Visualización con Matplotlib

Visualización con Matplotlib

Un análisis biológico sin gráficos es invisible: nadie entiende 20 000 genes leyendo una tabla, pero un volcano plot o un boxplot por grupo comunican el resultado en segundos. Matplotlib es la librería fundamental de visualización en Python; sobre ella se construyen seaborn, pandas plotting y muchas otras. Aprender matplotlib te da control total sobre cada elemento del gráfico.

En este capítulo aprenderás la estructura de figura y axes, los tipos de gráficos principales, la personalización, los subplots, el guardado en distintos formatos y las configuraciones para obtener figuras listas para un paper.

¿Qué es Matplotlib?

Matplotlib es una librería de visualización 2D para Python, inspirada en MATLAB. Permite generar gráficos de líneas, dispersión, barras, histogramas, boxplots, contornos, imágenes y mucho más, con control a nivel de pixel.

Interfaz pyplot vs orientada a objetos

Matplotlib ofrece dos formas de usarlo:

  1. pyplot (estado global): estilo MATLAB, sencillo, rápido. Funciona con plt.plot(), plt.title(), etc. Mantiene una “figura actual” implícita.
  2. Orientada a objetos: creas explícitamente fig, ax = plt.subplots() y llamas métodos sobre ax. Más potente y recomendable para figuras complejas.
# Estilo pyplot
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [1, 4, 9])
plt.title("Cuadrados")
plt.show()

# Estilo orientado a objetos (recomendado)
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [1, 4, 9])
ax.set_title("Cuadrados")
ax.set_xlabel("x")
ax.set_ylabel("y")
plt.show()
ImportantRecomendación

Para figuras con un solo axes y sin requisitos exigentes, plt es suficiente. Para figuras con subplots, anotaciones complejas o exportación reproducible, usa la interfaz orientada a objetos (fig, ax).

Importación

import matplotlib.pyplot as plt   # convención universal

Estructura básica

  • Figure: el contenedor completo (la “hoja”). Puede contener varios axes.
  • Axes: una gráfica individual con sus ejes, título, etiquetas, etc.
  • plot / scatter / bar …: métodos que dibujan datos sobre el axes.
  • show(): renderiza la figura en pantalla.
fig, ax = plt.subplots()      # figura con un axes
ax.plot([0, 1, 2, 3], [0.1, 0.3, 0.6, 0.9], marker='o')
ax.set_xlabel("Tiempo (h)")
ax.set_ylabel("OD600")
ax.set_title("Crecimiento bacteriano")
plt.show()

Tipos de gráficos

Línea: plot

plt.plot(tiempo, od600, marker='o', linestyle='-', color='steelblue')

Dispersión: scatter

plt.scatter(concentracion, absorbancia, c='darkgreen', alpha=0.7)

Barras: bar

plt.bar(especies, conteos, color='salmon')

Histograma: hist

plt.hist(pesos, bins=20, color='gray', edgecolor='black')

Boxplot: boxplot

plt.boxplot([grupo_ctrl, grupo_trat], labels=["Control", "Tratamiento"])

Personalización

Elemento Método
Título plt.title("...") o ax.set_title(...)
Etiqueta X plt.xlabel(...) / ax.set_xlabel(...)
Etiqueta Y plt.ylabel(...) / ax.set_ylabel(...)
Leyenda plt.legend(["ctrl","trat"]) o label= + ax.legend()
Límites plt.xlim(0, 10) / ax.set_xlim(0, 10)
Ticks plt.xticks([0,1,2], ["t0","t1","t2"])
Rejilla plt.grid(True)

Múltiples curvas en un mismo axes

plt.plot(tiempo, ctrl, label="Control", color="blue")
plt.plot(tiempo, trat, label="Tratamiento", color="red")
plt.xlabel("Tiempo (h)")
plt.ylabel("OD600")
plt.legend()
plt.title("Crecimiento por grupo")
plt.show()

Subplots con plt.subplots

fig, axes = plt.subplots(2, 2, figsize=(10, 8))

axes[0, 0].plot(tiempo, ctrl)
axes[0, 0].set_title("Control")
axes[0, 1].plot(tiempo, trat)
axes[0, 1].set_title("Tratamiento")
axes[1, 0].hist(pesos_ctrl)
axes[1, 0].set_title("Pesos control")
axes[1, 1].boxplot([ctrl, trat])
axes[1, 1].set_title("Comparación")

plt.tight_layout()   # evita solapamiento
plt.show()

Guardar figura: savefig

plt.savefig("figura.png", dpi=300, bbox_inches='tight')
plt.savefig("figura.pdf")             # vectorial, ideal para papers
plt.savefig("figura.svg")             # editable en Inkscape/Illustrator
TipFormato para papers

Usa PDF o SVG (vectorial) para figuras de publicación: escalan sin pérdida de calidad. PNG con dpi=300 es adecuado para slides y web.

