• 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

Creación de gráficos interactivos en Jupyter Notebook con Python

Jupyter, Matplotlib

septiembre 17, 2018 Por Daniel Rodríguez 2 comentarios
Tiempo de lectura: 4 minutos

Para la exploración de datos los gráficos interactivos es una solución que facilita la tarea. Poder comprobar cómo cambian los resultados al modificar uno o varios parámetros facilitan la comprensión del efecto de estos. A continuación, se explicará cómo crear gráficos interactivos en Jupyter Notebook con Python.

Introducción

En muchas ocasiones es interesante poder comprobar gráficamente cómo cambian los resultados al modificar parámetros. En Jupyter Notebook una forma trivial de conseguir esto es volver a ejecutar la celda cambiando los parámetros. Otra forma más interesante de conseguir esto es mediante la creación de gráficos interactivos. Estos gráficos permiten la creación de pantallas dinámicas basadas en la evaluación de funciones.

Gráficos interactivos en Jupyter Notebook

Para la creación de un gráfico interactivos se ha de crear un Notebook en el que se ha de incluir las siguientes líneas:

%matplotlib inline
import numpy as np
import matplotlib.pyplot as plt

Una vez realizado esto se ha de crear una función que genere el gráfico deseada. A modo de ejemplo se va a simular una distribución normal y representar el histograma. La idea es comprobar cómo evoluciona la forma de la distribución a medida que aumenta el tamaño de la muestra. Para ello se puede definir una función como la siguiente:

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

from scipy.stats import norm

def plot_function(size = 100, bins = 10, loc=0, scale=1, color='red'):
    data = norm.rvs(size=size, loc=loc, scale=scale)
    binwidth = (max(data) - min(data))/ bins
    plt.hist(data, 
             bins=np.arange(min(data), max(data) + binwidth, binwidth),
             color=color)
    plt.show()

Al llamar a esta función se simula una distribución normal con los parámetros indicados. Posteriormente calcula el ancho de los bins del histograma y lo representa. Al ejecutar esta función aparece un gráfico como la siguiente.

Gráfico estático

Ahora, se puede importar la función interact de ipywidgets para crear un gráfico interactivo. A esta función se le ha de pasar como parámetro la que se ha definido para generar el gráfico. Esta generará un gráfico con un control para para cada una de las entradas de la función que se pueden utilizar para cambiar los valores. Por ejemplo, al ejecutar el siguiente código en una celda se obtiene la siguiente figura.

from ipywidgets import interact 
interact(plot_function)
None
Gráficos interactivos en Jupyter Notebook

Limitar los parámetros de los controles

En el ejemplo anterior se puede ver que es posible seleccionar valores en los controles que no son válidos. Por ejemplo, un tamaño de la muestra negativo o un nombre de color no disponible. Para evitar esto se le puede indicar los valores permitidos y el paso en las barras de desplazamiento para cada uno de los parámetros. En el caso de los valores numéricos se ha de indicar una tulpa con el valor mínimo, el máximo y, en caso de que el paso entre valores no sea de 1, el valor del paso. Por otro lado, cuando el valor es categórico se ha de utilizar una lista con los valores permitidos. En el ejemplo anterior se puede modificar para evitar los problemas indicados anteriormente.

interact(plot_function,
         size = (1, 1000, 10),
         bins = (1, 100, 1),
         loc = (-100, 100, 1),
         scale = (1, 100, 1),
         color=['red', 'yellow', 'blue'])
None

Obteniéndose un nuevo gráfico interactivo en el Notebook en el que se puede apreciar unas barras de desplazamiento modificadas. Además, la selección del color se esta limitada únicamente a los tres valores indicados.

Gráficos interactivos en Jupyter Notebook con controles modificados

En el caso de que una variable sea binaria se puede indicar a interact con la opción True. Así aparecerá una casilla de selección en lugar de una barra de desplazamiento.

Conclusiones

En esta entrada se ha visto cómo crear de gráficos interactivos en Jupyter Notebook con Python. La utilización de esta herramienta permite explorar los resultados de una forma visual más ágil. Permitiendo que incluso usuarios sin conocimiento de Python puedan realizar la exploración.

Imágenes: Pixabay

¿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: Jupyter, Matplotlib

Interacciones con los lectores

Comentarios

  1. lucas dice

    octubre 28, 2020 a las 5:58 pm

    Primero muchisimas gracias me sirvio muchisimo, pero tengo una duda. Me aparece un cuadro rojo en algunos graficos, de alguna forma se puede sacar?

    %matplotlib inline
    import numpy as np
    import matplotlib.pyplot as plt

    def plot_function(l=13, a=-0.5,p=1):
    x = np.arange(a-p, a+p, 0.01)
    m=(a+a)/2
    s =-20*np.exp((abs(x))/(-5))-np.exp(np.cos(2*np.pi*x))+20+np.exp(1)
    ss = (x-m)*l-20*np.exp((abs(m))/(-5))-np.exp(np.cos(2*np.pi*m))+20+np.exp(1)
    tt = -(x-m)*l-20*np.exp((abs(m))/(-5))-np.exp(np.cos(2*np.pi*m))+20+np.exp(1)
    fig, ax = plt.subplots(figsize=(20,20))
    ax.plot(x, s,x,ss,x,tt)
    ax.grid()
    plt.hist(np.arange(a,b))
    plt.show()
    from ipywidgets import interact
    interact(plot_function,
    l = (10, 14, 0.1),
    a = (-1, 1, 0.1),
    p = (0.1, 2, 0.1))
    None

    Responder
    • Daniel Rodríguez dice

      octubre 28, 2020 a las 8:11 pm

      Lo único que genera rectángulos en el código es la función histograma, al eliminar la línea debería desaparecer

      plt.hist(np.arange(a,b))

      Responder

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

  • Solución al error Failed to download metadata for repo ‘AppStream’ en CentOS 8 publicado el septiembre 13, 2023 | en Herramientas
  • Curiosidad: El uso del número 42 para fijar la semilla publicado el julio 7, 2023 | en Opinión
  • Método de Brent e implementación en Python publicado el abril 28, 2023 | en Ciencia de datos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no) publicado el marzo 3, 2026 | en Ciencia de datos
  • Diagramas de dispersión y gráficos de regresión con Seaborn: Visualización de relaciones entre variables numéricas publicado el julio 20, 2023 | 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

4.1 (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