matplotlib

#matplotlib
Tabla de contenido
Acerca de 1

Capítulo 1: Empezando con matplotlib 2

Observaciones 2

Visión general 2

Versiones 2

Examples 2

Instalación y configuración 2

Windows 2

OS X 2

Linux 3

Debian / Ubuntu 3

Fedora / Red Hat 3

Solución de problemas 3

Personalizando un gráfico de matplotlib 3

Sintaxis imperativa vs orientada a objetos 5

Arreglos bidimensionales (2D) 7

Capítulo 2: Animaciones y tramas interactivas. 8

Introducción 8

Examples 8

Animación básica con función de animación. 8

Guarda la animación en gif 9

Controles interactivos con matplotlib.widgets 10

Trazar datos en vivo de la tubería con matplotlib 11

Capítulo 3: Cerrar una ventana de figura 14

Sintaxis 14

Examples 14

Cerrando la figura activa actual usando pyplot 14

Cerrar una figura específica usando plt.close () 14

Capítulo 4: Colormaps 15
 Examples 15

Uso básico 15

Usando colormaps personalizados 17

Colormaps perceptualmente uniformes 19

Mapa de colores discreto personalizado 21

Capítulo 5: Figuras y objetos de ejes 23

Examples 23

Creando una figura 23

Creando unos ejes 23

Capítulo 6: Gráficas de caja 25

Examples 25

Cuadros de caja básicos 25

Capítulo 7: Gráficas de caja 27

Examples 27

Función boxplot 27

Capítulo 8: Histograma 34

Examples 34

Histograma simple 34

Capítulo 9: Integración con TeX / LaTeX 35

Observaciones 35

Examples 35

Insertando fórmulas TeX en parcelas 35

Guardando y exportando parcelas que utilizan TeX. 37

Capítulo 10: Leyendas 39

Examples 39

Leyenda simple 39

Leyenda colocada fuera de la trama 41

Leyenda única compartida en múltiples subparcelas 43

Múltiples leyendas en los mismos ejes 44

Capítulo 11: Líneas de cuadrícula y marcas de garrapatas 48

Examples 48

Parcela Con Gridlines 48

Parcela Con Líneas De Rejilla 48

Parcela con líneas de rejilla mayores y menores 49

Capítulo 12: LogLog Graphing 51

Introducción 51

Examples 51

LogLog graficando 51

Capítulo 13: Manipulación de imagen 54

Examples 54

Abriendo imagenes 54

Capítulo 14: Mapas de contorno 56

Examples 56

Trazado de contorno rellenado simple 56

Trazado de contorno simple 57

Capítulo 15: Parcelas básicas 58

Examples 58

Gráfico de dispersión 58

Un simple diagrama de dispersión 58

Un diagrama de dispersión con puntos etiquetados 59

Parcelas Sombreadas 60

Región sombreada debajo de una línea 60

Región sombreada entre dos líneas 61

Líneas de parcelas 62

Trazo de línea simple 62

Diagrama de datos 64

Datos y linea 65

Mapa de calor 66

Capítulo 16: Parcelas Múltiples 70

Sintaxis 70

Examples 70

Rejilla de subparcelas usando subparcela 70

Múltiples líneas / curvas en la misma parcela 71

 Parcelas Múltiples con Gridspec 73

Un gráfico de 2 funciones en el eje x compartido. 74

Parcelas múltiples y características de parcelas múltiples 75

Capítulo 17: Parcelas tridimensionales 83

Observaciones 83

Examples 86

Creando ejes tridimensionales. 86

Capítulo 18: Sistemas de coordenadas 88

Observaciones 88

Examples 89

Sistemas de coordenadas y texto. 89

Creditos 92
Acerca de
You can share this PDF with anyone you feel could benefit from it, downloaded the latest version
from: matplotlib

It is an unofficial and free matplotlib ebook created for educational purposes. All the content is
extracted from Stack Overflow Documentation, which is written by many hardworking individuals at
Stack Overflow. It is neither affiliated with Stack Overflow nor official matplotlib.

The content is released under Creative Commons BY-SA, and the list of contributors to each
chapter are provided in the credits section at the end of this book. Images may be copyright of
their respective owners unless otherwise specified. All trademarks and registered trademarks are
the property of their respective company owners.

Use the content presented in this book at your own risk; it is not guaranteed to be correct nor
accurate, please send your feedback and corrections to [email protected]

https://riptutorial.com/es/home 1
Capítulo 1: Empezando con matplotlib
Observaciones

Visión general
matplotlib es una biblioteca de trazado para Python. Proporciona API orientadas a objetos para
incrustar gráficos en aplicaciones. Es similar a MATLAB en capacidad y sintaxis.

Fue escrito originalmente por JDHunter y se está desarrollando activamente. Se distribuye bajo
una licencia BSD-Style.

Versiones

Versiones de Python Fecha de

Versión Observaciones
compatibles lanzamiento

Versión estable más

1.3.1 2.6, 2.7, 3.x 2013-10-10
antigua

1.4.3 2.6, 2.7, 3.x Versión estable anterior 2015-07-14

1.5.3 2.7, 3.x Versión estable actual 2016-01-11

Última versión de
2.x 2.7, 3.x 2016-07-25
desarrollo

Examples
Instalación y configuración

Existen varias formas de instalar matplotlib, algunas de las cuales dependerán del sistema que
esté utilizando. Si tiene suerte, podrá usar un administrador de paquetes para instalar fácilmente
el módulo matplotlib y sus dependencias.

Windows
En las máquinas con Windows puede intentar usar el administrador de paquetes pip para instalar
matplotlib. Consulte aquí para obtener información sobre la configuración de pip en un entorno
Windows.

https://riptutorial.com/es/home 2
OS X
Se recomienda que utilice el administrador de paquetes pip para instalar matplotlib. Si necesita
instalar algunas de las bibliotecas que no son de Python en su sistema (por ejemplo, libfreetype
), considere usar Homebrew .

Si no puede usar pip por cualquier motivo, intente instalar desde la fuente .

Linux
Lo ideal sería utilizar el administrador de paquetes del sistema o pip para instalar matplotlib, ya
sea instalando el paquete python-matplotlib o ejecutando pip install matplotlib .

Si esto no es posible (por ejemplo, no tiene privilegios de sudo en la máquina que está usando),
entonces puede instalar desde la fuente usando la opción --user : python setup.py install --user .
Normalmente, esto instalará matplotlib en ~/.local .

Debian / Ubuntu
sudo apt-get install python-matplotlib

Fedora / Red Hat

sudo yum install python-matplotlib

Solución de problemas
Consulte el sitio web de matplotlib para obtener consejos sobre cómo reparar un matplotlib roto.

Personalizando un gráfico de matplotlib

import pylab as plt

import numpy as np

plt.style.use('ggplot')

fig = plt.figure(1)
ax = plt.gca()

# make some testing data

x = np.linspace( 0, np.pi, 1000 )
test_f = lambda x: np.sin(x)*3 + np.cos(2*x)

# plot the test data

ax.plot( x, test_f(x) , lw = 2)

# set the axis labels

https://riptutorial.com/es/home 3
 ax.set_xlabel(r'$x$', fontsize=14, labelpad=10)
ax.set_ylabel(r'$f(x)$', fontsize=14, labelpad=25, rotation=0)

# set axis limits

ax.set_xlim(0,np.pi)

plt.draw()

# Customize the plot

ax.grid(1, ls='--', color='#777777', alpha=0.5, lw=1)
ax.tick_params(labelsize=12, length=0)
ax.set_axis_bgcolor('w')
# add a legend
leg = plt.legend( ['text'], loc=1 )
fr = leg.get_frame()
fr.set_facecolor('w')
fr.set_alpha(.7)
plt.draw()

https://riptutorial.com/es/home 4
Sintaxis imperativa vs orientada a objetos

Matplotlib admite sintaxis tanto orientada a objetos como imperativa para el trazado. La sintaxis
imperativa está diseñada intencionalmente para estar muy cerca de la sintaxis de Matlab.

La sintaxis imperativa (a veces llamada sintaxis 'máquina de estado') emite una serie de
comandos que actúan sobre la figura o el eje más reciente (como Matlab). La sintaxis orientada a
objetos, por otra parte, actúa explícitamente sobre los objetos (figura, eje, etc.) de interés. Un
punto clave en el zen de Python afirma que explícito es mejor que implícito, por lo que la sintaxis
orientada a objetos es más pirónica. Sin embargo, la sintaxis imperativa es conveniente para los
nuevos conversos de Matlab y para escribir pequeños guiones de argumento "desechables". A
continuación se muestra un ejemplo de los dos estilos diferentes.

import matplotlib.pyplot as plt

import numpy as np

t = np.arange(0, 2, 0.01)
y = np.sin(4 * np.pi * t)

# Imperative syntax

https://riptutorial.com/es/home 5
 plt.figure(1)
plt.clf()
plt.plot(t, y)
plt.xlabel('Time (s)')
plt.ylabel('Amplitude (V)')
plt.title('Sine Wave')
plt.grid(True)

# Object oriented syntax

fig = plt.figure(2)
fig.clf()
ax = fig.add_subplot(1,1,1)
ax.plot(t, y)
ax.set_xlabel('Time (s)')
ax.set_ylabel('Amplitude (V)')
ax.set_title('Sine Wave')
ax.grid(True)

Ambos ejemplos producen la misma gráfica que se muestra a continuación.

https://riptutorial.com/es/home 6
Arreglos bidimensionales (2D)

Mostrar una matriz bidimensional (2D) en los ejes.

import numpy as np
from matplotlib.pyplot import imshow, show, colorbar

image = np.random.rand(4,4)
imshow(image)
colorbar()
show()

Lea Empezando con matplotlib en línea: https://riptutorial.com/es/matplotlib/topic/881/empezando-

con-matplotlib

https://riptutorial.com/es/home 7
Capítulo 2: Animaciones y tramas
interactivas.
Introducción
Con python matplotlib puedes hacer correctamente gráficos animados.

Examples
Animación básica con función de animación.

El paquete matplotlib.animation ofrece algunas clases para crear animaciones. FuncAnimation crea
animaciones llamando repetidamente a una función. Aquí usamos una función animate() que
cambia las coordenadas de un punto en el gráfico de una función sinusoidal.

