Python柱形图

news2024/7/6 19:13:31

柱形图

柱形图，又称长条图、柱状统计图、条图、条状图、棒形图，是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析。长条图亦可横向排列，或用多维方式表达。柱形图在数据可视化中具有多种作用和用途，包括：

  • 比较：柱形图是比较不同类别或组之间数量差异的常用工具。通过比较矩形条的高度或长度，可以直观地了解各个类别或组的数值大小，从而快速识别出最大值、最小值和趋势变化。

  • 分布：柱形图可以显示数据的分布情况。通过观察矩形条的高度分布，可以了解数据集中在哪些区间或类别上，以及是否存在异常值或离群点。

  • 排名：柱形图可以用于排名不同类别或组的顺序。根据矩形条的高度或长度，可以确定各个类别或组的排名顺序，从而帮助做出决策或优先级排序。

  • 趋势：柱形图可以显示时间或其他变量对数量的影响。通过在不同时间点或变量上绘制矩形条，可以观察到数量的变化趋势，从而帮助预测未来的走势或做出战略决策。

  • 强调：柱形图可以突出显示特定类别或组的重要性。通过增加特定类别或组的矩形条的颜色、阴影或标签，可以使其在图表中更加突出，吸引观察者的注意。

1.bar()

我们可以使用 pyplot 中的 bar() 方法来绘制柱形图。bar() 方法语法格式如下：

matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

2.参数说明

x：浮点型数组，柱形图的 x 轴数据。

height：浮点型数组，柱形图的高度。

width：浮点型数组，柱形图的宽度。

bottom：浮点型数组，底座的 y 坐标，默认 0。

align：柱形图与 x 坐标的对齐方式，‘center’ 以 x 位置为中心，这是默认值。 ‘edge’：将柱形图的左边缘与 x 位置对齐。要对齐右边缘的条形，可以传递负数的宽度值及 align=‘edge’。

**kwargs：：其他参数。

简单柱形图

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = np.array(["Runoob-1", "Runoob-2", "Runoob-3", "C-RUNOOB"])
y = np.array([12, 22, 6, 18])

plt.bar(x, y,  color = ["#4CAF50","red","hotpink","#556B2F"])
plt.show()

简单柱形图（纵向）

在这里插入图片描述

纵向的柱形图可以使用 barh() 方法来设置：

import matplotlib.pyplot as plt
import numpy as np

x = np.array(["Runoob-1", "Runoob-2", "Runoob-3", "C-RUNOOB"])
y = np.array([12, 22, 6, 18])

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

两组数据并列柱形图

并列柱形图在数据可视化中有以下几个主要作用：

  • 比较多个类别或组：并列柱形图可以用于比较多个类别或组之间的数值差异。通过将柱形图并列在同一水平位置上，观察者可以直观地比较它们之间的高度差异，从而了解每个类别或组的数值特征。

  • 显示关联关系：并列柱形图可以用于显示多个类别或组之间的关联关系。通过将柱形图并列在一起，观察者可以比较它们之间的相对大小和趋势，从而发现它们之间的关联或相互影响。

  • 强调单个类别或组的变化：并列柱形图可以突出显示单个类别或组的变化情况。通过将柱形图放置在同一水平位置上，观察者可以直接比较它们的高度差异，进而了解每个类别或组的变化程度。

  • 比较不同属性或指标：并列柱形图还可以用于比较不同属性或指标在多个类别或组之间的差异。通过并列柱形图，可以在同一图表中同时显示多个属性或指标的数值，从而方便比较它们之间的差异和关系。
    在这里插入图片描述

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(9, 9))
n = 5
X = np.arange(n) + 1.0
width = 0.3
# width:柱的宽度
# X是1,2,3,4,5,6,7,8,柱的个数
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
# uniform均匀分布的随机数，normal是正态分布的随机数，0.5-1均匀分布的数，一共有n个
Y1 = np.random.uniform(0.5, 1.0, n)
Y2 = np.random.uniform(0.5, 1.0, n)

plt.bar(X - width/2, Y1, width=width, facecolor='lightskyblue', label='1')

plt.bar(X + width/2, Y2, width=width, facecolor='yellowgreen', label='2')


