Как построить столбчатую диаграмму с помощью plot bar в Python

import matplotlib.pyplot as plt
import numpy as np

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

categories = ['Товар A', 'Товар B', 'Товар C', 'Товар D', 'Товар E']
values = [23, 45, 56, 78, 32]

plt.figure(figsize=(10, 6))
plt.bar(categories, values)
plt.title('Продажи по категориям товаров')
plt.xlabel('Категории')
plt.ylabel('Объем продаж (тыс. шт.)')
plt.show()

years = np.arange(2020, 2025)
revenue = [1\.2, 1.5, 2.0, 2.8, 3.1]

plt.bar(years, revenue)
plt.title('Годовая выручка компании')
plt.xlabel('Год')
plt.ylabel('Выручка (млн $)')
plt.xticks(years) # Указываем конкретные метки на оси X
plt.show()

categories = ['Кат. A', 'Кат. B', 'Кат. C', 'Кат. D', 'Кат. E']
values = [23, 45, 56, 78, 32]

plt.figure(figsize=(12, 7))
plt.bar(categories, values, 
color=['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0'],
edgecolor='black',
linewidth=1.5,
alpha=0.7,
width=0.6)

plt.title('Настроенная диаграмма', fontsize=16)
plt.xlabel('Категории', fontsize=14)
plt.ylabel('Значения', fontsize=14)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

# Используем стиль ggplot
plt.style.use('ggplot')

# Создаем диаграмму со специфической настройкой
plt.figure(figsize=(12, 7))
bars = plt.bar(categories, values, width=0.7)

# Добавляем значения над каждым столбцом
for bar in bars:
height = bar.get_height()
plt.text(bar.get_x() + bar.get_width()/2., height + 1,
f'{height}',
ha='center', va='bottom', fontsize=12)

plt.title('Диаграмма со значениями', fontsize=16)
plt.tight_layout() # Автоматически оптимизирует расположение элементов
plt.show()

long_categories = ['Очень длинная категория A', 'Длинное название B', 
'Еще одно длинное название C', 'Категория D с подробностями',
'Последняя длинная категория E']

plt.figure(figsize=(12, 8))
plt.bar(long_categories, values)
plt.xticks(rotation=45, ha='right', fontsize=12)
plt.tight_layout()
plt.show()

import numpy as np

# Данные для примера
categories = ['Кат. A', 'Кат. B', 'Кат. C', 'Кат. D']
group1 = [10, 24, 35, 18]
group2 = [15, 30, 25, 22]
group3 = [12, 18, 30, 28]

# Задаем позиции для категорий
x = np.arange(len(categories))
width = 0.25 # Ширина столбца

fig, ax = plt.subplots(figsize=(12, 7))

# Создаем сгруппированные столбцы
bars1 = ax.bar(x – width, group1, width, label='Группа 1', color='#5DA5DA')
bars2 = ax.bar(x, group2, width, label='Группа 2', color='#FAA43A')
bars3 = ax.bar(x + width, group3, width, label='Группа 3', color='#60BD68')

# Добавляем подписи и легенду
ax.set_title('Сгруппированная столбчатая диаграмма', fontsize=16)
ax.set_xlabel('Категории', fontsize=14)
ax.set_ylabel('Значения', fontsize=14)
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend()

plt.show()

# Создаем штабелированную диаграмму
fig, ax = plt.subplots(figsize=(12, 7))

# Первая группа начинается с нуля
bars1 = ax.bar(categories, group1, label='Группа 1', color='#5DA5DA')

# Вторая группа начинается там, где заканчивается первая
bars2 = ax.bar(categories, group2, bottom=group1, label='Группа 2', color='#FAA43A')

# Третья группа начинается там, где заканчивается вторая
bottom_values = [g1 + g2 for g1, g2 in zip(group1, group2)]
bars3 = ax.bar(categories, group3, bottom=bottom_values, label='Группа 3', color='#60BD68')

ax.set_title('Штабелированная столбчатая диаграмма', fontsize=16)
ax.set_xlabel('Категории', fontsize=14)
ax.set_ylabel('Общая сумма', fontsize=14)
ax.legend()

plt.show()

# Данные для сложной диаграммы
men_means = [20, 35, 30, 35]
women_means = [25, 32, 34, 20]
men_std = [2, 3, 4, 1]
women_std = [3, 5, 2, 3]
men_inner = [15, 25, 20, 22]
women_inner = [18, 22, 28, 15]

width = 0.35
fig, ax = plt.subplots(figsize=(12, 7))
x = np.arange(len(categories))

# Создаем основные столбцы
p1 = ax.bar(x – width/2, men_means, width, yerr=men_std, label='Мужчины')
p2 = ax.bar(x + width/2, women_means, width, yerr=women_std, label='Женщины')