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation

TWOPI = 2*np.pi

fig, ax = plt.subplots()

t = np.arange(0.0, TWOPI, 0.001)

s = np.sin(t)
l = plt.plot(t, s)

ax = plt.axis([0,TWOPI,-1,1])

redDot, = plt.plot([0], [np.sin(0)], 'ro')

def animate(i):
redDot.set_data(i, np.sin(i))
return redDot,

# create animation using the animate() function

myAnimation = animation.FuncAnimation(fig, animate, frames=np.arange(0.0, TWOPI, 0.1), \
interval=10, blit=True, repeat=True)

plt.show()

https://riptutorial.com/es/home 8
Guarda la animación en gif

En este ejemplo se utiliza el save método para guardar una Animation de objetos mediante
ImageMagick.

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
from matplotlib import rcParams

# make sure the full paths for ImageMagick and ffmpeg are configured
rcParams['animation.convert_path'] = r'C:\Program Files\ImageMagick\convert'
rcParams['animation.ffmpeg_path'] = r'C:\Program Files\ffmpeg\bin\ffmpeg.exe'

TWOPI = 2*np.pi

fig, ax = plt.subplots()

t = np.arange(0.0, TWOPI, 0.001)

s = np.sin(t)
l = plt.plot(t, s)

https://riptutorial.com/es/home 9
 ax = plt.axis([0,TWOPI,-1,1])

redDot, = plt.plot([0], [np.sin(0)], 'ro')

def animate(i):
redDot.set_data(i, np.sin(i))
return redDot,

# create animation using the animate() function with no repeat

myAnimation = animation.FuncAnimation(fig, animate, frames=np.arange(0.0, TWOPI, 0.1), \
interval=10, blit=True, repeat=False)

# save animation at 30 frames per second

myAnimation.save('myAnimation.gif', writer='imagemagick', fps=30)

Controles interactivos con matplotlib.widgets

Para interactuar con parcelas, Matplotlib ofrece widgets neutros de GUI. Los widgets requieren un
objeto matplotlib.axes.Axes .

Aquí hay una demostración del widget deslizante que detalla la amplitud de una curva sinusoidal.
La función de actualización es activada por el evento on_changed() del control deslizante.

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.animation as animation
from matplotlib.widgets import Slider

TWOPI = 2*np.pi

fig, ax = plt.subplots()

t = np.arange(0.0, TWOPI, 0.001)

initial_amp = .5
s = initial_amp*np.sin(t)
l, = plt.plot(t, s, lw=2)

ax = plt.axis([0,TWOPI,-1,1])

axamp = plt.axes([0.25, .03, 0.50, 0.02])

# Slider
samp = Slider(axamp, 'Amp', 0, 1, valinit=initial_amp)

def update(val):
# amp is the current value of the slider
amp = samp.val
# update curve
l.set_ydata(amp*np.sin(t))
# redraw canvas while idle
fig.canvas.draw_idle()

# call update function on slider value change

samp.on_changed(update)

plt.show()

https://riptutorial.com/es/home 10
Otros widgets disponibles:

• AxesWidget
• Botón
• Botones de control
• Cursor
• ElipseSelector
• Lazo
• LassoSelector
• LockDraw
• MultiCursor
• Botones de radio
• RectangleSelector
• SpanSelector
• SubplotTool
• Manijas de herramientas

Trazar datos en vivo de la tubería con matplotlib

https://riptutorial.com/es/home 11
Esto puede ser útil cuando desea visualizar los datos entrantes en tiempo real. Estos datos
podrían, por ejemplo, provenir de un microcontrolador que muestrea continuamente una señal
analógica.

En este ejemplo, obtendremos nuestros datos de una canalización con nombre (también conocida
como fifo). Para este ejemplo, los datos en la tubería deben ser números separados por
caracteres de nueva línea, pero puede adaptarlos a su gusto.

Ejemplo de datos:

100
123.5
1589

Más información sobre tuberías con nombre.

También utilizaremos el tipo de datos deque, de las colecciones de la biblioteca estándar. Un

objeto deque funciona bastante como una lista. Pero con un objeto deque es bastante fácil
agregarle algo mientras se mantiene el objeto deque en una longitud fija. Esto nos permite
mantener el eje x en una longitud fija en lugar de siempre crecer y aplastar la gráfica. Más
información sobre objetos deque.

Elegir el backend correcto es vital para el rendimiento. Compruebe qué componentes internos
funcionan en su sistema operativo y elija uno rápido. Para mí, solo qt4agg y el backend
predeterminado funcionaron, pero el predeterminado fue demasiado lento. Más información sobre
backends en matplotlib.

Este ejemplo se basa en el ejemplo matplotlib de trazar datos aleatorios .

Ninguno de los caracteres en este código está destinado a ser eliminado.

import matplotlib
import collections
#selecting the right backend, change qt4agg to your desired backend
matplotlib.use('qt4agg')
import matplotlib.pyplot as plt
import matplotlib.animation as animation

#command to open the pipe

datapipe = open('path to your pipe','r')

#amount of data to be displayed at once, this is the size of the x axis

#increasing this amount also makes plotting slightly slower
data_amount = 1000

#set the size of the deque object

datalist = collections.deque([0]*data_amount,data_amount)

#configure the graph itself

fig, ax = plt.subplots()
line, = ax.plot([0,]*data_amount)

#size of the y axis is set here

ax.set_ylim(0,256)

https://riptutorial.com/es/home 12
 def update(data):
line.set_ydata(data)
return line,

def data_gen():
while True:
"""
We read two data points in at once, to improve speed
You can read more at once to increase speed
Or you can read just one at a time for improved animation smoothness
data from the pipe comes in as a string,
and is seperated with a newline character,
which is why we use respectively eval and rstrip.
"""
datalist.append(eval((datapipe.readline()).rstrip('\n')))
datalist.append(eval((datapipe.readline()).rstrip('\n')))
yield datalist

ani = animation.FuncAnimation(fig,update,data_gen,interval=0, blit=True)

plt.show()

Si su trama comienza a demorarse después de un tiempo, intente agregar más datos de

datalist.append, para que se lean más líneas en cada fotograma. O elige un backend más rápido
si puedes.

Esto funcionó con datos de 150Hz de una tubería en mi 1.7ghz i3 4005u.

Lea Animaciones y tramas interactivas. en línea:

https://riptutorial.com/es/matplotlib/topic/6983/animaciones-y-tramas-interactivas-

https://riptutorial.com/es/home 13
Capítulo 3: Cerrar una ventana de figura
Sintaxis
• plt.close () # cierra la figura activa actual
• plt.close (fig) # cierra la figura con el mango 'fig'
• plt.close (num) # cierra el número de cifra 'num'
• plt.close (nombre) # cierra la figura con la etiqueta 'nombre'
• plt.close ('all') # cierra todas las cifras

Examples
Cerrando la figura activa actual usando pyplot

La interfaz pyplot para matplotlib podría ser la forma más sencilla de cerrar una figura.

import matplotlib.pyplot as plt

plt.plot([0, 1], [0, 1])
plt.close()

Cerrar una figura específica usando plt.close ()

Una figura específica se puede cerrar manteniendo su asa.

import matplotlib.pyplot as plt

fig1 = plt.figure() # create first figure

plt.plot([0, 1], [0, 1])

fig2 = plt.figure() # create second figure

plt.plot([0, 1], [0, 1])

plt.close(fig1) # close first figure although second one is active

Lea Cerrar una ventana de figura en línea: https://riptutorial.com/es/matplotlib/topic/6628/cerrar-

una-ventana-de-figura

https://riptutorial.com/es/home 14
Capítulo 4: Colormaps
Examples
Uso básico

El uso de pcolormesh contourf integrados es tan simple como pasar el nombre del mapa de colores
requerido (como se indica en la referencia de pcolormesh contourf ) a la función de trazado (como
pcolormesh o contourf ) que lo espera, generalmente en la forma de un argumento de palabra clave
cmap :

import matplotlib.pyplot as plt

import numpy as np

plt.figure()
plt.pcolormesh(np.random.rand(20,20),cmap='hot')
plt.show()

https://riptutorial.com/es/home 15
Los mapas de colores son especialmente útiles para visualizar datos tridimensionales en gráficos
bidimensionales, pero un buen mapa de colores también puede hacer que un gráfico
tridimensional adecuado sea mucho más claro:

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D
from matplotlib.ticker import LinearLocator

# generate example data

import numpy as np
x,y = np.meshgrid(np.linspace(-1,1,15),np.linspace(-1,1,15))
z = np.cos(x*np.pi)*np.sin(y*np.pi)

# actual plotting example

fig = plt.figure()
ax1 = fig.add_subplot(121, projection='3d')
ax1.plot_surface(x,y,z,rstride=1,cstride=1,cmap='viridis')
ax2 = fig.add_subplot(122)
cf = ax2.contourf(x,y,z,51,vmin=-1,vmax=1,cmap='viridis')
cbar = fig.colorbar(cf)
cbar.locator = LinearLocator(numticks=11)
cbar.update_ticks()

https://riptutorial.com/es/home 16
 for ax in {ax1, ax2}:
ax.set_xlabel(r'$x$')
ax.set_ylabel(r'$y$')
ax.set_xlim([-1,1])
ax.set_ylim([-1,1])
ax.set_aspect('equal')

ax1.set_zlim([-1,1])
ax1.set_zlabel(r'$\cos(\pi x) \sin(\p i y)$')

plt.show()

Usando colormaps personalizados

Además de los mapas de '_r' incorporados definidos en la referencia de mapas de colores (y sus
mapas invertidos, con '_r' anexada a su nombre), también se pueden definir mapas de '_r'
personalizados. La clave es el módulo matplotlib.cm .

El siguiente ejemplo define un mapa de cm.register_cmap muy simple que utiliza cm.register_cmap ,
que contiene un solo color, con la opacidad (valor alfa) del color que se interpola entre totalmente

https://riptutorial.com/es/home 17
opaco y completamente transparente en el rango de datos. Tenga en cuenta que las líneas
importantes desde el punto de vista del mapa de colores son la importación de cm , la llamada a
register_cmap y el paso del mapa de plot_surface a plot_surface .

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D
import matplotlib.cm as cm

# generate data for sphere

from numpy import pi,meshgrid,linspace,sin,cos
th,ph = meshgrid(linspace(0,pi,25),linspace(0,2*pi,51))
x,y,z = sin(th)*cos(ph),sin(th)*sin(ph),cos(th)

# define custom colormap with fixed colour and alpha gradient

# use simple linear interpolation in the entire scale
cm.register_cmap(name='alpha_gradient',
data={'red': [(0.,0,0),
(1.,0,0)],

'green': [(0.,0.6,0.6),
(1.,0.6,0.6)],

'blue': [(0.,0.4,0.4),
(1.,0.4,0.4)],

'alpha': [(0.,1,1),
(1.,0,0)]})

# plot sphere with custom colormap; constrain mapping to between |z|=0.7 for enhanced effect
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x,y,z,cmap='alpha_gradient',vmin=-
0.7,vmax=0.7,rstride=1,cstride=1,linewidth=0.5,edgecolor='b')
ax.set_xlim([-1,1])
ax.set_ylim([-1,1])
ax.set_zlim([-1,1])
ax.set_aspect('equal')

plt.show()

https://riptutorial.com/es/home 18
En escenarios más complicados, uno puede definir una lista de valores R / G / B (/ A) en los que
matplotlib interpola linealmente para determinar los colores utilizados en los gráficos
correspondientes.