# 功能1
x_labels = ["G1", "G2", "G3", "G4", "G5"]
# 用第1组...替换横坐标x的值
plt.xticks(X, x_labels)
# 水平柱状图plt.barh，属性中宽度width变成了高度height
# 打两组数据时用+
# facecolor柱状图里填充的颜色
# edgecolor是边框的颜色
# 想把一组数据打到下边，在数据前使用负号
# plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white')
# 给图加text

# 显示图例
plt.legend()
for x, y in zip(X, Y1):
    plt.text(x - width/2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):
    plt.text(x + width/2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

# plt.ylim(0, +1.25)
plt.show()

三组数据并列柱形图

在这里插入图片描述

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(9, 9))
n = 5
X = np.arange(n) + 1.0
width = 0.3
# width:柱的宽度
# X是1,2,3,4,5,6,7,8,柱的个数
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
# uniform均匀分布的随机数，normal是正态分布的随机数，0.5-1均匀分布的数，一共有n个
Y1 = np.random.uniform(0.5, 1.0, n)
Y2 = np.random.uniform(0.5, 1.0, n)
Y3 = np.random.uniform(0.5, 1.0, n)

plt.bar(X - width, Y1, width=width, facecolor='lightskyblue', label='1')

plt.bar(X, Y2, width=width, facecolor='yellowgreen', label='2')

plt.bar(X + width, Y3, width=width, facecolor='red', label='3')

# 功能1
x_labels = ["G1", "G2", "G3", "G4", "G5"]
# 用第1组...替换横坐标x的值
plt.xticks(X, x_labels)
# 水平柱状图plt.barh，属性中宽度width变成了高度height
# 打两组数据时用+
# facecolor柱状图里填充的颜色
# edgecolor是边框的颜色
# 想把一组数据打到下边，在数据前使用负号
# plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white')
# 给图加text

# 显示图例
plt.legend()
for x, y in zip(X, Y1):
    plt.text(x - width, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):
    plt.text(x, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y3):
    plt.text(x + width, y + 0.005, '%.2f' % y, ha='center', va='bottom')
# plt.ylim(0, +1.25)
plt.show()

四组数据并列柱形图

在这里插入图片描述

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(12, 9))
n = 5
X = np.arange(n) + 1.0
width = 0.2
# width:柱的宽度
# X是1,2,3,4,5,6,7,8,柱的个数
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
# uniform均匀分布的随机数，normal是正态分布的随机数，0.5-1均匀分布的数，一共有n个
Y1 = np.random.uniform(0.5, 1.0, n)
Y2 = np.random.uniform(0.5, 1.0, n)
Y3 = np.random.uniform(0.5, 1.0, n)
Y4 = np.random.uniform(0.5, 1.0, n)

plt.bar(X - 3*width/2, Y1, width=width, facecolor='lightskyblue', label='1')

plt.bar(X - width/2, Y2, width=width, facecolor='b', label='2')

plt.bar(X + width/2, Y3, width=width, facecolor='yellowgreen', label='3')

plt.bar(X + 3*width/2, Y4, width=width, facecolor='r', label='4')

# 功能1
x_labels = ["G1", "G2", "G3", "G4", "G5"]
# 用第1组...替换横坐标x的值
plt.xticks(X, x_labels)
# 水平柱状图plt.barh，属性中宽度width变成了高度height
# 打两组数据时用+
# facecolor柱状图里填充的颜色
# edgecolor是边框的颜色
# 想把一组数据打到下边，在数据前使用负号
# plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white')
# 给图加text

# 显示图例
plt.legend()
for x, y in zip(X, Y1):
    plt.text(x - 3*width/2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2):
    plt.text(x - width/2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y3):
    plt.text(x + width / 2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y4):
    plt.text(x + 3*width / 2, y + 0.005, '%.2f' % y, ha='center', va='bottom')

# plt.ylim(0, +1.25)
plt.show()

堆叠柱形图

堆叠柱形图在数据可视化中有以下几个主要作用：

  • 比较组成部分：堆叠柱形图可以用于比较多个类别或组的不同部分在整体中的贡献程度。通过堆叠不同的柱形图，每个柱形图表示一个类别或组，可以直观地比较它们在整体中的相对大小。这对于展示数据的组成结构、分析各部分之间的比例和趋势非常有用。