Estilos

print(plt.style.available)   # lista de estilos
plt.style.use("seaborn-v0_8")  # o "ggplot", "bmh", "fivethirtyeight"
NoteEstilos recomendados para principiantes

'seaborn-v0_8' y 'ggplot' son agradables y profesionales. Evita el estilo por defecto si quieres que tus figuras parezcan publicables. Una vez aplicado un estilo, todos los gráficos del script lo heredan.

Configuración global con rcParams

Para configuraciones que afectan a todas las figuras de un script (tamaño de fuente, tipo de letra, DPI por defecto, colores), modifica el diccionario plt.rcParams:

plt.rcParams.update({
    "font.size": 11,
    "font.family": "DejaVu Sans",
    "axes.titlesize": 12,
    "axes.labelsize": 11,
    "figure.dpi": 100,
    "savefig.dpi": 300,
    "axes.grid": True,
    "grid.alpha": 0.3,
})

Esto es útil para mantener consistencia entre todas las figuras de un manuscrito o informe.

Colores y marcadores

  • Colores: 'blue', 'red', '#1f77b4' (hex), nombres CSS como 'steelblue', 'salmon'.
  • Marcadores: 'o' (círculo), 's' (cuadrado), '^' (triángulo), 'D' (diamante), '+'.
  • Líneas: '-' (sólida), '--' (discontinua), ':' (punteada), '-.' (guión-punto).
plt.plot(x, y, color='darkred', marker='s', linestyle='--', linewidth=2)
WarningPaletas accesibles (daltonismo)

Evita combinar rojo y verde para diferenciar grupos: ~8 % de los varones tienen daltonismo y no distinguirán tus categorías. Usa paletas como viridis, cividis o colorbrewer ('Set2', 'Dark2'), accesibles y perceptualmente uniformes:

import matplotlib.cm as cm
colores = plt.get_cmap("viridis")(np.linspace(0, 1, 4))   # 4 colores
plt.scatter(x, y, c=colores[i])

Para gráficos categóricos, una regla práctica: usa tab10 o Set2 para ≤ 8 categorías y reservar viridis para variables continuas.

Anotaciones: text y annotate

ax.text(2, 0.5, "fase exponencial", fontsize=10)
ax.annotate("máximo", xy=(5, 1.2), xytext=(3, 1.4),
            arrowprops=dict(arrowstyle="->"))

Configuración para papers

fig, ax = plt.subplots(figsize=(5, 3.5), dpi=120)
ax.plot(x, y, color='black', linewidth=1.5)
ax.set_xlabel("Tiempo (h)", fontsize=11)
ax.set_ylabel("OD600", fontsize=11)
ax.set_title("Crecimiento", fontsize=12)
ax.tick_params(labelsize=10)
plt.tight_layout()
plt.savefig("fig1.pdf", dpi=300, bbox_inches='tight')
Importanttight_layout() y bbox_inches='tight'

Llama siempre a plt.tight_layout() antes de show()/savefig() para que las etiquetas no se solapen. Añade bbox_inches='tight' en savefig para que el archivo no quede con márgenes excesivos.

Ejemplos biológicos

1) Curva de crecimiento bacteriano

tiempo = [0, 1, 2, 3, 4, 5, 6, 7]
od600  = [0.05, 0.08, 0.15, 0.30, 0.55, 0.90, 1.10, 1.15]
plt.plot(tiempo, od600, marker='o', color='darkgreen')
plt.xlabel("Tiempo (h)")
plt.ylabel("OD600")
plt.title("Crecimiento bacteriano")
plt.grid(True)
plt.show()

2) Dispersión absorbancia vs concentración (curva estándar)

conc = [0, 10, 20, 40, 80, 160]
abs_ = [0.02, 0.10, 0.20, 0.42, 0.81, 1.55]
plt.scatter(conc, abs_, color='darkblue')
plt.xlabel("Concentración (µg/mL)")
plt.ylabel("Absorbancia (595 nm)")
plt.title("Curva estándar BSA")
plt.show()

3) Barras: conteos de especies por sitio

especies = ["Q. robur", "P. pinea", "P. sylvestris"]
conteos  = [12, 8, 15]
plt.bar(especies, conteos, color=['#4daf4a','#377eb8','#984ea3'])
plt.ylabel("Número de individuos")
plt.title("Abundancia por especie")
plt.xticks(rotation=15)
plt.tight_layout()
plt.show()