# Добавляем внутренние столбцы другого цвета
p3 = ax.bar(x – width/2, men_inner, width, label='Мужчины (ключевая группа)', 
color='darkblue', alpha=0.6)
p4 = ax.bar(x + width/2, women_inner, width, label='Женщины (ключевая группа)', 
color='darkred', alpha=0.6)

ax.set_title('Сложная группированная диаграмма', fontsize=16)
ax.set_xticks(x)
ax.set_xticklabels(categories)
ax.legend()

plt.show()

# Нормализация данных для отображения процентов
def normalize_data(data_list):
totals = [sum(data) for data in zip(*data_list)]
normalized_data = []
for data in data_list:
normalized_data.append([val/total*100 for val, total in zip(data, totals)])
return normalized_data

# Данные
group1 = [10, 24, 35, 18]
group2 = [15, 30, 25, 22]
group3 = [12, 18, 30, 28]
data_list = [group1, group2, group3]

# Нормализуем данные
normalized_data = normalize_data(data_list)

fig, ax = plt.subplots(figsize=(12, 7))

# Создаем нормализованную штабелированную диаграмму
ax.bar(categories, normalized_data[0], label='Группа 1', color='#5DA5DA')
ax.bar(categories, normalized_data[1], bottom=normalized_data[0], 
label='Группа 2', color='#FAA43A')
bottom_values = [a + b for a, b in zip(normalized_data[0], normalized_data[1])]
ax.bar(categories, normalized_data[2], bottom=bottom_values, 
label='Группа 3', color='#60BD68')

ax.set_title('Процентное распределение по категориям', fontsize=16)
ax.set_xlabel('Категории', fontsize=14)
ax.set_ylabel('Процент (%)', fontsize=14)
ax.legend()

# Добавляем проценты к каждому сегменту
for i, cat in enumerate(categories):
ax.text(i, 50, f'{int(sum([data[i] for data in normalized_data]))}%', 
ha='center', va='center', fontweight='bold', color='black')

plt.show()

categories = ['Кат. A', 'Кат. B', 'Кат. C', 'Кат. D', 'Кат. E']
values = [23, 45, 56, 78, 32]

fig, ax = plt.subplots(figsize=(12, 7))
bars = ax.bar(categories, values, color='skyblue')

# Добавляем значения над столбцами
for bar in bars:
height = bar.get_height()
ax.text(bar.get_x() + bar.get_width()/2., height + 1,
f'{height:,}', # Форматирование с разделением тысяч
ha='center', va='bottom', fontsize=12, fontweight='bold')

ax.set_title('Диаграмма с подписями значений', fontsize=16)
plt.show()

categories = ['Янв', 'Фев', 'Мар', 'Апр', 'Май']
values = [12500, 17800, 22350, 19800, 24500]
target = 20000

fig, ax = plt.subplots(figsize=(12, 7))

# Используем цветовое кодирование в зависимости от значения
colors = ['red' if x < target else 'green' for x in values]
bars = ax.bar(categories, values, color=colors, alpha=0.8, edgecolor='black')

# Добавляем целевую линию
ax.axhline(y=target, color='red', linestyle='--', alpha=0.7, linewidth=2)
ax.text(len(categories)-0.5, target+500, f'Цель: {target:,}', 
color='red', fontweight='bold')

# Добавляем подписи значений и процент от цели
for bar in bars:
height = bar.get_height()
percentage = (height / target) * 100
ax.text(bar.get_x() + bar.get_width()/2., height + 500,
f'{height:,}\n({percentage:.1f}%)',
ha='center', va='bottom', fontsize=10)

ax.set_title('Ежемесячные продажи относительно цели', fontsize=16)
ax.set_ylabel('Продажи (руб.)', fontsize=14)
plt.show()

years = ['2021', '2022', '2023', '2024']
product_a = [12, 17, 22, 28]
product_b = [15, 20, 18, 24]
product_c = [8, 14, 20, 22]

x = np.arange(len(years))
width = 0.25

fig, ax = plt.subplots(figsize=(12, 8))

# Создаем сгруппированную диаграмму
rects1 = ax.bar(x – width, product_a, width, label='Продукт A', color='#4C72B0')
rects2 = ax.bar(x, product_b, width, label='Продукт B', color='#55A868')
rects3 = ax.bar(x + width, product_c, width, label='Продукт C', color='#C44E52')

# Настраиваем легенду
ax.legend(title='Продуктовая линейка', 
loc='upper left',
fontsize=12,
frameon=True,
framealpha=0.8,
shadow=True,
fancybox=True,
borderpad=1)

ax.set_title('Продажи по продуктам и годам', fontsize=16)
ax.set_xticks(x)
ax.set_xticklabels(years)
ax.set_ylabel('Объем продаж (млн $)', fontsize=14)

plt.tight_layout()
plt.show()

import matplotlib.cm as cm
import matplotlib.colors as mcolors

# Создаем данные с большим количеством категорий
categories = [f'Кат. {chr(65+i)}' for i in range(10)]
values = np.random.randint(10, 100, size=len(categories))

fig, ax = plt.subplots(figsize=(14, 8))

