• 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

Seaborn

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.

Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
En Analytics Lane
Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera

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

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

  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Migrar tslane a un paquete dual CommonJS y ESM con tsup y Vitest
  • Cómo construir tu primer scorecard paso a paso
  • Docker Compose: el día a día. Cómo ver qué funciona y qué no
  • Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards
  • Tuplas vs Listas en Python: parecen lo mismo, pero no

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

Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera

octubre 27, 2026 Por Daniel Rodríguez

Cómo Elegir el Test de Hipótesis Correcto para tus Datos

octubre 22, 2026 Por Daniel Rodríguez

Tuplas vs Listas en Python: parecen lo mismo, pero no

octubre 20, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Numpy básico: encontrar la posición de un elemento en un Array de Numpy publicado el septiembre 11, 2019 | en Python
  • La distancia de Mahalanobis publicado el abril 19, 2024 | en Ciencia de datos

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