本系列文章配套代码获取有以下两种途径：
-
通过百度网盘获取：
链接：https://pan.baidu.com/s/1jG-rGG4QMuZu0t0kEEl7SA?pwd=mnsj提取码：mnsj
-
前往GitHub获取：
https://github.com/returu/Data_Visualization函数语法：
plt.bar(x, height, width=0.8, bottom=None, *,align='center', data=None, **kwargs)
其中：
-
必需参数：
-
x：条形在x轴上的位置坐标，即类别数据。可以是标量或序列，确定每个条形的中心或边缘位置（取决于align参数）。若传入数值型x，默认需用plt.xticks(x, labels)手动设置类别标签；若传入字符串x，Matplotlib 会自动将其作为 x 轴标签。 -
height：条形的高度（y轴方向的数值）。与x参数长度相同的序列。
-
可选参数：
-
width：条形的宽度(比例值)。可以是单个值（所有条形相同宽度）或与x等长的序列（每个条形独立宽度）。
-
bottom：条形的底部位置（y轴起点）。选项包括None（默认，底部从0开始）、标量（所有条形从同一高度开始）、序列（每个条形从指定高度开始，用于堆叠条形图）
-
align：控制x参数定义的 “锚点位置” 与长条的相对关系，进而影响 x 轴标签的显示位置。选项包括‘center’（x是长条的 “水平中心” 位置，标签居中对齐长条） 或 ‘edge’（x是长条的 “左侧边缘” 位置，标签对齐长条左侧边缘）。 -
data：包含x和height数据的对象。可索引对象(如字典、DataFrame)。
-
其他常用kwargs参数：
-
color: 条形颜色(可接受颜色名称、十六进制值或RGB元组)。
-
edgecolor: 条形边缘颜色。
-
yerr, xerr: 添加误差线，表示数据的不确定性或变异程度。
-
ecolor: 误差线(error bars)的颜色，在条形图中可以配合yerr或xerr参数使用，用来显示数据的不确定性或误差范围（如测量误差、统计标准差等）。
-
linewidth: 条形边缘线宽。
-
alpha: 透明度(0-1)。
-
label: 用于图例的标签。
-
tick_label: 刻度标签，不传则自动取 x 。
-
hatch: 填充图案(‘/’, ”, ‘|’, ‘-‘, ‘+’, ‘x’, ‘o’, ‘O’, ‘.’, ‘*’)。
-
linestyle: 边缘线样式。
-
capstyle: 线帽样式。
-
capsize: 线帽的长度（单位：磅）。
通过调整这些参数，可以灵活控制长条图的视觉效果。
# 数据准备
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 12, 37]
# 自定义颜色：为每个条形设置不同的填充色
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#F9C80E', '#FF8C42']
# 创建图形
plt.figure(figsize=(10, 6))
# 绘制条形图
bars =plt.bar(
categories, # x轴数据（类别）
values, # y轴数据（数值）
align='edge', # 条形边缘与刻度线对齐
color=colors, # 条形填充色，使用自定义颜色列表
edgecolor='black', # 条形边框颜色
linewidth=1.2, # 边框线宽
linestyle='--', # 边框线型（虚线）
width=[0.6, 0.7, 0.5, 0.8, 0.6], # 每个条形的宽度（可不同）
alpha=0.8, # 透明度（0-1之间）
tick_label=['类别一', '类别二', '类别三', '类别四', '类别五'], # x轴刻度标签
hatch='*', # 条形内部填充图案（星号）
label='图例' # 用于图例显示的标签
)
plt.title('基础条形图示例')
plt.xlabel('类别')
plt.ylabel('数值')
plt.legend(fontsize=15) # 图例
plt.grid(axis='y', alpha=0.4, linestyle='--') # 添加网格线
# 显示图形
plt.show()
可视化结果如下图所示：
使用示例：
-
示例 1：顶端标注数值
在条形图顶端明确标注数值，能避免视觉误差对数据解读的干扰。尤其当柱体长度接近或比例尺较大时，标注具体数值可提升数据精确度。
具体操作是，通过 BarContainer 对象遍历所有条形，结合 get_height () 精准获取数据，然后使用 text () 方法在柱顶添加数值标签。其中：
-
在 matplotlib 中，bar () 函数返回的 BarContainer 对象，包含所有创建的条形对象（Rectangle patches），相当于为每根柱子建立 “索引”，便于后续精准操作。
-
bar.get_height () 方法是获取条形高度（即对应数据值）的核心工具，其本质是读取 Rectangle patches 的高度属性。
# 数据准备
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 12, 37]
# 创建图形
plt.figure(figsize=(10, 6))
# 绘制条形图
bars =plt.bar(categories, values,)
# 在条形上添加数值标签
for bar in bars:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f'{height}', ha='center', va='bottom')
plt.title('条形图顶端标注数值示例')
plt.xlabel('类别')
plt.ylabel('数值')
# 显示图形
plt.show()
可视化结果如下图所示：
-
示例 2：多数据长条图：
分组条形图适用于在同一图表内比较多个类别下的不同组别数据。通过并列排列同类别不同组的条形，便于组内和组间比较。建议采用区分度高的填充样式或颜色，并在图例中明确说明各组含义。核心思路是通过调整x轴位置实现分组排列：
-
使用np.arange()生成等间距位置；
-
通过调整x坐标实现分组效果（-width/2和+width/2）；
-
添加图例(legend())区分不同系列。
# 准备多组数据
values1 = [23, 45, 56, 12, 37]
values2 = [34, 30, 45, 28, 42]
values3 = [28, 40, 35, 20, 38]
x = np.arange(len(categories)) # 类别位置
width = 0.25 # 条形宽度
plt.figure(figsize=(12, 7))
# 绘制分组条形图
bars1 = plt.bar(x - width, values1, width, label='数据集1', alpha=0.8)