  • 显示累积效果：堆叠柱形图可以显示多个类别或组的累积效果。每个堆叠柱形图的高度表示该类别或组的总值，而柱形图中的每个部分表示该部分的贡献。通过堆叠不同的柱形图，可以清晰地展示累积效果，例如各类别或组的总销售额随时间的变化情况。

  • 强调总体趋势：堆叠柱形图可以帮助观察者更容易地发现总体趋势。通过比较堆叠柱形图的整体高度，可以直观地判断不同类别或组之间的总体增长或减少趋势。这对于分析数据的总体变化、发现异常情况以及做出决策非常有帮助。

  • 可视化数据分布：堆叠柱形图还可以用于可视化数据的分布情况。通过堆叠不同的柱形图，可以看到每个部分在整体中的相对比例，从而了解数据的分布特征。这对于发现数据的偏差、异常或集中情况非常有用。

在这里插入图片描述

import numpy as np
from matplotlib import pyplot as plt

plt.figure(figsize=(9, 12))
n = 5
X = np.arange(n) + 1.0
width = 0.3
# width:柱的宽度
# X是1,2,3,4,5,6,7,8,柱的个数
# numpy.random.uniform(low=0.0, high=1.0, size=None), normal
# uniform均匀分布的随机数，normal是正态分布的随机数，0.5-1均匀分布的数，一共有n个
Y1 = np.random.uniform(0.5, 1.0, n)
Y2 = np.random.uniform(0.5, 1.0, n)
Y3 = np.random.uniform(0.5, 1.0, n)

Y11 = np.random.uniform(0.5, 1.0, n)
Y22 = np.random.uniform(0.5, 1.0, n)
Y33 = np.random.uniform(0.5, 1.0, n)

plt.bar(X - width, Y1, width=width, facecolor='b', label='1-bottle')
plt.bar(X - width, Y11, width=width, bottom=Y1, facecolor='lightskyblue', label='1-top')

plt.bar(X, Y2, width=width, facecolor='g', label='2-bottle')
plt.bar(X, Y22, width=width, bottom=Y2, facecolor='yellowgreen', label='2-top')

plt.bar(X + width, Y3, width=width, facecolor='red', label='3-bottle')
plt.bar(X + width, Y33, bottom=Y3, width=width, facecolor='y', label='3-top')

# 功能1
x_labels = ["G1", "G2", "G3", "G4", "G5"]
# 用第1组...替换横坐标x的值
plt.xticks(X, x_labels)
# 水平柱状图plt.barh，属性中宽度width变成了高度height
# 打两组数据时用+
# facecolor柱状图里填充的颜色
# edgecolor是边框的颜色
# 想把一组数据打到下边，在数据前使用负号
# plt.bar(X, -Y2, width=width, facecolor='#ff9999', edgecolor='white')
# 给图加text

# 显示图例
plt.legend()
for x, y in zip(X, Y1+Y11):
    plt.text(x - width, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y2+Y22):
    plt.text(x, y + 0.005, '%.2f' % y, ha='center', va='bottom')

for x, y in zip(X, Y3+Y33):
    plt.text(x + width, y + 0.005, '%.2f' % y, ha='center', va='bottom')
# plt.ylim(0, +1.25)
plt.show()

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1063502.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

C语言之自定义类型_结构体篇（1）

C语言之自定义类型_结构体篇（1）

目录 什么是结构？ 结构体类型的声明 常规声明 特殊声明-匿名结构体 结构体变量的定义和初始化和访问 定义 初始化 访问 嵌套结构体 结构体的自引用 什么是结构体的自引用 NO1. NO2. 热门考点：结构体内存对齐 产生内存对齐 NO1 NO2 …
阅读更多...
【TensorFlow Hub】：有 100 个预训练模型等你用