Colormaps perceptualmente uniformes

El mapa de colores predeterminado original de MATLAB (reemplazado en la versión R2014b)

llamado jet es ubicuo debido a su alto contraste y familiaridad (y fue el valor predeterminado de
matplotlib por razones de compatibilidad). A pesar de su popularidad, los mapas de colores
tradicionales a menudo tienen deficiencias cuando se trata de representar datos con precisión. El
cambio percibido en estos mapas de colores no corresponde a cambios en los datos; y una
conversión del mapa de colores a escala de grises (por ejemplo, al imprimir una figura utilizando
una impresora en blanco y negro) puede causar la pérdida de información.

Se han introducido mapas de colores uniformes para que la visualización de los datos sea lo más
precisa y accesible posible. Matplotlib introdujo cuatro nuevos mapas de color perceptualmente
uniformes en la versión 1.5, con uno de ellos (llamado viridis ) como predeterminado de la
versión 2.0. Estos cuatro mapas de color ( viridis , inferno , plasma y magma ) son óptimos desde el

https://riptutorial.com/es/home 19
punto de vista de la percepción, y deben usarse para la visualización de datos por defecto, a
menos que existan buenas razones para no hacerlo. Estos mapas de colores introducen el menor
sesgo posible (al no crear funciones donde no hay ninguna para empezar), y son adecuados para
una audiencia con una percepción de color reducida.

Como ejemplo para distorsionar visualmente los datos, considere las siguientes dos gráficas de
vista superior de objetos similares a pirámides:

¿Cuál de los dos es una pirámide adecuada? La respuesta es, por supuesto, que ambos lo son,
pero esto dista mucho de ser obvio de la trama utilizando el mapa de colores de jet :

https://riptutorial.com/es/home 20
Esta característica está en el núcleo de la uniformidad perceptiva.

Mapa de colores discreto personalizado

Si tiene rangos predefinidos y desea usar colores específicos para esos rangos, puede declarar
un mapa de colores personalizado. Por ejemplo:

import matplotlib.pyplot as plt

import numpy as np
import matplotlib.colors

x = np.linspace(-2,2,500)
y = np.linspace(-2,2,500)
XX, YY = np.meshgrid(x, y)
Z = np.sin(XX) * np.cos(YY)

cmap = colors.ListedColormap(['red', '#000000','#444444', '#666666', '#ffffff', 'blue',

'orange'])
boundaries = [-1, -0.9, -0.6, -0.3, 0, 0.3, 0.6, 1]
norm = colors.BoundaryNorm(boundaries, cmap.N, clip=True)

https://riptutorial.com/es/home 21
 plt.pcolormesh(x,y,Z, cmap=cmap, norm=norm)
plt.colorbar()
plt.show()

Produce

El color i se utilizará para los valores entre el límite i y i + 1 . Los colores se pueden especificar
por nombres ( 'red' , 'green' ), códigos HTML ( '#ffaa44' , '#441188' ) o tuplas RGB ( (0.2, 0.9,
0.45) ).

Lea Colormaps en línea: https://riptutorial.com/es/matplotlib/topic/3385/colormaps

https://riptutorial.com/es/home 22
Capítulo 5: Figuras y objetos de ejes
Examples
Creando una figura

La figura contiene todos los elementos de la trama. La forma principal de crear una figura en
matplotlib es usar pyplot .

import matplotlib.pyplot as plt

fig = plt.figure()

Opcionalmente, puede proporcionar un número, que puede usar para acceder a una figura creada
anteriormente. Si no se proporciona un número, la ID de la última figura creada se incrementará y
se usará en su lugar; Las cifras se indexan a partir de 1, no 0.

import matplotlib.pyplot as plt

fig = plt.figure()
fig == plt.figure(1) # True

En lugar de un número, las cifras también se pueden identificar por una cadena. Si utiliza un
backend interactivo, esto también establecerá el título de la ventana.

import matplotlib.pyplot as plt

fig = plt.figure('image')

Elegir la figura usar

plt.figure(fig.number) # or
plt.figure(1)

Creando unos ejes

Hay dos formas principales de crear un eje en matplotlib: usar pyplot, o usar la API orientada a
objetos.

Usando pyplot:

import matplotlib.pyplot as plt

ax = plt.subplot(3, 2, 1) # 3 rows, 2 columns, the first subplot

Usando la API orientada a objetos:

import matplotlib.pyplot as plt

fig = plt.figure()

https://riptutorial.com/es/home 23
 ax = fig.add_subplot(3, 2, 1)

La función de conveniencia plt.subplots() se puede usar para producir una figura y una colección
de subparcelas en un comando:

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(ncols=2, nrows=1) # 1 row, 2 columns

Lea Figuras y objetos de ejes en línea: https://riptutorial.com/es/matplotlib/topic/2307/figuras-y-

objetos-de-ejes

https://riptutorial.com/es/home 24
Capítulo 6: Gráficas de caja
Examples
Cuadros de caja básicos

Los diagramas de caja son diagramas descriptivos que ayudan a comparar la distribución de
diferentes series de datos. Son descriptivos porque muestran medidas (por ejemplo, la mediana )
que no asumen una distribución de probabilidad subyacente.

El ejemplo más básico de un diagrama de caja en matplotlib se puede lograr simplemente

pasando los datos como una lista de listas:

import matplotlib as plt

dataline1 = [43,76,34,63,56,82,87,55,64,87,95,23,14,65,67,25,23,85]
dataline2 = [34,45,34,23,43,76,26,18,24,74,23,56,23,23,34,56,32,23]
data = [ dataline1, dataline2 ]

plt.boxplot( data )

Sin embargo, es una práctica común utilizar matrices numpy como parámetros para los gráficos, ya
que a menudo son el resultado de cálculos anteriores. Esto puede hacerse de la siguiente
manera:

import numpy as np
import matplotlib as plt

np.random.seed(123)
dataline1 = np.random.normal( loc=50, scale=20, size=18 )
dataline2 = np.random.normal( loc=30, scale=10, size=18 )
data = np.stack( [ dataline1, dataline2 ], axis=1 )

https://riptutorial.com/es/home 25
 plt.boxplot( data )

Lea Gráficas de caja en línea: https://riptutorial.com/es/matplotlib/topic/6086/graficas-de-caja

https://riptutorial.com/es/home 26
Capítulo 7: Gráficas de caja
Examples
Función boxplot

Matplotlib tiene su propia implementación de boxplot . Los aspectos relevantes de esta función es
que, de forma predeterminada, el diagrama de caja muestra la mediana (percentil 50%) con una
línea roja. La caja representa Q1 y Q3 (percentiles 25 y 75), y los bigotes dan una idea del rango
de los datos (posiblemente en Q1 - 1.5 IQR; Q3 + 1.5 IQR; siendo IQR el rango intercuartil, pero
esto carece de confirmación). También tenga en cuenta que las muestras que se encuentran más
allá de este rango se muestran como marcadores (se denominan volantes).

NOTA: No todas las implementaciones de boxplot siguen las mismas reglas. Quizás el
diagrama de caja de caja más común utiliza los bigotes para representar el mínimo y
el máximo (haciendo que los volantes no existan). Observe también que esta trama es
a veces llamado diagrama de cajas y bigotes y el diagrama de caja y bigotes.

La siguiente receta muestra algunas de las cosas que puede hacer con la implementación
matplotlib actual de boxplot:

import matplotlib.pyplot as plt

import numpy as np

X1 = np.random.normal(0, 1, 500)
X2 = np.random.normal(0.3, 1, 500)

# The most simple boxplot

plt.boxplot(X1)
plt.show()

# Changing some of its features

plt.boxplot(X1, notch=True, sym="o") # Use sym="" to shown no fliers; also showfliers=False
plt.show()

# Showing multiple boxplots on the same window

plt.boxplot((X1, X2), notch=True, sym="o", labels=["Set 1", "Set 2"])
plt.show()

# Hidding features of the boxplot

plt.boxplot(X2, notch=False, showfliers=False, showbox=False, showcaps=False, positions=[4],
labels=["Set 2"])
plt.show()

# Advanced customization of the boxplot

line_props = dict(color="r", alpha=0.3)
bbox_props = dict(color="g", alpha=0.9, linestyle="dashdot")
flier_props = dict(marker="o", markersize=17)
plt.boxplot(X1, notch=True, whiskerprops=line_props, boxprops=bbox_props,
flierprops=flier_props)
plt.show()

https://riptutorial.com/es/home 27
Este resultado en las siguientes parcelas:

1. Predeterminado matplotlib boxplot

https://riptutorial.com/es/home 28
 2. Cambiando algunas características del diagrama de caja usando argumentos de función

https://riptutorial.com/es/home 29
 3. Cuadro de caja múltiple en la misma ventana de gráfico

https://riptutorial.com/es/home 30
 4. Ocultando algunas características del boxplot.

https://riptutorial.com/es/home 31
 5. Personalización avanzada de un boxplot usando accesorios

Si tiene la intención de hacer algún tipo de personalización avanzada de su diagrama de caja

debe saber que los apoyos de los diccionarios a construir (por ejemplo):

line_props = dict(color="r", alpha=0.3)

bbox_props = dict(color="g", alpha=0.9, linestyle="dashdot")
flier_props = dict(marker="o", markersize=17)
plt.boxplot(X1, notch=True, whiskerprops=line_props, boxprops=bbox_props,
flierprops=flier_props)
plt.show()

... referirse principalmente (si no todos) a los objetos de Line2D . Esto significa que solo los
argumentos disponibles en esa clase son modificables. Notará la existencia de palabras clave
como whiskerprops , boxprops , flierprops y capprops . Estos son los elementos que necesita para
proporcionar un diccionario de accesorios para personalizarlo aún más.

NOTA: una mayor personalización del diagrama de caja con esta implementación
puede resultar difícil. En algunos casos, el uso de otros elementos de matplotlib como

https://riptutorial.com/es/home 32
 parches para crear los propios gráficos de caja puede ser ventajoso (cambios
considerables en el elemento de caja, por ejemplo).

