↑↑点击上方蓝字，回复资料，嘿嘿，10个G的惊喜

柱状图和直方图是两种非常类似的统计图，区别在于：

• 直方图展示数据的分布，柱状图比较数据的大小。

• 直方图X轴为定量数据，柱状图X轴为分类数据。因此，直方图上的每个条形都是不可移动的，X轴上的区间是连续的、固定的。而柱状图上的每个条形是可以随意排序的，有的情况下需要按照分类数据的名称排列，有的则需要按照数值的大小排列。

• 直方图柱子无间隔，柱状图条形有间隔

• 直方图条形宽度可不一，柱状图条形宽度须一致。柱状图条形的宽度因为没有数值含义，所以宽度必须一致。但是在直方图中，条形的宽度代表了区间的长度，根据区间的不同，条形的宽度可以不同，但理论上应为单位长度的倍数。

本文将介绍matplotlib中柱状图和直方图的作图方法。

from matplotlib import pyplot as pltimport numpy as npimport matplotlib as mplmpl.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体支持

1 bar()与barh()

matplotlib中提供了bar()和barh()两种方法画柱状图，bar()用来画垂直柱状图，barh()画水平柱状图，两者参数大同小异，如下所示：

2 垂直柱状图与水平柱状图

value= np.arange(6) ** 2category = range(len(value))

fig = plt.figure(figsize=(8, 4))

# 垂直柱状图ax1 = fig.add_subplot(121)ax1.set_title('图1 垂直柱状图')ax1.bar(x=category, height=value)

# 垂直柱状图ax2 = fig.add_subplot(122)ax2.set_title('图2 水平柱状图')ax2.barh(y=category, width=value)  # 注意这里参数名和值的传递与bar()不同

plt.show()

3 颜色、透明度与边框

value= np.arange(6) ** 2category = range(len(value))

fig = plt.figure(figsize=(8, 4))

# 垂直柱状图ax1 = fig.add_subplot(121)ax1.set_title('图1 垂直柱状图')ax1.bar(x=category, height=value,         alpha=0.5,  # 透明度        width=0.5,   # 每个条形的宽度        color='yellow',  # 填充前景色        edgecolor='red',  # 边框颜色        linewidth=3  # 边框宽度       )

# 垂直柱状图ax2 = fig.add_subplot(122)ax2.set_title('图2 水平柱状图')ax2.barh(y=category, width=value,         alpha=1,  # 透明度         height=0.8,   # 每个条形的宽度        color=['green', 'red', 'yellow', 'blue', 'grey', 'magenta'],  # 填充前景色         linewidth=3  # 不显示边框       )

plt.show()

4 刻度标签

value= np.arange(6) ** 2category = range(len(value))

fig = plt.figure(figsize=(8, 4))

# 垂直柱状图ax1 = fig.add_subplot(121)ax1.set_title('图1 垂直柱状图')ax1.bar(x=category, height=value,         tick_label='类别'       )

# 垂直柱状图ax2 = fig.add_subplot(122)ax2.set_title('图2 水平柱状图')ax2.barh(y=category, width=value,         tick_label=['类1', '类2', '类3', '类4', '类5', '类6']       )

plt.show()

5 添加误差线

means = (20, 35, 30, 35, 27)  # 各组平均分std = (2, 3, 4, 1, 2)  # 组各标准差label = ('第一组', '第二组', '第三种', '第四组', '第五组')bar_width = 0.4bar_x = np.arange(len(label)) 

fig = plt.figure(figsize=(8, 4))

ax1 = fig.add_subplot(121)bar1 = ax1.bar(x=bar_x, height=means, width=bar_width, color='green',              yerr=std,  # 添加误差线              ecolor='red',  # 误差线颜色              capsize=5,  # 两端线段长短               tick_label=label             )

ax2 = fig.add_subplot(122)bar2 = ax2.barh(y=bar_x, width=means, height=bar_width, color='green',              xerr=std,  # 添加误差线              ecolor='red',  # 误差线颜色              capsize=5,  # 两端线段长短              tick_label=label             )

plt.show()

6 添加数据标注

means = (20, 35, 30, 35, 27)  # 各组平均分std = (2, 3, 4, 1, 2)  # 组各标准差label = ('第一组', '第二组', '第三种', '第四组', '第五组')bar_width = 0.5bar_x = np.arange(len(label)) 

fig = plt.figure(figsize=(10, 4),tight_layout=True)

ax1 = fig.add_subplot(121)bar1 = ax1.bar(x=bar_x, height=means, width=bar_width, color='green', tick_label=label             )for b in bar1:        height = b.get_height()        ax1.annotate('{}'.format(height),                    xy=(b.get_x() + b.get_width() / 2, height),                    xytext=(0, 3),  # 3 points vertical offset                    textcoords="offset points",color='red',                    ha='center', va='bottom')

ax2 = fig.add_subplot(122)bar2 = ax2.barh(y=bar_x, width=means, height=bar_width, color='green', tick_label=label             )

for b in bar2:        width = b.get_width()        ax2.annotate('{}'.format(width),                    xy=(width, b.get_y() + b.get_height() / 2),                    xytext=(0, 3),  # 3 points vertical offset                    textcoords="offset points",color='red',                    ha='left', va='center')

plt.show()

