[Python知识库]Matplotlib——条形图_3、分组条形图_4、堆叠条形图

3、分组条形图

在前面博客（ 链接.）的基础上，拓展一下问题复杂度：使用水平条形图展示每位员工前三个月的销售额。此时，我们需要将每位员工的销售额按月分组，分别绘制条形图进行展示。

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

member = [u'小红', u'小王', u'小李', u'小张']
sales_jan = [30, 42, 25, 35]  # 一月销售额
sales_feb = [60, 55, 10, 27]  # 二月销售额
sales_mar = [40, 20, 5, 68]  # 三月销售额

bar_width = 0.2  # 设置分组条形的宽度

# 绘图
plt.bar(range(4), sales_jan, label=u'一月', width=bar_width, align='center', color='steelblue', alpha=0.7)
# 也可以使用numpy模块的arange()函数构造横坐标
plt.bar(np.arange(4) + bar_width, sales_feb, label=u'二月', color='indianred', alpha=0.7, width=bar_width)
plt.bar(np.arange(4) + bar_width * 2, sales_mar, label=u'三月', color='green', alpha=0.7, width=bar_width)

# 添加Y轴标签
plt.ylabel(u'月度销售额（万元）')
# 添加标题
plt.title(u'员工第一季度销售额对比')
# 添加刻度标签
plt.xticks(np.arange(4) + bar_width, member)

# 添加图例
plt.legend()
plt.xlim(-0.5, 4.5)

plt.show()

分组条形图比简单条形图的复杂之处在于，在放数据 x 轴坐标和刻度位置时，需要进行额外的计算和调整。在执行坐标的计算时，推荐使用 numpy ，因为它支持广播机制，向量化的算术运算更加简单。例如，上例中在设置第二个和第三个条形的 x 轴坐标时，我们使用了 np.arange(4) + bar_width 和 np.arange(4) + bar_width * 2，而利用 Python 列表实现将十分复杂。

4、堆叠条形图

堆叠条形图是分组条形图展示的另一种形式，它把分类的数据堆叠在一起，显得更简约紧密，同时提供了求和信息。在实现上，绘制的思路与条形图相似，不过前者是垂直偏移，后者是水平偏移。

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

member = [u'小红', u'小王', u'小李', u'小张']
sales_jan = [30, 42, 25, 35]  # 一月销售额
sales_feb = [60, 55, 10, 27]  # 二月销售额
sales_mar = [40, 20, 5, 68]  # 三月销售额

bar_width = 0.2  # 设置分组条形的宽度

# 绘图
plt.bar(np.arange(4), sales_jan, label=u'一月', color='steelblue', alpha=0.7)
plt.bar(np.arange(4), sales_feb, bottom=sales_jan, label=u'二月', color='indianred', alpha=0.7)
plt.bar(np.arange(4), sales_mar, bottom=np.array(sales_jan) + np.array(sales_feb), label=u'三月', color='green',
        alpha=0.7)

# 添加Y轴标签
plt.ylabel(u'月度销售额（万元）')
# 添加标题
plt.title(u'员工第一季度销售额对比')
# 添加刻度标签
plt.xticks(np.arange(4), member)

# 添加图例
plt.legend()
plt.xlim(-0.5, 4.5)

plt.show()

这里有两点非常关键：一是 botom 选项的使用让数据在该基础之上有一个偏移；二是 NumPy 模块 array()函数的使用，将列表类型的数据转换为 ndarray ，以便元素级别（向量化）运算。