Lea Gráficas de caja en línea: https://riptutorial.com/es/matplotlib/topic/6368/graficas-de-caja

https://riptutorial.com/es/home 33
Capítulo 8: Histograma
Examples
Histograma simple

import matplotlib.pyplot as plt

import numpy as np

# generate 1000 data points with normal distribution

data = np.random.randn(1000)

plt.hist(data)

plt.show()

Lea Histograma en línea: https://riptutorial.com/es/matplotlib/topic/7329/histograma

https://riptutorial.com/es/home 34
Capítulo 9: Integración con TeX / LaTeX
Observaciones
• El soporte de LaTeX de Matplotlib requiere una instalación de LaTeX que funcione, dvipng
(que puede incluirse con su instalación de LaTeX) y Ghostscript (se recomienda GPL
Ghostscript 8.60 o posterior).
• El soporte pgf de Matplotlib requiere una instalación reciente de LaTeX que incluya los
paquetes TikZ / PGF (como TeXLive), preferiblemente con XeLaTeX o LuaLaTeX instalado.

Examples
Insertando fórmulas TeX en parcelas

Las fórmulas TeX se pueden insertar en la gráfica usando la función rc

import matplotlib.pyplot as plt

plt.rc(usetex = True)

o accediendo a los rcParams :

import matplotlib.pyplot as plt

params = {'tex.usetex': True}
plt.rcParams.update(params)

TeX utiliza la barra invertida \ para comandos y símbolos, que puede entrar en conflicto con
caracteres especiales en las cadenas de Python. Para utilizar barras diagonales literales en una
cadena de Python, deben ser evadidas o incorporadas en una cadena en bruto:

plt.xlabel('\\alpha')
plt.xlabel(r'\alpha')

La siguiente parcela

https://riptutorial.com/es/home 35
puede ser producido por el codigo

import matplotlib.pyplot as plt

plt.rc(usetex = True)
x = range(0,10)
y = [t**2 for t in x]
z = [t**2+1 for t in x]
plt.plot(x, y, label = r'$\beta=\alpha^2$')
plt.plot(x, z, label = r'$\beta=\alpha^2+1$')
plt.xlabel(r'$\alpha$')
plt.ylabel(r'$\beta$')
plt.legend(loc=0)
plt.show()

Las ecuaciones mostradas (como $$...$$ o \begin{equation}...\end{equation} ) no son

compatibles. Sin embargo, el estilo matemático mostrado es posible con \displaystyle .

Para cargar paquetes de látex use el argumento tex.latex.preamble :

params = {'text.latex.preamble' : [r'\usepackage{siunitx}', r'\usepackage{amsmath}']}

plt.rcParams.update(params)

https://riptutorial.com/es/home 36
Tenga en cuenta, sin embargo, la advertencia en el archivo matplotlibrc de ejemplo :

#text.latex.preamble : # IMPROPER USE OF THIS FEATURE WILL LEAD TO LATEX FAILURES

# AND IS THEREFORE UNSUPPORTED. PLEASE DO NOT ASK FOR HELP
# IF THIS FEATURE DOES NOT DO WHAT YOU EXPECT IT TO.
# preamble is a comma separated list of LaTeX statements
# that are included in the LaTeX document preamble.
# An example:
# text.latex.preamble : \usepackage{bm},\usepackage{euler}
# The following packages are always loaded with usetex, so
# beware of package collisions: color, geometry, graphicx,
# type1cm, textcomp. Adobe Postscript (PSSNFS) font packages
# may also be loaded, depending on your font settings

Guardando y exportando parcelas que utilizan TeX.

Para incluir las parcelas creadas con matplotlib en documentos TeX, deben guardarse como
archivos pdf o eps . De esta manera, cualquier texto en la trama (incluidas las fórmulas TeX) se
representa como texto en el documento final.

import matplotlib.pyplot as plt

plt.rc(usetex=True)
x = range(0, 10)
y = [t**2 for t in x]
z = [t**2+1 for t in x]
plt.plot(x, y, label=r'$\beta=\alpha^2$')
plt.plot(x, z, label=r'$\beta=\alpha^2+1$')
plt.xlabel(r'$\alpha$')
plt.ylabel(r'$\beta$')
plt.legend(loc=0)
plt.savefig('my_pdf_plot.pdf') # Saving plot to pdf file
plt.savefig('my_eps_plot.eps') # Saving plot to eps file

Los diagramas en matplotlib se pueden exportar a código TeX utilizando el paquete de macros
pgf para mostrar gráficos.

import matplotlib.pyplot as plt

plt.rc(usetex=True)
x = range(0, 10)
y = [t**2 for t in x]
z = [t**2+1 for t in x]
plt.plot(x, y, label=r'$\beta=\alpha^2$')
plt.plot(x, z, label=r'$\beta=\alpha^2+1$')
plt.xlabel(r'$\alpha$')
plt.ylabel(r'$\beta$')
plt.legend(loc=0)
plt.savefig('my_pgf_plot.pgf')

Utilice el comando rc para cambiar el motor TeX utilizado

plt.rc('pgf', texsystem='pdflatex') # or luatex, xelatex...

Para incluir la figura .pgf , escriba en su documento LaTeX

https://riptutorial.com/es/home 37
 \usepackage{pgf}
\input{my_pgf_plot.pgf}

Lea Integración con TeX / LaTeX en línea:

https://riptutorial.com/es/matplotlib/topic/2962/integracion-con-tex---latex

https://riptutorial.com/es/home 38
Capítulo 10: Leyendas
Examples
Leyenda simple

Suponga que tiene varias líneas en la misma trama, cada una de un color diferente, y desea
hacer una leyenda para decir qué representa cada línea. Puede hacer esto pasando una etiqueta
a cada una de las líneas cuando llame a plot() , por ejemplo, la siguiente línea se etiquetará
como "Mi línea 1" .

ax.plot(x, y1, color="red", label="My Line 1")

Esto especifica el texto que aparecerá en la leyenda para esa línea. Ahora para hacer visible la
leyenda real, podemos llamar ax.legend()

Por defecto, creará una leyenda dentro de un cuadro en la esquina superior derecha de la
parcela. Puede pasar argumentos a legend() para personalizarlo. Por ejemplo, podemos colocarlo
en la esquina inferior derecha, sin un cuadro de marco que lo rodea, y crear un título para la
leyenda llamando a lo siguiente:

ax.legend(loc="lower right", title="Legend Title", frameon=False)

A continuación se muestra un ejemplo:

https://riptutorial.com/es/home 39
 import matplotlib.pyplot as plt

# The data
x = [1, 2, 3]
y1 = [2, 15, 27]
y2 = [10, 40, 45]
y3 = [5, 25, 40]

# Initialize the figure and axes

fig, ax = plt.subplots(1, figsize=(8, 6))

# Set the title for the figure

fig.suptitle('Simple Legend Example ', fontsize=15)

# Draw all the lines in the same plot, assigning a label for each one to be
# shown in the legend
ax.plot(x, y1, color="red", label="My Line 1")
ax.plot(x, y2, color="green", label="My Line 2")
ax.plot(x, y3, color="blue", label="My Line 3")

# Add a legend with title, position it on the lower right (loc) with no box framing (frameon)
ax.legend(loc="lower right", title="Legend Title", frameon=False)

https://riptutorial.com/es/home 40
 # Show the plot
plt.show()

Leyenda colocada fuera de la trama

A veces es necesario o deseable colocar la leyenda fuera de la trama. El siguiente código

muestra cómo hacerlo.

import matplotlib.pylab as plt

fig, ax = plt.subplots(1, 1, figsize=(10,6)) # make the figure with the size 10 x 6 inches
fig.suptitle('Example of a Legend Being Placed Outside of Plot')

# The data
x = [1, 2, 3]
y1 = [1, 2, 4]
y2 = [2, 4, 8]
y3 = [3, 5, 14]

# Labels to use for each line

line_labels = ["Item A", "Item B", "Item C"]

https://riptutorial.com/es/home 41
 # Create the lines, assigning different colors for each one.
# Also store the created line objects
l1 = ax.plot(x, y1, color="red")[0]
l2 = ax.plot(x, y2, color="green")[0]
l3 = ax.plot(x, y3, color="blue")[0]

fig.legend([l1, l2, l3], # List of the line objects

labels= line_labels, # The labels for each line
loc="center right", # Position of the legend
borderaxespad=0.1, # Add little spacing around the legend box
title="Legend Title") # Title for the legend

# Adjust the scaling factor to fit your legend text completely outside the plot
# (smaller value results in more space being made for the legend)
plt.subplots_adjust(right=0.85)

plt.show()

Otra forma de colocar la leyenda fuera de la trama es usar bbox_to_anchor + bbox_extra_artists +

bbox_inches='tight' , como se muestra en el siguiente ejemplo:

https://riptutorial.com/es/home 42
https://riptutorial.com/es/home 43
lugar de crear una leyenda en el nivel de los ejes (lo que creará una leyenda independiente para
cada subparcela). Esto se logra llamando a fig.legend() como se puede ver en el código para el
siguiente código.

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(10,4))

fig.suptitle('Example of a Single Legend Shared Across Multiple Subplots')

# The data
x = [1, 2, 3]
y1 = [1, 2, 3]
y2 = [3, 1, 3]
y3 = [1, 3, 1]
y4 = [2, 2, 3]

# Labels to use in the legend for each line

line_labels = ["Line A", "Line B", "Line C", "Line D"]

# Create the sub-plots, assigning a different color for each line.

# Also store the line objects created
l1 = ax1.plot(x, y1, color="red")[0]
l2 = ax2.plot(x, y2, color="green")[0]
l3 = ax3.plot(x, y3, color="blue")[0]
l4 = ax3.plot(x, y4, color="orange")[0] # A second line in the third subplot

# Create the legend

fig.legend([l1, l2, l3, l4], # The line objects
labels=line_labels, # The labels for each line
loc="center right", # Position of legend
borderaxespad=0.1, # Small spacing around legend box
title="Legend Title" # Title for the legend
)

# Adjust the scaling factor to fit your legend text completely outside the plot
# (smaller value results in more space being made for the legend)
plt.subplots_adjust(right=0.85)

plt.show()

Algo a tener en cuenta sobre el ejemplo anterior es lo siguiente:

l1 = ax1.plot(x, y1, color="red")[0]

Cuando se llama a plot() , devuelve una lista de objetos line2D . En este caso, solo devuelve una
lista con un solo objeto line2D , que se extrae con la indexación [0] y se almacena en l1 .

Una lista de todos los objetos de line2D que nos interesa incluir en la leyenda debe pasarse como
primer argumento a fig.legend() . El segundo argumento de fig.legend() también es necesario.
Se supone que es una lista de cadenas para usar como etiquetas para cada línea en la leyenda.