4) Histograma de pesos

import numpy as np
np.random.seed(0)
pesos = np.random.normal(50, 8, 200)
plt.hist(pesos, bins=20, color='lightgray', edgecolor='black')
plt.xlabel("Peso (g)")
plt.ylabel("Frecuencia")
plt.title("Distribución de pesos")
plt.show()

5) Boxplot por tratamiento

ctrl = np.random.normal(0.3, 0.05, 30)
trat = np.random.normal(0.6, 0.07, 30)
plt.boxplot([ctrl, trat], labels=["Control", "Tratamiento"])
plt.ylabel("Absorbancia")
plt.title("Comparación de grupos")
plt.show()

6) Subplot 2×2 comparando grupos

fig, axes = plt.subplots(2, 2, figsize=(10, 8))
axes[0,0].hist(ctrl); axes[0,0].set_title("Control")
axes[0,1].hist(trat); axes[0,1].set_title("Tratamiento")
axes[1,0].boxplot([ctrl, trat]); axes[1,0].set_title("Boxplot")
axes[1,1].plot(tiempo, od600); axes[1,1].set_title("Crecimiento")
plt.tight_layout()
plt.show()

7) Curva estándar con línea de regresión

coef = np.polyfit(conc, abs_, 1)        # regresión lineal
x_lin = np.linspace(0, 160, 100)
y_lin = np.polyval(coef, x_lin)
plt.scatter(conc, abs_, label="datos")
plt.plot(x_lin, y_lin, 'r--', label="ajuste")
plt.legend(); plt.xlabel("Concentración"); plt.ylabel("Absorbancia")
plt.show()

Ejercicios

Ejercicio 1

Crea un gráfico de dispersión con datos simulados de absorbancia vs concentración para una curva estándar (p. ej. concentraciones 0, 10, 20, 40, 80, 160 µg/mL). Etiqueta los ejes, pon un título y guarda la figura como "curva_estandar.png" con dpi=300.

Ejercicio 2

Crea un subplot 1×2 con: (a) un histograma de 1000 números aleatorios normales (np.random.normal(60, 10, 1000)) simulando pesos de individuos; (b) un boxplot comparando dos grupos (control y tratamiento) generados aleatoriamente. Etiqueta cada subgráfico.

Ejercicio 3

Simula datos de crecimiento bacteriano (OD600) en 8 tiempos (0, 1, 2, …, 7 horas) que sigan aproximadamente una curva sigmoidal (fase lag → exponencial → estacionaria). Grafica la curva, etiqueta ejes, agrega título y guarda como PDF llamado "crecimiento.pdf".

Soluciones

Solución 1

import matplotlib.pyplot as plt
import numpy as np

# Datos de la curva estándar (concentración conocida vs absorbancia medida)
concentracion = np.array([0, 10, 20, 40, 80, 160])  # µg/mL de BSA
# Simulamos absorbancia con una relación lineal + ruido
np.random.seed(1)
absorbancia = 0.01 * concentracion + 0.05 + np.random.normal(0, 0.02, size=len(concentracion))

# Creamos figura y axes (estilo orientado a objetos)
fig, ax = plt.subplots(figsize=(6, 4))

# Scatter: cada punto es un estándar medido
ax.scatter(concentracion, absorbancia,
           color='darkblue', s=60, alpha=0.8, edgecolor='black')

# Etiquetas y título: fundamentales para interpretación
ax.set_xlabel("Concentración (µg/mL)", fontsize=11)
ax.set_ylabel("Absorbancia (595 nm)", fontsize=11)
ax.set_title("Curva estándar BSA (Bradford)", fontsize=12)

# Rejilla suave para leer valores
ax.grid(True, linestyle=':', alpha=0.6)

# Ajuste de layout y guardado a 300 dpi (calidad publicación)
plt.tight_layout()
plt.savefig("curva_estandar.png", dpi=300, bbox_inches='tight')
plt.show()

Solución 2

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)

# (a) Simulación de 1000 pesos de individuos
pesos = np.random.normal(loc=60, scale=10, size=1000)

# (b) Dos grupos: control y tratamiento, con distribuciones distintas
control     = np.random.normal(loc=60, scale=10, size=50)
tratamiento = np.random.normal(loc=68, scale=9,  size=50)

