

# Ajustar el espaciado entre los subplots
plt.tight_layout()

# Mostrar los subplots
plt.show()
Gráficos múltiples en Seaborn distribuidos en una matriz de dos por dos
Gráficos múltiples en Seaborn distribuidos en una matriz de dos por dos

En este caso primero se ha creado una figura con cuatro ejes mediante la función subplots() de Matplotlib. Indicando que esta figura tenga dos filas de ejes (nrows), dos columnas de ejes (ncols) y el tamaño de la figura sea de 5 por 8 (figsize). Posteriormente se han creado cuatro gráficas diferentes y cada una de ellas se ha dibujado en un eje diferente, el cual se ha indicado a las funciones mediante la propiedad ax. Para lo que se han usado funciones de visualización de Seaborn, como scatterplot(), boxplot(), histplot() y kdeplot(). Sin olvidar agregar los títulos mediante la propiedad set_title() de cada uno de los ejes. Finalmente se ajusta el espacio entre los gráficos múltiples y se muestra la gráfica.

Gráficos múltiples verticales con Seaborn

Al llamar a la función subplots() de Matplotlib, en el caso de que no se indique el número de columnas mediante la propiedad ncols, o este sea uno, los ejes se distribuirán de forma vertical. Por lo que no se tendrá una matriz de ejes, sino que un vector. Por ejemplo, se puede ver cómo se crea una figura con dos gráficos mediante el siguiente código.

# Crear una figura y ejes para los subplots
fig, axes = plt.subplots(nrows=2, figsize=(5, 8))

# Crear los subplots utilizando Seaborn
sns.scatterplot(x=iris['sepal_length'], y=iris['sepal_width'], ax=axes[0])
sns.boxplot(x=iris['species'], y=iris['sepal_length'], ax=axes[1])

# Añadir títulos y etiquetas a los subplots
axes[0].set_title('Scatterplot')
axes[1].set_title('Boxplot')

# Ajustar el espaciado entre los subplots
plt.tight_layout()

# Mostrar los subplots
plt.show()
Gráficos múltiples en Seaborn distribuidos en vector vertical de dos elementos
Gráficos múltiples en Seaborn distribuidos en vector vertical de dos elementos

Nótese que, como se ha comentado antes, la variable axis ya no contiene una matriz, sino que un vector. Por lo que si se intentase usar el valor axes[0, 0] ser producirá un error en tiempo de ejecución.

Gráficos múltiples horizontales con Seaborn

# Crear una figura y ejes para los subplots
fig, axes = plt.subplots(ncols=2, figsize=(10, 4))

# Crear los subplots utilizando Seaborn
sns.scatterplot(x=iris['sepal_length'], y=iris['sepal_width'], ax=axes[0])
sns.boxplot(x=iris['species'], y=iris['sepal_length'], ax=axes[1])

# Añadir títulos y etiquetas a los subplots
axes[0].set_title('Scatterplot')
axes[1].set_title('Boxplot')

# Ajustar el espaciado entre los subplots
plt.tight_layout()

# Mostrar los subplots
plt.show()
Gráficos múltiples en Seaborn distribuidos en vector horizontal de dos elementos
Gráficos múltiples en Seaborn distribuidos en vector horizontal de dos elementos

De forma análoga al caso anterior, si no se indica el número de filas este será uno. En el siguiente código se puede ver cómo crear gráficos múltiples con una distribución vertical.

Conclusiones

La creación de gráficos múltiples en Seaborn permite organizar y presentar las visualizaciones de manera clara y eficiente. Pudiéndose combinar diferentes tipos de gráficos en una misma figura. Algo que facilita la comprensión de los patrones y las relaciones existentes en los conjuntos de datos.

Es necesario tener en cuenta que usar demasiadas gráficas en una figura puede ser contraproducente. Ya que el tamaño de cada una de las gráficas es menor, pudiendo evitar que se vean claramente los patrones que se desean mostrar. Siempre, al crear gráficos múltiples, es necesario evaluar si no es una mejor opción crear varias figuras en lugar de una sola.

¿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?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

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

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Identificando celdas con espacios en blanco en Excel publicado el noviembre 5, 2018 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas

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