Los otros argumentos pasados a fig.legend() son puramente opcionales, y solo ayudan a afinar
la estética de la leyenda.

Múltiples leyendas en los mismos ejes

Si llama a plt.legend() o ax.legend() más de una vez, se eliminará la primera leyenda y se

https://riptutorial.com/es/home 44
dibujará una nueva. Según la documentación oficial :

Esto se ha hecho para que sea posible llamar a legend () repetidamente para
actualizar la leyenda a los últimos manejadores de los ejes.

Sin embargo, no se preocupe: todavía es bastante simple agregar una segunda leyenda (o la
tercera, o la cuarta ...) a los ejes. En el ejemplo aquí, trazamos dos líneas, luego trazamos
marcadores en sus máximos y mínimos respectivos. Una leyenda es para las líneas y la otra para
los marcadores.

import matplotlib.pyplot as plt

import numpy as np

# Generate data for plotting:

x = np.linspace(0,2*np.pi,100)
y0 = np.sin(x)
y1 = .9*np.sin(.9*x)
# Find their maxima and minima and store
maxes = np.empty((2,2))
mins = np.empty((2,2))
for k,y in enumerate([y0,y1]):
maxloc = y.argmax()
maxes[k] = x[maxloc], y[maxloc]
minloc = y.argmin()
mins[k] = x[minloc], y[minloc]

# Instantiate figure and plot

fig = plt.figure()
ax = fig.add_subplot(111)
ax.plot(x,y0, label='y0')
ax.plot(x,y1, label='y1')
# Plot maxima and minima, and keep references to the lines
maxline, = ax.plot(maxes[:,0], maxes[:,1], 'r^')
minline, = ax.plot(mins[:,0], mins[:,1], 'ko')

# Add first legend: only labeled data is included

leg1 = ax.legend(loc='lower left')
# Add second legend for the maxes and mins.
# leg1 will be removed from figure
leg2 = ax.legend([maxline,minline],['max','min'], loc='upper right')
# Manually add the first legend back
ax.add_artist(leg1)

https://riptutorial.com/es/home 45
La clave es asegurarse de que tiene referencias a los objetos de leyenda. El primero que leg1 (
leg1 ) se elimina de la figura cuando agregas el segundo, pero el objeto leg1 todavía existe y se
puede volver a ax.add_artist con ax.add_artist .

Lo realmente genial es que aún puedes manipular ambas leyendas. Por ejemplo, agregue lo
siguiente al final del código anterior:

leg1.get_lines()[0].set_lw(8)
leg2.get_texts()[1].set_color('b')

Finalmente, vale la pena mencionar que en el ejemplo solo las líneas recibieron etiquetas cuando

https://riptutorial.com/es/home 46
se trazaron, lo que significa que ax.legend() agrega solo esas líneas al leg1 . La leyenda para los
marcadores ( leg2 ), por lo tanto, requería las líneas y etiquetas como argumentos cuando se leg2
instancias. Podríamos, alternativamente, haber dado etiquetas a los marcadores cuando se
trazaron también. Pero entonces ambas llamadas a ax.legend habrían requerido algunos
argumentos adicionales para que cada leyenda contuviera solo los elementos que queríamos.

Lea Leyendas en línea: https://riptutorial.com/es/matplotlib/topic/2840/leyendas

https://riptutorial.com/es/home 47
Capítulo 11: Líneas de cuadrícula y marcas
de garrapatas
Examples
Parcela Con Gridlines

Parcela Con Líneas De Rejilla

import matplotlib.pyplot as plt

# The Data
x = [1, 2, 3, 4]
y = [234, 124,368, 343]

https://riptutorial.com/es/home 48
 # Create the figure and axes objects
fig, ax = plt.subplots(1, figsize=(8, 6))
fig.suptitle('Example Of Plot With Grid Lines')

# Plot the data

ax.plot(x,y)

# Show the grid lines as dark grey lines

plt.grid(b=True, which='major', color='#666666', linestyle='-')

plt.show()

Parcela con líneas de rejilla mayores y

menores

import matplotlib.pyplot as plt

https://riptutorial.com/es/home 49
 # The Data
x = [1, 2, 3, 4]
y = [234, 124,368, 343]

# Create the figure and axes objects

fig, ax = plt.subplots(1, figsize=(8, 6))
fig.suptitle('Example Of Plot With Major and Minor Grid Lines')

# Plot the data

ax.plot(x,y)

# Show the major grid lines with dark grey lines

plt.grid(b=True, which='major', color='#666666', linestyle='-')

# Show the minor grid lines with very faint and almost transparent grey lines
plt.minorticks_on()
plt.grid(b=True, which='minor', color='#999999', linestyle='-', alpha=0.2)

plt.show()

Lea Líneas de cuadrícula y marcas de garrapatas en línea:

https://riptutorial.com/es/matplotlib/topic/4029/lineas-de-cuadricula-y-marcas-de-garrapatas

https://riptutorial.com/es/home 50
Capítulo 12: LogLog Graphing
Introducción
La gráfica LogLog es una posibilidad para ilustrar una función exponencial de una manera lineal.

Examples
LogLog graficando

Sea y (x) = A * x ^ a, por ejemplo A = 30 y a = 3.5. Si se toma el logaritmo natural (ln) de ambos
lados (usando las reglas comunes para logaritmos): ln (y) = ln (A * x ^ a) = ln (A) + ln (x ^ a) = ln
(A) + a * ln (x). Por lo tanto, una gráfica con ejes logarítmicos tanto para x como para y será una
curva lineal. La pendiente de esta curva es el exponente a de y (x), mientras que el intercepto y y
(0) es el logaritmo natural de A, ln (A) = ln (30) = 3.401.

El siguiente ejemplo ilustra la relación entre una función exponencial y el gráfico de loglog lineal
(la función es y = A * x ^ a con A = 30 y a = 3.5):

import numpy as np
import matplotlib.pyplot as plt
A = 30
a = 3.5
x = np.linspace(0.01, 5, 10000)
y = A * x**a

ax = plt.gca()
plt.plot(x, y, linewidth=2.5, color='navy', label=r'$f(x) = 30 \cdot x^{3.5}$')
plt.legend(loc='upper left')
plt.xlabel(r'x')
plt.ylabel(r'y')
ax.grid(True)
plt.title(r'Normal plot')
plt.show()
plt.clf()

xlog = np.log(x)
ylog = np.log(y)
ax = plt.gca()
plt.plot(xlog, ylog, linewidth=2.5, color='navy', label=r'$f(x) = 3.5\cdot x + \ln(30)$')
plt.legend(loc='best')
plt.xlabel(r'log(x)')
plt.ylabel(r'log(y)')
ax.grid(True)
plt.title(r'Log-Log plot')
plt.show()
plt.clf()

https://riptutorial.com/es/home 51
https://riptutorial.com/es/home 52
Lea LogLog Graphing en línea: https://riptutorial.com/es/matplotlib/topic/10145/loglog-graphing

https://riptutorial.com/es/home 53
Capítulo 13: Manipulación de imagen
Examples
Abriendo imagenes

Matplotlib incluye la image módulo para la manipulación de imágenes

import matplotlib.image as mpimg

import matplotlib.pyplot as plt

Las imágenes se leen desde un archivo ( .png solamente) con la función imread :

img = mpimg.imread('my_image.png')

y son representados por la función imshow :

plt.imshow(img)

Vamos a trazar el logotipo de desbordamiento de pila :

import matplotlib.image as mpimg

import matplotlib.pyplot as plt
img = mpimg.imread('so-logo.png')
plt.imshow(img)
plt.show()

La trama resultante es

https://riptutorial.com/es/home 54
Lea Manipulación de imagen en línea:
https://riptutorial.com/es/matplotlib/topic/4575/manipulacion-de-imagen

https://riptutorial.com/es/home 55
Capítulo 14: Mapas de contorno
Examples
Trazado de contorno rellenado simple

import matplotlib.pyplot as plt

import numpy as np

# generate 101 x and y values between -10 and 10

x = np.linspace(-10, 10, 101)
y = np.linspace(-10, 10, 101)

# make X and Y matrices representing x and y values of 2d plane

X, Y = np.meshgrid(x, y)

# compute z value of a point as a function of x and y (z = l2 distance form 0,0)

Z = np.sqrt(X ** 2 + Y ** 2)

# plot filled contour map with 100 levels

cs = plt.contourf(X, Y, Z, 100)

# add default colorbar for the map

plt.colorbar(cs)

Resultado:

https://riptutorial.com/es/home 56
Trazado de contorno simple

import matplotlib.pyplot as plt

import numpy as np

# generate 101 x and y values between -10 and 10

x = np.linspace(-10, 10, 101)
y = np.linspace(-10, 10, 101)

# make X and Y matrices representing x and y values of 2d plane

X, Y = np.meshgrid(x, y)

# compute z value of a point as a function of x and y (z = l2 distance form 0,0)

Z = np.sqrt(X ** 2 + Y ** 2)

# plot contour map with 3 levels

# colors: up to 1 - blue, from 1 to 4 - green, from 4 to 8 - red
plt.contour(X, Y, Z, [1, 4, 8], colors=['b', 'g', 'r'])

Resultado:

Lea Mapas de contorno en línea: https://riptutorial.com/es/matplotlib/topic/8644/mapas-de-

contorno

https://riptutorial.com/es/home 57
Capítulo 15: Parcelas básicas
Examples
Gráfico de dispersión

Un simple diagrama de dispersión

import matplotlib.pyplot as plt

# Data
x = [43,76,34,63,56,82,87,55,64,87,95,23,14,65,67,25,23,85]
y = [34,45,34,23,43,76,26,18,24,74,23,56,23,23,34,56,32,23]

fig, ax = plt.subplots(1, figsize=(10, 6))

fig.suptitle('Example Of Scatterplot')

https://riptutorial.com/es/home 58
 # Create the Scatter Plot
ax.scatter(x, y,
color="blue", # Color of the dots
s=100, # Size of the dots
alpha=0.5, # Alpha/transparency of the dots (1 is opaque, 0 is transparent)
linewidths=1) # Size of edge around the dots

# Show the plot

plt.show()

Un diagrama de dispersión con puntos etiquetados

import matplotlib.pyplot as plt

# Data
x = [21, 34, 44, 23]
y = [435, 334, 656, 1999]
labels = ["alice", "bob", "charlie", "diane"]

# Create the figure and axes objects

https://riptutorial.com/es/home 59
 fig, ax = plt.subplots(1, figsize=(10, 6))
fig.suptitle('Example Of Labelled Scatterpoints')