【TensorFlow Hub】：有 100 个预训练模型等你用

要访问TensorFlow Hub，请单击此处 — https://www.tensorflow.org/hub 一、说明 TensorFlow Hub是一个库，用于在TensorFlow中发布，发现和使用可重用模型。它提供了一种使用预训练模型执行各种任务（如图像分类、文本分析等&#xf…
阅读更多...
GPU(国内外发展，概念参数（CUDA,Tensor Core等），类别，如何选型，NPU,TPU)

GPU(国内外发展，概念参数（CUDA,Tensor Core等），类别，如何选型，NPU,TPU)

目录 前言 1.国内外GPU发展简述 2.GPU概念参数和选择标准 2.1 CUDA 2.2 Tensor Core 2.3 显存容量和显存位宽 2.4 精度 2.5 如何选择GPU 3.常见GPU类别和价格 3.1 GPU类别 3.2 GPU价格（部分） 3.3 GPU云服务器收费标准（以阿里云为例&a…
阅读更多...
机器学习基础之《回归与聚类算法（1）—线性回归》

机器学习基础之《回归与聚类算法（1）—线性回归》

一、线性回归的原理 1、线性回归应用场景 如何判定一个问题是回归问题的，目标值是连续型的数据的时候 房价预测 销售额度预测 贷款额度预测、利用线性回归以及系数分析因子 2、线性回归定义 线性回归(Linear regression)是利用回归方程(函数)对一个或多个自变量(…
阅读更多...
【多线程进阶】synchronized 原理

【多线程进阶】synchronized 原理

文章目录 前言1. 基本锁策略2. 加锁工作过程2.1 偏向锁2.2 轻量级锁2.3 重量级锁 3. 其他的优化操作3.1 锁消除3.2 锁粗化 总结 前言 在前面章节中, 提到了多线程中的锁策略, 那么我们 Java 中的锁 synchronized 背后都采取了哪些锁策略呢? 又是如何进行工作的呢? 本节我们就…
阅读更多...
第三课 哈希表、集合、映射

第三课 哈希表、集合、映射

文章目录 第三课 哈希表、集合、映射lc1.两数之和--简单题目描述代码展示 lc30.串联所有单词的子串--困难题目描述代码展示 lc49.字母异位分组--中等题目描述代码展示 lc874.模拟行走机器人--中等题目描述代码展示 lc146.LRU缓存--中等题目描述相关补充思路讲解代码展示图示理解…
阅读更多...
提升您的 Go 应用性能的 6 种方法

提升您的 Go 应用性能的 6 种方法

优化您的 Go 应用程序 1. 如果您的应用程序在 Kubernetes 中运行，请自动设置 GOMAXPROCS 以匹配 Linux 容器的 CPU 配额 Go 调度器 可以具有与运行设备的核心数量一样多的线程。由于我们的应用程序在 Kubernetes 环境中的节点上运行，当我们的 Go 应用程…
阅读更多...
美国各流域边界下载，并利用arcgis提取与处理

美国各流域边界下载，并利用arcgis提取与处理

一、边界数据的下载 一般使用最普遍的流域边界数据是从HydroSHEDS官网下载: HydroBASINS代表一系列矢量多边形图层，以全球尺度呈现次级流域边界。该产品的目标是提供一种无缝的全球覆盖，其中包含了不同尺度（从数十到数百万平方千米&#xf…
阅读更多...
Docker 配置基础优化

Docker 配置基础优化

Author：rab 为什么要优化？ 你有没有发现，Docker 作为线上环境使用时，Docker 日志驱动程序的日志、存储驱动数据都比较大（尤其是在你容器需要增删比较频繁的时候），动不动就好几百 G 的大小&…
阅读更多...
P3-Python学习当中的两大法宝函数

P3-Python学习当中的两大法宝函数

P3-Python学习当中的两大法宝函数 实战操作 打开pycharm，在命令行当中先检测是否是在envs当中的pytorch环境里面，或者导入torch包是否成功 dir(torch)//展示torch以下的分隔的工具包证明torch目录以下有cuda包 dir(torch.cuda.is_available())//可以展示…
阅读更多...
Springboot学生成绩管理系统idea开发mysql数据库web结构java编程计算机网页源码maven项目

