↑↑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。
importnumpyasnp importmatplotlibasmpl mpl.rcParams['font.sans-serif']=['SimHei']#中文字体支持frommatplotlibimportpyplotasplt
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
category=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()value=np.arange(6)**2
3 颜色、透明度与边框
category=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()value=np.arange(6)**2
4 刻度标签
category=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()value=np.arange(6)**2
5 添加误差线
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=0.4 bar_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()means=(20,35,30,35,27)#各组平均分
6 添加数据标注
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=0.5 bar_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 ) forbinbar1: height=b.get_height() ax1.annotate('{}'.format(height), xy=(b.get_x()+b.get_width()/2,height), xytext=(0,3),#3pointsverticaloffset textcoords="offsetpoints",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 ) forbinbar2: width=b.get_width() ax2.annotate('{}'.format(width), xy=(width,b.get_y()+b.get_height()/2), xytext=(0,3),#3pointsverticaloffset textcoords="offsetpoints",color='red', ha='left',va='center') plt.show()means=(20,35,30,35,27)#各组平均分
7 分组柱状图
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=0.4 bar_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()menMeans=(20,35,30,35,27)#男生各组平均分
8 堆叠柱状图
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=0.4 bar_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()menMeans=(20,35,30,35,27)#男生各组平均分
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：
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()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,
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([ 78. , 93.6, 109.2, 124.8, 140.4, 156. ]), ) Github：/ChenHuabin321 /chenhuabin(array([ 9., 49., 97., 77., 18.]),作者：奥辰
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