# Plot the scatter points

ax.scatter(x, y,
color="blue", # Color of the dots
s=100, # Size of the dots
alpha=0.5, # Alpha of the dots
linewidths=1) # Size of edge around the dots

# Add the participant names as text labels for each point

for x_pos, y_pos, label in zip(x, y, labels):
ax.annotate(label, # The label for this point
xy=(x_pos, y_pos), # Position of the corresponding point
xytext=(7, 0), # Offset text by 7 points to the right
textcoords='offset points', # tell it to use offset points
ha='left', # Horizontally aligned to the left
va='center') # Vertical alignment is centered

# Show the plot

plt.show()

Parcelas Sombreadas

Región sombreada debajo de una línea

https://riptutorial.com/es/home 60
 import matplotlib.pyplot as plt

# Data
x = [0,1,2,3,4,5,6,7,8,9]
y1 = [10,20,40,55,58,55,50,40,20,10]

# Shade the area between y1 and line y=0

plt.fill_between(x, y1, 0,
facecolor="orange", # The fill color
color='blue', # The outline color
alpha=0.2) # Transparency of the fill

# Show the plot

plt.show()

Región sombreada entre dos líneas

https://riptutorial.com/es/home 61
 import matplotlib.pyplot as plt

# Data
x = [0,1,2,3,4,5,6,7,8,9]
y1 = [10,20,40,55,58,55,50,40,20,10]
y2 = [20,30,50,77,82,77,75,68,65,60]

# Shade the area between y1 and y2

plt.fill_between(x, y1, y2,
facecolor="orange", # The fill color
color='blue', # The outline color
alpha=0.2) # Transparency of the fill

# Show the plot

plt.show()

Líneas de parcelas

Trazo de línea simple

https://riptutorial.com/es/home 62
 import matplotlib.pyplot as plt

# Data
x = [14,23,23,25,34,43,55,56,63,64,65,67,76,82,85,87,87,95]
y = [34,45,34,23,43,76,26,18,24,74,23,56,23,23,34,56,32,23]

# Create the plot

plt.plot(x, y, 'r-')
# r- is a style code meaning red solid line

# Show the plot

plt.show()

Tenga en cuenta que, en general, y no es una función de x y que los valores en x no necesitan
ordenarse. Así es como se ve una gráfica de líneas con valores x sin clasificar:

# shuffle the elements in x

np.random.shuffle(x)
plt.plot(x, y, 'r-')
plt.show()

https://riptutorial.com/es/home 63
Diagrama de datos
Esto es similar a un diagrama de dispersión , pero usa la función plot() lugar. La única diferencia
en el código aquí es el argumento de estilo.

plt.plot(x, y, 'b^')
# Create blue up-facing triangles

https://riptutorial.com/es/home 64
Datos y linea
El argumento de estilo puede tomar símbolos para ambos marcadores y estilo de línea:

plt.plot(x, y, 'go--')
# green circles and dashed line

https://riptutorial.com/es/home 65
Mapa de calor

Los mapas de calor son útiles para visualizar funciones escalares de dos variables. Proporcionan
una imagen “plana” de histogramas bidimensionales (que representan, por ejemplo, la densidad
de un área determinada).

El siguiente código fuente ilustra mapas de calor utilizando números bivariados normalmente
distribuidos centrados en 0 en ambas direcciones (medios [0.0, 0.0] ) y con una matriz de
covarianza dada. Los datos se generan utilizando la función numpy
numpy.random.multivariate_normal ; A continuación, se alimenta a la hist2d función de pyplot
matplotlib.pyplot.hist2d .

https://riptutorial.com/es/home 66
 import numpy as np
import matplotlib
import matplotlib.pyplot as plt

# Define numbers of generated data points and bins per axis.

N_numbers = 100000
N_bins = 100

# set random seed

np.random.seed(0)

# Generate 2D normally distributed numbers.

x, y = np.random.multivariate_normal(
mean=[0.0, 0.0], # mean
cov=[[1.0, 0.4],
[0.4, 0.25]], # covariance matrix
size=N_numbers
).T # transpose to get columns

# Construct 2D histogram from data using the 'plasma' colormap

plt.hist2d(x, y, bins=N_bins, normed=False, cmap='plasma')

https://riptutorial.com/es/home 67
 # Plot a colorbar with label.
cb = plt.colorbar()
cb.set_label('Number of entries')

# Add title and labels to plot.

plt.title('Heatmap of 2D normally distributed data points')
plt.xlabel('x axis')
plt.ylabel('y axis')

# Show the plot.

plt.show()

Aquí se muestran los mismos datos que en un histograma 3D (aquí usamos solo 20 contenedores
para la eficiencia). El código se basa en esta demo matplotlib .

from mpl_toolkits.mplot3d import Axes3D

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

# Define numbers of generated data points and bins per axis.

https://riptutorial.com/es/home 68
 N_numbers = 100000
N_bins = 20

# set random seed

np.random.seed(0)

# Generate 2D normally distributed numbers.

x, y = np.random.multivariate_normal(
mean=[0.0, 0.0], # mean
cov=[[1.0, 0.4],
[0.4, 0.25]], # covariance matrix
size=N_numbers
).T # transpose to get columns

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
hist, xedges, yedges = np.histogram2d(x, y, bins=N_bins)

# Add title and labels to plot.

plt.title('3D histogram of 2D normally distributed data points')
plt.xlabel('x axis')
plt.ylabel('y axis')

# Construct arrays for the anchor positions of the bars.

# Note: np.meshgrid gives arrays in (ny, nx) so we use 'F' to flatten xpos,
# ypos in column-major order. For numpy >= 1.7, we could instead call meshgrid
# with indexing='ij'.
xpos, ypos = np.meshgrid(xedges[:-1] + 0.25, yedges[:-1] + 0.25)
xpos = xpos.flatten('F')
ypos = ypos.flatten('F')
zpos = np.zeros_like(xpos)

# Construct arrays with the dimensions for the 16 bars.

dx = 0.5 * np.ones_like(zpos)
dy = dx.copy()
dz = hist.flatten()

ax.bar3d(xpos, ypos, zpos, dx, dy, dz, color='b', zsort='average')

# Show the plot.

plt.show()

Lea Parcelas básicas en línea: https://riptutorial.com/es/matplotlib/topic/3266/parcelas-basicas

https://riptutorial.com/es/home 69
Capítulo 16: Parcelas Múltiples
Sintaxis
• Elemento de lista

Examples
Rejilla de subparcelas usando subparcela

"""
================================================================================
CREATE A 2 BY 2 GRID OF SUB-PLOTS WITHIN THE SAME FIGURE.
================================================================================
"""
import matplotlib.pyplot as plt

https://riptutorial.com/es/home 70
 # The data
x = [1,2,3,4,5]
y1 = [0.59705847, 0.25786401, 0.63213726, 0.63287317, 0.73791151]
y2 = [1.19411694, 0.51572803, 1.26427451, 1.26574635, 1.47582302]
y3 = [0.86793828, 0.07563408, 0.67670068, 0.78932712, 0.0043694]
# 5 more random values
y4 = [0.43396914, 0.03781704, 0.33835034, 0.39466356, 0.0021847]

# Initialise the figure and a subplot axes. Each subplot sharing (showing) the
# same range of values for the x and y axis in the plots.
fig, axes = plt.subplots(2, 2, figsize=(8, 6), sharex=True, sharey=True)

# Set the title for the figure

fig.suptitle('This is the Figure Title', fontsize=15)

# Top Left Subplot

axes[0,0].plot(x, y1)
axes[0,0].set_title("Plot 1")

# Top Right Subplot

axes[0,1].plot(x, y2)
axes[0,1].set_title("Plot 2")

# Bottom Left Subplot

axes[1,0].plot(x, y3)
axes[1,0].set_title("Plot 3")

# Bottom Right Subplot

axes[1,1].plot(x, y4)
axes[1,1].set_title("Plot 4")

plt.show()

Múltiples líneas / curvas en la misma parcela

https://riptutorial.com/es/home 71
 """
================================================================================
DRAW MULTIPLE LINES IN THE SAME PLOT
================================================================================
"""
import matplotlib.pyplot as plt

# The data
x = [1, 2, 3, 4, 5]
y1 = [2, 15, 27, 35, 40]
y2 = [10, 40, 45, 47, 50]
y3 = [5, 25, 40, 45, 47]

# Initialise the figure and axes.

fig, ax = plt.subplots(1, figsize=(8, 6))

# Set the title for the figure

fig.suptitle('Multiple Lines in Same Plot', fontsize=15)

# Draw all the lines in the same plot, assigning a label for each one to be
# shown in the legend.
ax.plot(x, y1, color="red", label="My Line 1")
ax.plot(x, y2, color="green", label="My Line 2")

https://riptutorial.com/es/home 72
 ax.plot(x, y3, color="blue", label="My Line 3")

# Add a legend, and position it on the lower right (with no box)

plt.legend(loc="lower right", title="Legend Title", frameon=False)

plt.show()

Parcelas Múltiples con Gridspec

El paquete gridspec permite un mayor control sobre la ubicación de las subparcelas. Facilita el
control de los márgenes de las parcelas y el espaciado entre las subparcelas individuales.
Además, permite ejes de diferentes tamaños en la misma figura al definir ejes que ocupan varias
ubicaciones de cuadrícula.

