• 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

Crear dos gráficos de tarta para ofrecer información detallada de subcategorías en Python

Matplotlib

octubre 28, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Figura en la que se combinan las ventas por departamento el detalle de uno de ellos usando graficas de tarta.

En una entrada hace dos semanas se explicó cómo combinar un gráfico de tarta con uno de barras apiladas para mostrar el detalle de una de las categorías de la tarta. Lo que permite crear representaciones que muestran en detalle los datos. En esta entrada, se verá cómo combinar dos gráficos de tarta para ofrecer información detallada de subcategorías de datos en Python con Matplotlib.

Combinar dos gráficos de tarta

Como se explicó en la entrada anterior, en ciertas ocasiones puede ser necesario crear una representación que muestre la distribución global de una serie de datos, pero también desglosar una categoría en subcomponentes. Para mostrar al lector un detalle concreto de los datos. Lo que se consiguió usando como segunda gráfica de barras apiladas en las que se representaban las ventas de un departamento. En esta entrada, se volverá a realizar el mismo ejercicio, pero, en lugar de utilizar un gráfico de barras para detallar las ventas de “Electrónica”, se emplea otro gráfico de tarta más pequeño para visualizar las subcategorías. Para lo que se usarán los siguientes datos.

# Datos de ventas por departamento
departamentos = ['Electrónica', 'Ropa', 'Hogar', 'Libros', 'Juguetes', 'Deportes']
ventas = [500, 200, 300, 100, 150, 50]

# Datos de ventas por categorías de productos en el departamento de electrónica 
productos_electronica = ['Televisores', 'Audio', 'Teléfonos', 'Computadoras']
ventas_electronica = [200, 100, 150, 50]

Crear el gráfico de tarta principal

En primer lugar, se debe crear un gráfico de tarta que muestra las ventas por departamento. Este gráfico destaca el departamento de “Electrónica”, ya que posteriormente se va a profundizar en él.

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)

import matplotlib.pyplot as plt
import numpy as np

# Crear la figura
fig, ax1 = plt.subplots(figsize=(5, 5))

# Resaltar el segmento de Electrónica
explode = [0.1, 0, 0, 0, 0, 0]

# Crear el gráfico de tarta
wedges, *_ = ax1.pie(ventas, labels=departamentos, autopct='%1.1f%%', startangle=90, explode=explode)
ax1.set_title('Ventas por departamento')

plt.show()

Este código genera un gráfico de tarta que muestra las ventas de todos los departamentos, destacando “Electrónica” con un efecto de explosión.

Gráfico de tarta en las que se muestra las ventas por departamento resaltando el departamento de electrónica con el efecto explosión
Ventas por departamento

Publicidad


Crear el gráfico de tarta secundario (más pequeño)

Ahora, se crea el segundo gráfico de tarta, esté más pequeño, para mostrar el desglose de las ventas dentro del departamento de “Electrónica”. Este gráfico tiene un tamaño reducido, el 70% del tamaño del gráfico principal, para resaltar de este modo que es un detalle del anterior.

# Crear la figura y el segundo gráfico de tarta
fig, ax2 = plt.subplots(figsize=(4, 4))

# Crear la tarta con un tamaño reducido (70% del tamaño normal)
ax2.pie(ventas_electronica, labels=productos_electronica, autopct='%1.1f%%', startangle=90, radius=0.7)
ax2.set_title('Detalle de ventas en Electrónica')

plt.show()

Aquí, el gráfico muestra el desglose de las ventas de productos dentro de “Electrónica”. Se ha ajustado el tamaño del gráfico usando el argumento radius=0.7 para hacerlo más pequeño.

Gráfico de tarta con el detalle de las ventas del departamento de electrónica.
Detalle de las ventas del departamento de electrónica.

Unir ambos gráficos con líneas

Finalmente, se conectan ambos gráficos utilizando ConnectionPatch para crear líneas que vayan del borde de “Electrónica” en el gráfico principal hasta el borde del gráfico secundario. Ajustando las coordenadas para que las líneas se alineen correctamente.

from matplotlib.patches import ConnectionPatch

# Crear la figura y los ejes para ambos gráficos
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(9, 5))
fig.subplots_adjust(wspace=0)

# Gráfico de tarta principal (Ventas por departamento)
explode = [0.1, 0, 0, 0, 0, 0]  # Resalta Electrónica
angle = -180 * ventas[0] / sum(ventas)
wedges, *_ = ax1.pie(ventas, labels=departamentos, autopct='%1.1f%%', startangle=angle, explode=explode)
ax1.set_title('Ventas por departamento')

# Gráfico de tarta secundario (Ventas en Electrónica) con tamaño reducido
ax2.pie(ventas_electronica, labels=productos_electronica, autopct='%1.1f%%', startangle=90, radius=0.7)
ax2.set_title('Detalle de ventas en Electrónica')

# Coordenadas del gráfico de tarta principal (segmento de Electrónica)
theta1, theta2 = wedges[0].theta1, wedges[0].theta2
center, r = wedges[0].center, wedges[0].r

# Coordenadas del extremo superior e inferior del segmento de Electrónica
x_sup = r * np.cos(np.pi / 180 * theta2) + center[0]
y_sup = r * np.sin(np.pi / 180 * theta2) + center[1]
x_inf = r * np.cos(np.pi / 180 * theta1) + center[0]
y_inf = r * np.sin(np.pi / 180 * theta1) + center[1]

# Coordenadas del gráfico de tarta secundario
sec_sup = [0, 0.7] 
sec_inf = [0, -0.7] 
r_sec = 0.7  # Radio del segundo gráfico

# Conectar el gráfico principal y el gráfico secundario
con_sup = ConnectionPatch(xyA=sec_sup, coordsA=ax2.transData,
                          xyB=(x_sup, y_sup), coordsB=ax1.transData, color="black", lw=2)
ax2.add_artist(con_sup)

con_inf = ConnectionPatch(xyA=sec_inf, coordsA=ax2.transData,
                          xyB=(x_inf, y_inf), coordsB=ax1.transData, color="black", lw=2)
ax2.add_artist(con_inf)

plt.show()

Finalmente, se obtiene una figura en la que se combinan las dos gráficas de tarta principal para ser conectadas mediante la clase ConnectionPatch. Los detalles del funcionamiento de esta clase se pueden ver en la entrada anterior.

Figura en la que se combinan las ventas por departamento el detalle de uno de ellos usando graficas de tarta.
Ventas por departamento con el detalle de las ventas del de electrónica

Conclusiones

En esta entrada se ha visto cómo, en lugar de utilizar barras apiladas, se pueden emplear dos gráficos de tarta para desglosar subcategorías de una categoría general, manteniendo la coherencia visual. Este enfoque es particularmente útil para presentaciones que requieren una representación clara y concisa de los datos en formato circular.

¿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

  • 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)
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • 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
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

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

DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

junio 30, 2026 Por Daniel Rodríguez

El bestiario de los indicadores económicos absurdos: El zoo patrio

junio 25, 2026 Por Daniel Rodríguez

Por qué el banco te ofrece un 3% TAE y no es lo que parece

junio 23, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Cómo determinar el número de componentes en PCA usando la varianza explicada acumulada publicado el enero 31, 2025 | en Ciencia de datos
  • Cuatro libros para aprender Pandas publicado el marzo 31, 2023 | en Reseñas
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso publicado el junio 9, 2026 | en Python

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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