matplotlib #matplotlib Tabla de contenido Acerca de 1 Capítulo 1: Empezando con matplotlib 2 Observaciones Visión general 2 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 Examples 25 25 Cuadros de caja básicos 25 Capítulo 7: Gráficas de caja 27 Examples Función boxplot Capítulo 8: Histograma Examples Histograma simple Capítulo 9: Integración con TeX / LaTeX 27 27 34 34 34 35 Observaciones 35 Examples 35 Insertando fórmulas TeX en parcelas 35 Guardando y exportando parcelas que utilizan TeX. 37 Capítulo 10: Leyendas Examples 39 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 Examples Parcela Con Gridlines 48 48 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 Capítulo 13: Manipulación de imagen Examples Abriendo imagenes Capítulo 14: Mapas de contorno Examples 51 54 54 54 56 56 Trazado de contorno rellenado simple 56 Trazado de contorno simple 57 Capítulo 15: Parcelas básicas 58 Examples Gráfico de dispersión 58 58 Un simple diagrama de dispersión 58 Un diagrama de dispersión con puntos etiquetados 59 Parcelas Sombreadas Región sombreada debajo de una línea Región sombreada entre dos líneas 60 60 61 Líneas de parcelas 62 Trazo de línea simple 62 Diagrama de datos 64 Datos y linea 65 Mapa de calor Capítulo 16: Parcelas Múltiples 66 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. Capítulo 18: Sistemas de coordenadas 86 88 Observaciones 88 Examples 89 Sistemas de coordenadas y texto. Creditos 89 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 info@zzzprojects.com 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 Versión Versiones de Python compatibles Observaciones Fecha de lanzamiento 1.3.1 2.6, 2.7, 3.x Versión estable más antigua 2013-10-10 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 2.x 2.7, 3.x Última versión de desarrollo 2016-07-25 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/empezandocon-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/cerraruna-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 = y = XX, Z = np.linspace(-2,2,500) np.linspace(-2,2,500) YY = np.meshgrid(x, y) 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-yobjetos-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 # shown in ax.plot(x, ax.plot(x, ax.plot(x, the the y1, y2, y3, lines in the same plot, assigning a label for each one to be legend color="red", label="My Line 1") color="green", label="My Line 2") 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, y1 = [1, 2, y2 = [2, 4, y3 = [3, 5, 3] 4] 8] 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], labels= line_labels, loc="center right", borderaxespad=0.1, title="Legend Title") # # # # # List of the line objects The labels for each line Position of the legend Add little spacing around the legend box 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, y1 = [1, 2, y2 = [3, 1, y3 = [1, 3, y4 = [2, 2, 3] 3] 3] 1] 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], labels=line_labels, loc="center right", borderaxespad=0.1, title="Legend Title" ) # # # # # The line objects The labels for each line Position of legend Small spacing around legend box 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-decontorno 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", s=100, alpha=0.5, linewidths=1) # # # # Color of the dots Size of the dots Alpha/transparency of the dots (1 is opaque, 0 is transparent) 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", s=100, alpha=0.5, linewidths=1) # # # # Color of the dots Size of the dots Alpha of the dots 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 plt.fill_between(x, y1, 0, facecolor="orange", color='blue', alpha=0.2) y=0 # The fill color # The outline color # 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, y2 = [1.19411694, 0.51572803, y3 = [0.86793828, 0.07563408, # 5 more random values y4 = [0.43396914, 0.03781704, 0.63213726, 0.63287317, 0.73791151] 1.26427451, 1.26574635, 1.47582302] 0.67670068, 0.78932712, 0.0043694] 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, y1 = [2, 15, 27, y2 = [10, 40, 45, y3 = [5, 25, 40, 5] 35, 40] 47, 50] 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 # shown in ax.plot(x, ax.plot(x, the the y1, y2, lines in the same plot, assigning a label for each one to be legend. color="red", label="My Line 1") 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 ax1 = ax2 = ax3 = ax4 = axes which can span multiple grid boxes fig.add_subplot(grid[0:2, 0:2]) fig.add_subplot(grid[0:2, 2]) fig.add_subplot(grid[2, 0:2]) fig.add_subplot(grid[2, 2]) ax1.plot(t, ax2.plot(t, ax3.plot(t, ax4.plot(t, y1, y2, y3, y4, color='royalblue') color='forestgreen') color='darkorange') 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) y1 = map(lambda x: -4.0/3.0*x + 16, x) y2 = map(lambda x: 0.2*x**2 -5*x + 32, x) # values of x # values of y1(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 import pandas as pd # module to plot # 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 # Curve 2: plot column labeled TIME from csv # subplot(2 Rows, 3 Columns, Second subplot) ax20 = f2.add_subplot(2,3,2) ax20.plot(data[["Acceleration"]], label = 'Curve 2', ax20.plot(data[["TIME"]], label = 'Curve 8', color = # solid line (default) # plot three # Curve 1: plot column labeled Acceleration from csv # Curve 2: plot column labeled TIME from csv # subplot(2 Rows, 3 Columns, Third subplot) ax30 = f2.add_subplot(2,3,3) ax30.plot(data[["Acceleration"]], label = 'Curve 3', ax30.plot(data[["TIME"]], label = 'Curve 9', color = # dash_dot line file and color it green file and color it black color = "g") "k", linestyle ='-') file and color it blue file and color it purple color = "b") "#800080", linestyle ='-.') # 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 Z2 C1 C2 = = = = np.empty_like(X) np.empty_like(X) np.empty_like(X, dtype=object) 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/parcelastridimensionales 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', ha='center', va='bottom', transform=ax.transData # x, y, text, # text alignment, # 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/sistemasde-coordenadas https://riptutorial.com/es/home 91 Creditos S. No Capítulos Contributors 1 Empezando con matplotlib Amitay Stern, ChaoticTwist, Chr, Chris Mueller, Community, dermen, evtoh, farenorth, Josh, jrjc, pmos, Serenity, tacaswell 2 Animaciones y tramas interactivas. FiN, smurfendrek123, user2314737 3 Cerrar una ventana de figura Brian, David Zwicker 4 Colormaps Andras Deak, Xevaquor 5 Figuras y objetos de ejes David Zwicker, Josh, Serenity, tom 6 Gráficas de caja Luis 7 Histograma Yegor Kishilov 8 Integración con TeX / LaTeX Andras Deak, Bosoneando, Chris Mueller, Næreen, Serenity 9 Leyendas Andras Deak, Franck Dernoncourt, ronrest, saintsfan342000, Serenity 10 Líneas de cuadrícula y marcas de garrapatas ronrest 11 LogLog Graphing ml4294 12 Manipulación de imagen Bosoneando 13 Mapas de contorno Eugene Loy, Serenity 14 Parcelas básicas Franck Dernoncourt, Josh, ml4294, ronrest, Scimonster, Serenity, user2314737 15 Parcelas Múltiples Chris Mueller, Robert Branam, ronrest, swatchai 16 Parcelas tridimensionales Andras Deak, Serenity, will https://riptutorial.com/es/home 92 17 Sistemas de coordenadas https://riptutorial.com/es/home jure 93