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

# Make some data

t = np.arange(0, 2, 0.01)
y1 = np.sin(2*np.pi * t)
y2 = np.cos(2*np.pi * t)
y3 = np.exp(t)
y4 = np.exp(-t)

# Initialize the grid with 3 rows and 3 columns

ncols = 3
nrows = 3
grid = GridSpec(nrows, ncols,
left=0.1, bottom=0.15, right=0.94, top=0.94, wspace=0.3, hspace=0.3)

fig = plt.figure(0)
fig.clf()

# Add axes which can span multiple grid boxes

ax1 = fig.add_subplot(grid[0:2, 0:2])
ax2 = fig.add_subplot(grid[0:2, 2])
ax3 = fig.add_subplot(grid[2, 0:2])
ax4 = fig.add_subplot(grid[2, 2])

ax1.plot(t, y1, color='royalblue')

ax2.plot(t, y2, color='forestgreen')
ax3.plot(t, y3, color='darkorange')
ax4.plot(t, y4, color='darkmagenta')

# Add labels and titles

fig.suptitle('Figure with Subplots')
ax1.set_ylabel('Voltage (V)')
ax3.set_ylabel('Voltage (V)')
ax3.set_xlabel('Time (s)')
ax4.set_xlabel('Time (s)')

Este código produce la gráfica que se muestra a continuación.

https://riptutorial.com/es/home 73
Un gráfico de 2 funciones en el eje x compartido.

import numpy as np
import matplotlib.pyplot as plt

# create some data

x = np.arange(-2, 20, 0.5) # values of x
y1 = map(lambda x: -4.0/3.0*x + 16, x) # values of y1(x)
y2 = map(lambda x: 0.2*x**2 -5*x + 32, x) # svalues of y2(x)

fig = plt.figure()
ax1 = fig.add_subplot(111)

# create line plot of y1(x)

line1, = ax1.plot(x, y1, 'g', label="Function y1")
ax1.set_xlabel('x')
ax1.set_ylabel('y1', color='g')

# create shared axis for y2(x)

ax2 = ax1.twinx()

https://riptutorial.com/es/home 74
 # create line plot of y2(x)
line2, = ax2.plot(x, y2, 'r', label="Function y2")
ax2.set_ylabel('y2', color='r')

# set title, plot limits, etc

plt.title('Two functions on common x axis')
plt.xlim(-2, 18)
plt.ylim(0, 25)

# add a legend, and position it on the upper right

plt.legend((line1, line2), ('Function y1', 'Function y2'))

plt.show()

Este código produce la gráfica que se muestra a continuación.

Parcelas múltiples y características de parcelas múltiples

https://riptutorial.com/es/home 75
https://riptutorial.com/es/home 76
 import matplotlib
matplotlib.use("TKAgg")

# module to save pdf files

from matplotlib.backends.backend_pdf import PdfPages

import matplotlib.pyplot as plt # module to plot

import pandas as pd # module to read csv file

https://riptutorial.com/es/home 77
 # module to allow user to select csv file
from tkinter.filedialog import askopenfilename

# module to allow user to select save directory

from tkinter.filedialog import askdirectory

#==============================================================================
# User chosen Data for plots
#==============================================================================

# User choose csv file then read csv file

filename = askopenfilename() # user selected file
data = pd.read_csv(filename, delimiter=',')

# check to see if data is reading correctly

#print(data)

#==============================================================================
# Plots on two different Figures and sets the size of the figures
#==============================================================================

# figure size = (width,height)

f1 = plt.figure(figsize=(30,10))
f2 = plt.figure(figsize=(30,10))

#------------------------------------------------------------------------------
# Figure 1 with 6 plots
#------------------------------------------------------------------------------

# plot one
# Plot column labeled TIME from csv file and color it red
# subplot(2 Rows, 3 Columns, First subplot,)
ax1 = f1.add_subplot(2,3,1)
ax1.plot(data[["TIME"]], label = 'Curve 1', color = "r", marker = '^', markevery = 10)
# added line marker triangle

# plot two
# plot column labeled TIME from csv file and color it green
# subplot(2 Rows, 3 Columns, Second subplot)
ax2 = f1.add_subplot(2,3,2)
ax2.plot(data[["TIME"]], label = 'Curve 2', color = "g", marker = '*', markevery = 10)
# added line marker star

# plot three
# plot column labeled TIME from csv file and color it blue
# subplot(2 Rows, 3 Columns, Third subplot)
ax3 = f1.add_subplot(2,3,3)
ax3.plot(data[["TIME"]], label = 'Curve 3', color = "b", marker = 'D', markevery = 10)
# added line marker diamond

# plot four
# plot column labeled TIME from csv file and color it purple
# subplot(2 Rows, 3 Columns, Fourth subplot)
ax4 = f1.add_subplot(2,3,4)
ax4.plot(data[["TIME"]], label = 'Curve 4', color = "#800080")

https://riptutorial.com/es/home 78
 # plot five
# plot column labeled TIME from csv file and color it cyan
# subplot(2 Rows, 3 Columns, Fifth subplot)
ax5 = f1.add_subplot(2,3,5)
ax5.plot(data[["TIME"]], label = 'Curve 5', color = "c")

# plot six
# plot column labeled TIME from csv file and color it black
# subplot(2 Rows, 3 Columns, Sixth subplot)
ax6 = f1.add_subplot(2,3,6)
ax6.plot(data[["TIME"]], label = 'Curve 6', color = "k")

#------------------------------------------------------------------------------
# Figure 2 with 6 plots
#------------------------------------------------------------------------------

# plot one
# Curve 1: plot column labeled Acceleration from csv file and color it red
# Curve 2: plot column labeled TIME from csv file and color it green
# subplot(2 Rows, 3 Columns, First subplot)
ax10 = f2.add_subplot(2,3,1)
ax10.plot(data[["Acceleration"]], label = 'Curve 1', color = "r")
ax10.plot(data[["TIME"]], label = 'Curve 7', color="g", linestyle ='--')
# dashed line

# plot two
# Curve 1: plot column labeled Acceleration from csv file and color it green
# Curve 2: plot column labeled TIME from csv file and color it black
# subplot(2 Rows, 3 Columns, Second subplot)
ax20 = f2.add_subplot(2,3,2)
ax20.plot(data[["Acceleration"]], label = 'Curve 2', color = "g")
ax20.plot(data[["TIME"]], label = 'Curve 8', color = "k", linestyle ='-')
# solid line (default)

# plot three
# Curve 1: plot column labeled Acceleration from csv file and color it blue
# Curve 2: plot column labeled TIME from csv file and color it purple
# subplot(2 Rows, 3 Columns, Third subplot)
ax30 = f2.add_subplot(2,3,3)
ax30.plot(data[["Acceleration"]], label = 'Curve 3', color = "b")
ax30.plot(data[["TIME"]], label = 'Curve 9', color = "#800080", linestyle ='-.')
# dash_dot line

# plot four
# Curve 1: plot column labeled Acceleration from csv file and color it purple
# Curve 2: plot column labeled TIME from csv file and color it red
# subplot(2 Rows, 3 Columns, Fourth subplot)
ax40 = f2.add_subplot(2,3,4)
ax40.plot(data[["Acceleration"]], label = 'Curve 4', color = "#800080")
ax40.plot(data[["TIME"]], label = 'Curve 10', color = "r", linestyle =':')
# dotted line

# plot five
# Curve 1: plot column labeled Acceleration from csv file and color it cyan
# Curve 2: plot column labeled TIME from csv file and color it blue
# subplot(2 Rows, 3 Columns, Fifth subplot)

https://riptutorial.com/es/home 79
 ax50 = f2.add_subplot(2,3,5)
ax50.plot(data[["Acceleration"]], label = 'Curve 5', color = "c")
ax50.plot(data[["TIME"]], label = 'Curve 11', color = "b", marker = 'o', markevery = 10)
# added line marker circle

# plot six
# Curve 1: plot column labeled Acceleration from csv file and color it black
# Curve 2: plot column labeled TIME from csv file and color it cyan
# subplot(2 Rows, 3 Columns, Sixth subplot)
ax60 = f2.add_subplot(2,3,6)
ax60.plot(data[["Acceleration"]], label = 'Curve 6', color = "k")
ax60.plot(data[["TIME"]], label = 'Curve 12', color = "c", marker = 's', markevery = 10)
# added line marker square

#==============================================================================
# Figure Plot options
#==============================================================================

#------------------------------------------------------------------------------
# Figure 1 options
#------------------------------------------------------------------------------

#switch to figure one for editing

plt.figure(1)

# Plot one options

ax1.legend(loc='upper right', fontsize='large')
ax1.set_title('Title for plot one ')
ax1.set_xlabel('X axes label')
ax1.set_ylabel('Y axes label')
ax1.grid(True)
ax1.set_xlim([0,200])
ax1.set_ylim([0,20])

# Plot two options

ax2.legend(loc='upper left', fontsize='large')
ax2.set_title('Title for plot two ')
ax2.set_xlabel('X axes label')
ax2.set_ylabel('Y axes label')
ax2.grid(True)
ax2.set_xlim([0,200])
ax2.set_ylim([0,20])

# Plot three options

ax3.legend(loc='upper center', fontsize='large')
ax3.set_title('Title for plot three ')
ax3.set_xlabel('X axes label')
ax3.set_ylabel('Y axes label')
ax3.grid(True)
ax3.set_xlim([0,200])
ax3.set_ylim([0,20])

# Plot four options

ax4.legend(loc='lower right', fontsize='large')
ax4.set_title('Title for plot four')
ax4.set_xlabel('X axes label')
ax4.set_ylabel('Y axes label')
ax4.grid(True)
ax4.set_xlim([0,200])

https://riptutorial.com/es/home 80
 ax4.set_ylim([0,20])

# Plot five options

ax5.legend(loc='lower left', fontsize='large')
ax5.set_title('Title for plot five ')
ax5.set_xlabel('X axes label')
ax5.set_ylabel('Y axes label')
ax5.grid(True)
ax5.set_xlim([0,200])
ax5.set_ylim([0,20])

# Plot six options

ax6.legend(loc='lower center', fontsize='large')
ax6.set_title('Title for plot six')
ax6.set_xlabel('X axes label')
ax6.set_ylabel('Y axes label')
ax6.grid(True)
ax6.set_xlim([0,200])
ax6.set_ylim([0,20])

#------------------------------------------------------------------------------
# Figure 2 options
#------------------------------------------------------------------------------

#switch to figure two for editing

plt.figure(2)

# Plot one options

ax10.legend(loc='upper right', fontsize='large')
ax10.set_title('Title for plot one ')
ax10.set_xlabel('X axes label')
ax10.set_ylabel('Y axes label')
ax10.grid(True)
ax10.set_xlim([0,200])
ax10.set_ylim([-20,20])

# Plot two options

ax20.legend(loc='upper left', fontsize='large')
ax20.set_title('Title for plot two ')
ax20.set_xlabel('X axes label')
ax20.set_ylabel('Y axes label')
ax20.grid(True)
ax20.set_xlim([0,200])
ax20.set_ylim([-20,20])

# Plot three options

ax30.legend(loc='upper center', fontsize='large')
ax30.set_title('Title for plot three ')
ax30.set_xlabel('X axes label')
ax30.set_ylabel('Y axes label')
ax30.grid(True)
ax30.set_xlim([0,200])
ax30.set_ylim([-20,20])

# Plot four options

ax40.legend(loc='lower right', fontsize='large')
ax40.set_title('Title for plot four')
ax40.set_xlabel('X axes label')
ax40.set_ylabel('Y axes label')
ax40.grid(True)
ax40.set_xlim([0,200])

https://riptutorial.com/es/home 81
 ax40.set_ylim([-20,20])