7 分组柱状图

menMeans = (20, 35, 30, 35, 27)  # 男生各组平均分womenMeans = (25, 32, 34, 20, 25)# 女生各组平均分menStd = (2, 3, 4, 1, 2)  # 男生组各标准差womenStd = (3, 5, 2, 3, 3) # 女生组各标准差label = ('第一组', '第二组', '第三种', '第四组', '第五组')bar_width = 0.4bar_x = np.arange(len(label)) 

fig = plt.figure(figsize=(8, 4))

ax = fig.add_subplot(111)ax.set_title('图1 垂直柱状图')bar1 = ax.bar(x=bar_x - bar_width/2,   # 设置不同的x起始位置              height=menMeans, width=bar_width)bar2 = ax.bar(x=bar_x + bar_width/2,   # 设置不同的x起始位置              height=womenMeans, width=bar_width,        )

ax.set_xlabel('组别')ax.set_ylabel('分数')ax.set_title('各组不同性别分数')ax.set_xticks(range(5))ax.set_xticklabels(label)ax.set_yticklabels(np.arange(0, 81, 10))ax.legend((bar1, bar2), ('男生', '女生'))

plt.show()

8 堆叠柱状图

menMeans = (20, 35, 30, 35, 27)  # 男生各组平均分womenMeans = (25, 32, 34, 20, 25)# 女生各组平均分menStd = (2, 3, 4, 1, 2)  # 男生组各标准差womenStd = (3, 5, 2, 3, 3) # 女生组各标准差label = ('第一组', '第二组', '第三种', '第四组', '第五组')bar_width = 0.4bar_x = np.arange(len(label)) 

fig = plt.figure(figsize=(8, 4))

ax = fig.add_subplot(111)ax.set_title('图1 垂直柱状图')bar1 = ax.bar(x=bar_x, height=menMeans, width=bar_width)bar2 = ax.bar(x=bar_x, height=womenMeans, width=bar_width,        bottom=menMeans # 通过bottom参数设置起始位置, 起始位置就是下半部分(bar1)条形的高度        )

ax.set_xlabel('组别')ax.set_ylabel('分数')ax.set_title('各组不同性别分数')ax.set_xticks(range(5))ax.set_xticklabels(label)ax.set_yticklabels(np.arange(0, 81, 10))ax.legend((bar1, bar2), ('男生', '女生'))

plt.show()

9 直方图

直方图的绘制是通过hist()方法完成。hist()方法参数很多，来看看主要的参数：

data_x = [131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124,   101, 110, 116, 117, 110, 128, 128, 115, 99, 136, 126, 134, 95, 138, 117, 111, 78, 132, 124, 113, 150, 110, 117, 86,   95, 144, 105, 126, 130, 126, 130, 126, 116, 123, 106, 112, 138, 123, 86, 101, 99, 136, 123, 117, 119, 105, 137,   123, 128, 125, 104, 109, 134, 125, 127, 105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114, 105, 115,   132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134, 156, 106, 117, 127, 144, 139, 139, 119, 140, 83, 110, 102,   123, 107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133, 112, 114, 122, 109, 106, 123, 116, 131, 127,   115, 118, 112, 135, 115, 146, 137, 116, 103, 144, 83, 123, 111, 110, 111, 100, 154, 136, 100, 118, 119, 133, 134,   106, 129, 126, 110, 111, 109, 141, 120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126, 114, 140, 103,   130, 141, 117, 106, 114, 121, 114, 133, 137, 92, 121, 112, 146, 97, 137, 105, 98, 117, 112, 81, 97, 139, 113, 134,   106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110, 105, 129, 137, 112, 120, 113, 133, 112, 83, 94, 146,   133, 101, 131, 116, 111, 84, 137, 115, 122, 106, 144, 109, 123, 116, 111, 111, 133, 150]

fig = plt.figure(figsize=(8, 4))

ax1 = fig.add_subplot(121)hists1 = ax1.hist(x=data_x, bins=5)  # 等距划分

ax2 = fig.add_subplot(122)hists2 = ax2.hist(x=data_x,bins=[78,90,100,120,140,145,150])

plt.show()

hist()方法将会返回一个包含三个元素的数组，第一个元素为每个条形区间中元素的数量，第二个元素为区间的边界，第三个元素为Patch实例化对象。

hists1

(array([ 9., 49., 97., 77., 18.]), array([ 78. ,  93.6, 109.2, 124.8, 140.4, 156. ]),)作者：奥辰Github：https://github.com/ChenHuabin321https://www.cnblogs.com/chenhuabin

加入机器学习微信群请后台回复【入群】

推荐阅读：

彻底搞懂机器学习中的正则化

Python函数合集：足足68个内置函数请收好！机器学习中需要了解的 5 种采样方法Pandas切片操作：一个很容易忽视的错误欢迎挑战！14个数据分析和机器学习项目！附数据集复旦大学机器学习、深度学习视频公开课，附PDF课件下载阅后点在看，养成好习惯