bars2 = plt.bar(x, values2, width, label='数据集2', alpha=0.8)
bars3 = plt.bar(x + width, values3, width, label='数据集3', alpha=0.8)
# 6. 添加数值标注（分别为两组长条添加）
for bars in [bars1, bars2, bars3]:
for bar in bars:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f'{height}元', ha='center', va='bottom', fontsize=9)
plt.title('分组条形图示例')
plt.xlabel('类别')
plt.ylabel('数值')
plt.xticks(x, categories) # 设置x轴刻度标签
plt.legend() # 显示图例
plt.show()
-
示例 3：堆叠图
堆叠条形图用于展示每个类别内部子部分的构成及其总体累积情况。该图可直观呈现部分与整体之间的关系，但需注意子部分的排序一致性。为增强可读性，建议在图中标注组成部分的数值或百分比。核心是通过bottom参数指定下一层长条的顶部位置。
# 准备多组数据
values1 = [23, 45, 56, 12, 37]
values2 = [34, 30, 45, 28, 42]
values3 = [28, 40, 35, 20, 38]
categories = ['A', 'B', 'C', 'D', 'E']
plt.figure(figsize=(10, 6))
# 绘制堆叠条形图
bars1 =plt.bar(categories, values1, label='部分1', alpha=0.8)
bars2 =plt.bar(categories, values2, bottom=values1, label='部分2', alpha=0.8)
bars3 =plt.bar(categories, values3, bottom=np.array(values1) + np.array(values2),
label='部分3', alpha=0.8)
# 标注第一部分数值
for bar in bars1:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height/2,
f'{height}', ha='center', va='center', fontsize=9)
# 标注第二部分数值（位置需加上第一部分高度）
for i, bar in enumerate(bars2):
height = bar.get_height()
bottom = values1[i] # 第一部分的高度作为第二部分的底部
plt.text(bar.get_x() + bar.get_width()/2., bottom + height/2,
f'{height}', ha='center', va='center', fontsize=9)
# 标注第三部分数值（位置需加上前两部分高度之和）
for i, bar in enumerate(bars3):
height = bar.get_height()
bottom = values1[i] + values2[i] # 前两部分高度之和作为第三部分的底部
plt.text(bar.get_x() + bar.get_width()/2., bottom + height/2,
f'{height}', ha='center', va='center', fontsize=9)
plt.title('带数值标注的堆叠条形图')
plt.xlabel('类别')
plt.ylabel('数值')
plt.legend()
plt.show()
可视化结果如下图所示：
-
示例 4：添加误差条:
在数据可视化中，除了展示数据本身，常常还需要呈现数据的不确定性或误差范围（如测量误差、统计标准差等）。Matplotlib 的bar()函数通过yerr和xerr两个参数，能轻松实现误差条的添加，让图表信息更完整、严谨。
其中，yerr是bar()函数中最常用的误差参数，用于在垂直长条图的y 轴方向（即长条高度方向） 添加误差条，直观展示数据在垂直维度的波动范围。表示长条高度（height参数）对应的误差范围，误差条会以长条为中心，向上、向下延伸，延伸长度由yerr的数值决定。
假设我们有 1-5 月的销售额数据，且已知每个月销售额的标准差（反映数据波动），用yerr添加误差条展示波动范围：
# 1. 准备数据（销售额+对应的标准差）
months = ['1月', '2月', '3月', '4月', '5月']
sales = [150, 220, 180, 250, 210] # 销售额（万元）
sales_std = [8, 12, 9, 15, 10] # 每个月销售额的标准差（误差范围）
# 2. 创建画布
plt.figure(figsize=(10, 6), dpi=100)
# 3. 绘制带垂直误差条的长条图
bars = plt.bar(
x=months,
height=sales,
label='月度销售额',
yerr=sales_std, # 添加垂直误差条（使用标准差作为误差）
capsize=5, # 误差条横线帽长度（5磅）
error_kw={ # 误差条样式配置（通过error_kw传入）
'ecolor': '#E74C3C', # 误差条颜色（红色，与长条区分）
'linewidth': 1.2 # 误差条线宽
}
)
# 4. 完善图表元素（参考基础案例）
plt.title('条形图误差线示例', fontsize=16, pad=20)
plt.xlabel('月份', fontsize=12, labelpad=10)
plt.ylabel('销售额（万元）', fontsize=12, labelpad=10)
plt.legend(fontsize=10)
plt.grid(axis='y', alpha=0.3, linestyle='--')
# 5. 添加数值标注
for bar in bars:
height = bar.get_height()
plt.text(
bar.get_x() + bar.get_width()/2.,
height + 15, # 位置高于误差条顶部
f'{height}万',
ha='center', va='bottom',
fontsize=10
)
plt.tight_layout()
plt.show()
可视化结果如下图所示，其中，每个长条顶部会延伸出红色误差条，误差条长度对应sales_std的数值（如 1 月销售额误差为 ±8 万元，即实际可能在 142-158 万元之间），capsize=5让误差条两端的横线帽清晰可见，便于读者快速识别误差范围：
更多内容可以前往官网查看：
https://matplotlib.org/stable/
本篇文章来源于微信公众号: 码农设计师