# Plot five options

ax50.legend(loc='lower left', fontsize='large')
ax50.set_title('Title for plot five ')
ax50.set_xlabel('X axes label')
ax50.set_ylabel('Y axes label')
ax50.grid(True)
ax50.set_xlim([0,200])
ax50.set_ylim([-20,20])

# Plot six options

ax60.legend(loc='lower center', fontsize='large')
ax60.set_title('Title for plot six')
ax60.set_xlabel('X axes label')
ax60.set_ylabel('Y axes label')
ax60.grid(True)
ax60.set_xlim([0,200])
ax60.set_ylim([-20,20])

#==============================================================================
# User chosen file location Save PDF
#==============================================================================

savefilename = askdirectory()# user selected file path

pdf = PdfPages(f'{savefilename}/longplot.pdf')
# using formatted string literals ("f-strings")to place the variable into the string

# save both figures into one pdf file

pdf.savefig(1)
pdf.savefig(2)

pdf.close()

#==============================================================================
# Show plot
#==============================================================================

# manually set the subplot spacing when there are multiple plots
#plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace =None, hspace=None )

# Automaticlly adds space between plots

plt.tight_layout()

plt.show()

Lea Parcelas Múltiples en línea: https://riptutorial.com/es/matplotlib/topic/3279/parcelas-multiples

https://riptutorial.com/es/home 82
Capítulo 17: Parcelas tridimensionales
Observaciones
El trazado tridimensional en matplotlib ha sido históricamente un poco kludge, ya que el motor de
renderizado es inherentemente 2D. El hecho de que las configuraciones 3d se representen
trazando una porción 2d después de la otra implica que a menudo hay problemas relacionados
con la profundidad aparente de los objetos. El núcleo del problema es que dos objetos no
conectados pueden estar completamente detrás o completamente uno frente al otro, lo que lleva
a artefactos como se muestra en la siguiente figura de dos anillos entrelazados (haga clic para ver
un gif animado):

Sin embargo, esto puede ser arreglado. Este artefacto solo existe cuando se trazan múltiples
superficies en el mismo trazado, ya que cada una se representa como una forma plana 2D, con
un solo parámetro que determina la distancia de la vista. Notará que una sola superficie
complicada no sufre el mismo problema.

https://riptutorial.com/es/home 83
La forma de remediar esto es unir los objetos de la parcela utilizando puentes transparentes:

from mpl_toolkits.mplot3d import Axes3D

import matplotlib.pyplot as plt
import numpy as np
from scipy.special import erf

fig = plt.figure()
ax = fig.gca(projection='3d')

X = np.arange(0, 6, 0.25)
Y = np.arange(0, 6, 0.25)
X, Y = np.meshgrid(X, Y)

Z1 = np.empty_like(X)
Z2 = np.empty_like(X)
C1 = np.empty_like(X, dtype=object)
C2 = np.empty_like(X, dtype=object)

for i in range(len(X)):
for j in range(len(X[0])):
z1 = 0.5*(erf((X[i,j]+Y[i,j]-4.5)*0.5)+1)
z2 = 0.5*(erf((-X[i,j]-Y[i,j]+4.5)*0.5)+1)
Z1[i,j] = z1
Z2[i,j] = z2

# If you want to grab a colour from a matplotlib cmap function,

# you need to give it a number between 0 and 1. z1 and z2 are
# already in this range, so it just works as is.
C1[i,j] = plt.get_cmap("Oranges")(z1)
C2[i,j] = plt.get_cmap("Blues")(z2)

# Create a transparent bridge region

X_bridge = np.vstack([X[-1,:],X[-1,:]])
Y_bridge = np.vstack([Y[-1,:],Y[-1,:]])
Z_bridge = np.vstack([Z1[-1,:],Z2[-1,:]])
color_bridge = np.empty_like(Z_bridge, dtype=object)

color_bridge.fill((1,1,1,0)) # RGBA colour, onlt the last component matters - it represents

the alpha / opacity.

# Join the two surfaces flipping one of them (using also the bridge)
X_full = np.vstack([X, X_bridge, np.flipud(X)])
Y_full = np.vstack([Y, Y_bridge, np.flipud(Y)])
Z_full = np.vstack([Z1, Z_bridge, np.flipud(Z2)])
color_full = np.vstack([C1, color_bridge, np.flipud(C2)])

surf_full = ax.plot_surface(X_full, Y_full, Z_full, rstride=1, cstride=1,

facecolors=color_full, linewidth=0,
antialiased=False)

plt.show()

https://riptutorial.com/es/home 84
https://riptutorial.com/es/home 85
Examples
Creando ejes tridimensionales.

Los ejes de matplotlib son bidimensionales por defecto. Con el fin de crear gráficos de tres
dimensiones, tenemos que importar el Axes3D clase de la caja de herramientas mplot3d , que
permitirá a un nuevo tipo de proyección para una ejes, a saber '3d' :

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

Además de las generalizaciones sencillas de las gráficas bidimensionales (como las gráficas
lineales , las gráficas de dispersión , las gráficas de barras , las gráficas de contorno ), hay varios
métodos de trazado de superficie disponibles, por ejemplo, ax.plot_surface :

https://riptutorial.com/es/home 86
 # generate example data
import numpy as np
x,y = np.meshgrid(np.linspace(-1,1,15),np.linspace(-1,1,15))
z = np.cos(x*np.pi)*np.sin(y*np.pi)

# actual plotting example

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# rstride and cstride are row and column stride (step size)
ax.plot_surface(x,y,z,rstride=1,cstride=1,cmap='hot')
ax.set_xlabel(r'$x$')
ax.set_ylabel(r'$y$')
ax.set_zlabel(r'$\cos(\pi x) \sin(\pi y)$')
plt.show()

Lea Parcelas tridimensionales en línea: https://riptutorial.com/es/matplotlib/topic/1880/parcelas-

tridimensionales

https://riptutorial.com/es/home 87
Capítulo 18: Sistemas de coordenadas
Observaciones
Matplotlib tiene cuatro sistemas de coordenadas distintos que pueden aprovecharse para facilitar
el posicionamiento de diferentes objetos, por ejemplo, texto. Cada sistema tiene un objeto de
transformación correspondiente que transforma las coordenadas de ese sistema al llamado
sistema de coordenadas de visualización.

El sistema de coordenadas de datos es el sistema definido por los datos en los ejes
respectivos. Es útil cuando se intenta colocar algún objeto en relación con los datos trazados. El
rango viene dado por las propiedades xlim y ylim de Axes . Su objeto de transformación
correspondiente es ax.transData .

El sistema de coordenadas de ejes es el sistema vinculado a su objeto Axes . Los puntos (0, 0) y
(1, 1) definen las esquinas inferior izquierda y superior derecha de los ejes. Como tal, es útil
cuando se coloca en relación con los ejes, como el centro superior de la trama. Su objeto de
transformación correspondiente es ax.transAxes .

El sistema de coordenadas de la figura es análogo al sistema de coordenadas de los ejes,

excepto que está vinculado a la Figure . Los puntos (0, 0) y (1, 1) representan las esquinas inferior
izquierda y superior derecha de la figura. Es útil cuando se trata de posicionar algo relativo a toda
la imagen. Su objeto de transformación correspondiente es fig.transFigure .

El sistema de coordenadas de visualización es el sistema de la imagen dada en píxeles. Los

puntos (0, 0) y (ancho, alto) son los píxeles de la parte inferior izquierda y superior derecha de la
imagen o visualización. Puede ser utilizado para posicionamiento absolutamente. Como los
objetos de transformación transforman las coordenadas en este sistema de coordenadas, el
sistema de visualización no tiene asociado ningún objeto de transformación. Sin embargo, None o
matplotlib.transforms.IdentityTransform() se puede usar cuando sea necesario.

https://riptutorial.com/es/home 88
Más detalles están disponibles aquí .

Examples
Sistemas de coordenadas y texto.

Los sistemas de coordenadas de Matplotlib son muy útiles al tratar de anotar los gráficos que
realiza. A veces, le gustaría colocar el texto en relación con sus datos, como cuando intenta
etiquetar un punto específico. Otras veces tal vez le gustaría agregar un texto en la parte superior
de la figura. Esto se puede lograr fácilmente seleccionando un sistema de coordenadas apropiado
pasando un objeto de transform parámetro de transform en llamada a text() .

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

ax.plot([2.], [3.], 'bo')

plt.text( # position text relative to data

https://riptutorial.com/es/home 89
 2., 3., 'important point', # x, y, text,
ha='center', va='bottom', # text alignment,
transform=ax.transData # coordinate system transformation
)
plt.text( # position text relative to Axes
1.0, 1.0, 'axes corner',
ha='right', va='top',
transform=ax.transAxes
)
plt.text( # position text relative to Figure
0.0, 1.0, 'figure corner',
ha='left', va='top',
transform=fig.transFigure
)
plt.text( # position text absolutely at specific pixel on image
200, 300, 'pixel (200, 300)',
ha='center', va='center',
transform=None
)

plt.show()

https://riptutorial.com/es/home 90
Lea Sistemas de coordenadas en línea: https://riptutorial.com/es/matplotlib/topic/4566/sistemas-
de-coordenadas

https://riptutorial.com/es/home 91
Creditos
S.
Capítulos Contributors
No

Empezando con Amitay Stern, ChaoticTwist, Chr, Chris Mueller, Community,

1
matplotlib dermen, evtoh, farenorth, Josh, jrjc, pmos, Serenity, tacaswell

Animaciones y
2 FiN, smurfendrek123, user2314737
tramas interactivas.

Cerrar una ventana

3 Brian, David Zwicker
de figura

4 Colormaps Andras Deak, Xevaquor

Figuras y objetos de
5 David Zwicker, Josh, Serenity, tom
ejes

6 Gráficas de caja Luis

7 Histograma Yegor Kishilov

Integración con TeX

8 Andras Deak, Bosoneando, Chris Mueller, Næreen, Serenity
/ LaTeX

Andras Deak, Franck Dernoncourt, ronrest, saintsfan342000,

9 Leyendas
Serenity

Líneas de cuadrícula
10 y marcas de ronrest
garrapatas

11 LogLog Graphing ml4294

Manipulación de
12 Bosoneando
imagen

13 Mapas de contorno Eugene Loy, Serenity

Franck Dernoncourt, Josh, ml4294, ronrest, Scimonster,

14 Parcelas básicas
Serenity, user2314737

15 Parcelas Múltiples Chris Mueller, Robert Branam, ronrest, swatchai

Parcelas
16 Andras Deak, Serenity, will
tridimensionales

https://riptutorial.com/es/home 92
 Sistemas de
17 jure
coordenadas

https://riptutorial.com/es/home 93