# Subplot 1x2: 1 fila, 2 columnas, figsize ancho
fig, axes = plt.subplots(1, 2, figsize=(11, 4))

# --- Panel izquierdo: histograma ---
axes[0].hist(pesos, bins=30, color='steelblue',
             edgecolor='black', alpha=0.85)
axes[0].set_xlabel("Peso (kg)")
axes[0].set_ylabel("Frecuencia")
axes[0].set_title("Distribución de pesos (n=1000)")
axes[0].grid(True, linestyle=':', alpha=0.5)

# --- Panel derecho: boxplot comparativo ---
# boxplot recibe una lista de arrays; cada uno es una caja
axes[1].boxplot([control, tratamiento],
                labels=["Control", "Tratamiento"],
                patch_artist=True,
                boxprops=dict(facecolor='lightblue'))
axes[1].set_ylabel("Peso (kg)")
axes[1].set_title("Comparación de grupos")
axes[1].grid(True, axis='y', linestyle=':', alpha=0.5)

# tight_layout para evitar solapamientos
plt.tight_layout()
plt.show()

Solución 3

import matplotlib.pyplot as plt
import numpy as np

# Simulamos crecimiento bacteriano con curva logística (sigmoidal)
# La función logística L / (1 + exp(-k*(t - t0))) modela:
#   - fase lag al inicio (crecimiento lento)
#   - fase exponencial (crecimiento rápido)
#   - fase estacionaria (asíntota en L)
tiempo = np.arange(0, 8, 1)   # 0, 1, ..., 7 horas
L = 1.20      # OD600 máximo (fase estacionaria)
k = 1.0       # velocidad de crecimiento
t0 = 3.0      # tiempo de inflexión

od600_teorico = L / (1 + np.exp(-k * (tiempo - t0)))

# Añadimos ruido de medición realista
np.random.seed(3)
od600 = od600_teorico + np.random.normal(0, 0.03, size=len(tiempo))

# Dibujamos
fig, ax = plt.subplots(figsize=(6, 4))
ax.plot(tiempo, od600, marker='o', linestyle='-',
        color='darkgreen', linewidth=2, markersize=7,
        label="OD600 medido")

# Anotamos las fases del crecimiento
ax.axvspan(0, 2, alpha=0.10, color='gray')
ax.text(1, 0.10, "lag", ha='center', fontsize=10)
ax.axvspan(2, 5, alpha=0.10, color='green')
ax.text(3.5, 0.10, "exponencial", ha='center', fontsize=10)
ax.axvspan(5, 7, alpha=0.10, color='blue')
ax.text(6, 0.10, "estacionaria", ha='center', fontsize=10)

ax.set_xlabel("Tiempo (h)", fontsize=11)
ax.set_ylabel("OD600", fontsize=11)
ax.set_title("Curva de crecimiento bacteriano", fontsize=12)
ax.set_ylim(0, 1.4)
ax.legend(loc='lower right')
ax.grid(True, linestyle=':', alpha=0.5)

plt.tight_layout()

# Guardamos como PDF (vectorial, ideal para papers)
plt.savefig("crecimiento.pdf", bbox_inches='tight')
plt.show()
ImportantComentarios sobre los parámetros visuales usados
  • figsize=(6, 4): proporción 3:2, adecuada para una columna de paper.
  • marker='o' y linestyle='-': la línea conecta los puntos para sugerir la tendencia; el marcador destaca cada medida individual (8 puntos = 8 mediciones).
  • color='darkgreen': evoca bacterias/crecimiento sin saturar la vista.
  • alpha=0.10 en axvspan: sombrea suavemente las fases sin tapar la curva.
  • ha='center': centra el texto sobre su coordenada x, evita desplazamientos feos.
  • ax.legend(loc='lower right'): la leyenda no se solapa con la curva (que sube hacia la izquierda).
  • plt.tight_layout() y bbox_inches='tight': eliminan márgenes excesivos al renderizar.
  • PDF (no PNG): formato vectorial que escala sin pérdida para imprimir o insertar en LaTeX/Word.
TipResumen
  • Importa como import matplotlib.pyplot as plt.
  • Usa interfaz orientada a objetos (fig, ax) para figuras serias.
  • Tipos básicos: plot, scatter, bar, hist, boxplot.
  • Personaliza con set_xlabel, set_ylabel, set_title, legend, grid.
  • Subplots con plt.subplots(nrows, ncols).
  • Guarda con savefig en PNG (dpi=300) o PDF (vectorial).
  • Usa plt.style.use("seaborn-v0_8") o "ggplot" para un look pulido.
  • Llama siempre plt.tight_layout() antes de mostrar/guardar.