• 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

Incluir líneas de división en Matplotlib

Matplotlib

julio 21, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Las gráficas que cuentan con líneas de división generalmente son más fáciles de leer, especialmente cuando se necesita comprender de una manera precisa la relación existente entre los diferentes valores que se muestran. Por eso incluir este elemento puede ser de gran ayuda. Incluir líneas de división en Matplotlib no es una tarea compleja, pero es necesario conocer las principales opciones existentes.

Agregar una línea de división a una gráfica de Matplotlib

A modo de ejemplo, para ver el funcionamiento de las líneas de división en Matplotlib, se puede crear una gráfica sencilla como puede ser un coseno. Por ejemplo, con el siguiente código.

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 1, 100)
y = np.cos(1.5 * np.pi * x)

plt.plot(x, y)
plt.show()

Con lo que se obtiene como resultado la siguiente figura.

Grafica de un coseno sin líneas de división

Ahora si se desea agregar líneas de división a la figura solamente se tienen que usar la función grid() de pyplot antes de dibujar la gráfica. Como se hace en el siguiente código

plt.plot(x, y)
plt.grid()
plt.show()

Obteniendo como resultado la siguiente figura en la que se puede apreciar unas líneas de división básicas.

Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
En Analytics Lane
Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling

Grafica de un coseno con líneas de división básicas

Opciones de grid()

En el caso de que no sean de nuestro agrado las líneas de división de la gráfica, se puede modificar la forma de estas mediante las opciones que ofrece la función grid(). Algunas de las opciones más importantes son:

  • color: cambia el color de las líneas de división, pudiéndose usar los códigos de los colores que se usan habitualmente en Matplotlib.
  • linestyle: modifica el estilo de la línea, por defecto es sólido, pero es posible usar líneas de puntos, puntos y líneas o líneas discontinuas.
  • linewidth: altera el ancho de la línea que se muestra en la gráfica. El valor por defecto es 1 y el valor que se indica es cuanto mayor o menor será la línea que se dibuje.
  • axis: selecciona el eje de la gráfica en la que se muestran las líneas de división. Por defecto se muestra en ambas, pero se puede indicar ‘x’ o ‘y’ para seleccionar el eje.
  • which: permite indicar si las líneas se muestran en las marcas de división principales (‘major’), en las secundarias (‘minor’) o en ambas (‘both’), siendo la opción por defecto sólo las principales.

Publicidad


Cambiando el color y formato de las líneas de división en Matplotlib

Quizás la opción más usada será cambiar el color y el formato de las líneas de división. Algo que se puede hacer como en el siguiente ejemplo donde se usa el color verde, en unas líneas de división discontinuas de ancho 2.

plt.plot(x, y)
plt.grid(color='g', linestyle='--', linewidth=2)
plt.show()

Lo que genera la siguiente gráfica

Grafica de un coseno con líneas de división en las que se ha cambiado el formato

Líneas de división solamente en uno de los ejes

Otra opción habitual es incluir solamente las líneas de división en un eje. Lo que se puede hacer indicando el eje mediante la propiedad axis, cómo se hace en el siguiente ejemplo donde las líneas solamente se muestran en el eje y.

plt.plot(x, y)
plt.grid(axis='y')
plt.show()

Obteniendo la siguiente figura al ejecutar el código.

Grafica de un coseno con líneas de división solamente en el eje y

Incluir líneas de división en las marcas de divisiones secundarias

Si se desea incluir líneas de división en las marcas de división secundaria de una gráfica en primer lugar es necesario incluir estas marcas. Lo que se puede conseguir ejecutando la función minorticks_on(), lo que se ha explicado la semana pasada. Además de esto, también se tiene que indicar mediante la propiedad which que se desee incluir en ambas, para lo que se usará el valor ‘both’, o solamente en las secundarias, mediante el valor ‘minor’. Por ejemplo, tal como se muestra en el siguiente ejemplo donde se muestran ambas.

plt.plot(x, y)
plt.minorticks_on()
plt.grid(which='both')
plt.show()

Lo que produce el siguiente resultado.

Grafica de un coseno con líneas de división en las marcas de divisiones secundarias

Publicidad


Conclusiones

En esta entrada se ha visto cómo se puede agregar fácilmente líneas de división en Matplotlib a las figuras. Una opción que ayuda a leer los datos y, por lo tanto, facilita su interpretación.

¿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

  • Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Actualizar expresslanets a ES Modules con tsx y Vitest
  • Curiosidad: El “bug”, la polilla y la leyenda de Grace Hopper
  • Curiosidad: Por qué la criptografía habla siempre de Alice y Bob
  • BG/BB: el modelo de CLV para compras en períodos discretos
  • Errores comunes al interpretar resultados estadísticos
  • Método del codo: interpretación correcta y limitaciones
  • Dashboard CLV: cuatro modelos, un mismo dataset, conclusiones muy distintas

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

Actualizar expresslanets a ES Modules con tsx y Vitest

septiembre 24, 2026 Por Daniel Rodríguez

Pareto/NBD: cuando el abandono silencioso cambia el CLV

septiembre 22, 2026 Por Daniel Rodríguez

Por qué migrar tus proyectos TypeScript a ES Modules en 2026

septiembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Generar líneas y áreas arbitrarias en Matplotlib publicado el agosto 9, 2022 | en Python
  • Aprendizaje supervisado y no supervisado Aprendizaje supervisado y aprendizaje no supervisado publicado el julio 13, 2018 | en Ciencia de datos
  • Creación de gráficos interactivos en Jupyter Notebook con Python publicado el septiembre 17, 2018 | en Python
  • Entendiendo la validación cruzada: Selección de la profundidad óptima en un árbol de decisión publicado el septiembre 13, 2024 | en Ciencia de datos
  • Exportar figuras de App Designer en Matlab publicado el noviembre 20, 2020 | en Matlab

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

  • 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