Springboot学生成绩管理系统idea开发mysql数据库web结构java编程计算机网页源码maven项目

一、源码特点 springboot 学生成绩管理系统是一套完善的信息系统，结合springboot框架和bootstrap完成本系统，对理解JSP java编程开发语言有帮助系统采用springboot框架（MVC模式开发），系统 具有完整的源代码和数据库&…
阅读更多...
golang gin——controller 模型绑定与参数校验

golang gin——controller 模型绑定与参数校验

controller 模型绑定与参数校验 gin框架提供了多种方法可以将请求体的内容绑定到对应struct上，并且提供了一些预置的参数校验 绑定方法 根据数据源和类型的不同，gin提供了不同的绑定方法 Bind, shouldBind: 从form表单中去绑定对象BindJSON, shouldB…
阅读更多...
【MVC】C# MVC基础知识点、原理以及容器和管道

【MVC】C# MVC基础知识点、原理以及容器和管道

给自己一个目标，然后坚持一段时间，总会有收获和感悟！ 国庆假期马上结束，闲暇时间，重温一遍C#关于MVC的技术，控制器、视图、模型，知识点和原理，小伙伴们还记得吗 目录 一、MVC知识点1…
阅读更多...
纸质书籍OCR方案大揭秘，快来看看有哪些神奇的黑科技

纸质书籍OCR方案大揭秘，快来看看有哪些神奇的黑科技

随着数字化时代的来临，纸质书籍逐渐被电子书所替代。在将纸质书籍转换为电子格式的过程中，扫描电子书目录并进行文字识别（OCR，Optical Character Recognition）成为了一项重要的工作。OCR技术能够将纸质书籍中的文字内容…
阅读更多...
如何使用 Overleaf 编写 LaTeX 文档

如何使用 Overleaf 编写 LaTeX 文档

如何使用 Overleaf 编写 LaTeX 文档 😇博主简介：我是一名正在攻读研究生学位的人工智能专业学生，我可以为计算机、人工智能相关本科生和研究生提供排忧解惑的服务。如果您有任何问题或困惑，欢迎随时来交流哦！&#x1f…
阅读更多...
Firefly-LLaMA2-Chinese - 开源中文LLaMA2大模型

Firefly-LLaMA2-Chinese - 开源中文LLaMA2大模型

文章目录 关于模型列表 & 数据列表训练细节增量预训练 & 指令微调数据格式 & 数据处理逻辑增量预训练指令微调模型推理权重合并模型推理部署关于 github : https://github.com/yangjianxin1/Firefly-LLaMA2-Chinese本项目与Firefly一脉相承，专注于低资源增量预训练…
阅读更多...
模糊搜索利器：Python的thefuzz模块详解

模糊搜索利器：Python的thefuzz模块详解

文章目录 thefuzz模块简介thefuzz模块的参数和方法使用thefuzz实现模糊搜索在Python中，thefuzz模块是一个用于实现模糊搜索的强大工具。它可以帮助我们在处理字符串时，快速找到相似的匹配项。本文将详细介绍thefuzz模块的功能和用法，并结合代码示例演示如何实现模糊搜索。 t…
阅读更多...
有自动交易股票的软件么，怎么实现全自动交易？

有自动交易股票的软件么，怎么实现全自动交易？

随着技术的发展，我们经常会在看到一些关于自动交易股票软件的宣传。那么，这些软件是否真的存在？如何实现全自动交易呢？ 股票量化程序化自动交易接口 一、自动交易股票软件存在吗？ 答案是有，部分券商已经对…
阅读更多...
Python数据容器——集合的相关操作

Python数据容器——集合的相关操作

作者：Insist-- 个人主页：insist--个人主页 本文专栏：Python专栏 专栏介绍：本专栏为免费专栏，并且会持续更新python基础知识，欢迎各位订阅关注。 目录 一、理解集合 1. 集合是什么？ 2. 为什么…
阅读更多...
typora + picgo + 对象存储 OSS

typora + picgo + 对象存储 OSS

文章目录 一、安装软件二、使用阿里云 oss 存储图片三、picgo 设置四、typora 设置自动上传 一、安装软件 Typora1.3.8 （安装即破解） picgo 2.3.0 安装 阿里云盘（软件安装包）： https://www.aliyundrive.com/s/saQoS…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023