# Используем цветовую карту для создания последовательности цветов
cmap = cm.get_cmap('viridis', len(categories))
colors = [cmap(i) for i in range(len(categories))]

# Создаем столбцы с градиентной заливкой
bars = ax.bar(categories, values, color=colors, edgecolor='black', linewidth=1)

# Добавляем значения на столбцы с контрастным цветом текста
for i, bar in enumerate(bars):
height = bar.get_height()
# Определяем контрастный цвет текста (черный или белый)
luminance = mcolors.rgb_to_hsv(cmap(i)[:3])[2] # Извлекаем яркость цвета
text_color = 'black' if luminance > 0.5 else 'white'

ax.text(bar.get_x() + bar.get_width()/2., height * 0.95,
f'{height}',
ha='center', va='top', color=text_color, 
fontweight='bold', fontsize=12)

ax.set_title('Использование цветовой карты для столбчатой диаграммы', fontsize=16)
plt.tight_layout()
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# Имитируем данные A/B теста
np.random.seed(42)
control_data = np.random.normal(10, 2, 100) # Контрольная группа
test_data = np.random.normal(10.8, 2, 100) # Тестовая группа (с небольшим улучшением)

# Создаем датафрейм
df = pd.DataFrame({
'Контрольная': control_data,
'Тестовая': test_data
})

# Рассчитываем среднее и доверительные интервалы
mean_control = df['Контрольная'].mean()
mean_test = df['Тестовая'].mean()
ci_control = stats.sem(df['Контрольная']) * stats.t.ppf(0.975, len(df['Контрольная'])-1)
ci_test = stats.sem(df['Тестовая']) * stats.t.ppf(0.975, len(df['Тестовая'])-1)

# Создаем столбчатую диаграмму с планками погрешности
fig, ax = plt.subplots(figsize=(10, 6))
groups = ['Контрольная', 'Тестовая']
means = [mean_control, mean_test]
errors = [ci_control, ci_test]

x_pos = np.arange(len(groups))
bars = ax.bar(x_pos, means, yerr=errors, align='center', 
alpha=0.8, capsize=10, color=['#5DA5DA', '#FAA43A'],
ecolor='black', edgecolor='black')

# Добавляем аннотации
for i, bar in enumerate(bars):
height = bar.get_height()
ax.text(bar.get_x() + bar.get_width()/2., height + 0.1,
f'{means[i]:.2f} ± {errors[i]:.2f}',
ha='center', va='bottom', fontsize=10)

# Проводим t-тест для определения статистической значимости
t_stat, p_value = stats.ttest_ind(control_data, test_data)
significance = "Статистически значимо (p<0.05)" if p_value < 0.05 else "Статистически не значимо"

ax.set_title(f'Результаты A/B теста\n{significance} (p={p_value:.4f})', fontsize=14)
ax.set_xticks(x_pos)
ax.set_xticklabels(groups)
ax.set_ylabel('Среднее значение метрики', fontsize=12)
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

plt.tight_layout()
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from datetime import datetime, timedelta

# Генерируем временной ряд данных
np.random.seed(42)
start_date = datetime(2022, 1, 1)
dates = [start_date + timedelta(days=i) for i in range(365*2)] # 2 года данных
values = np.cumsum(np.random.normal(0, 1, len(dates))) + 100 # Случайное блуждание

# Создаем датафрейм
df = pd.DataFrame({
'Date': dates,
'Value': values
})

# Добавляем колонки с годом и месяцем
df['Year'] = df['Date'].dt.year
df['Month'] = df['Date'].dt.month
df['MonthName'] = df['Date'].dt.strftime('%b')

# Группируем средние значения по месяцам и годам
monthly_avg = df.groupby(['Year', 'Month', 'MonthName'])['Value'].mean().reset_index()

# Настраиваем порядок месяцев
month_order = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 
'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
monthly_avg['MonthName'] = pd.Categorical(
monthly_avg['MonthName'], categories=month_order, ordered=True
)
monthly_avg = monthly_avg.sort_values(['Year', 'MonthName'])

# Подготавливаем данные для сгруппированной диаграммы
years = monthly_avg['Year'].unique()
months = month_order

# Создаем фигуру
fig, ax = plt.subplots(figsize=(14, 8))

# Настраиваем позиции для группировки
x = np.arange(len(months))
width = 0.35
multiplier = 0

# Создаем столбцы для каждого года
for year in years:
year_data = monthly_avg[monthly_avg['Year'] == year]
offset = width * multiplier
rects = ax.bar(x + offset, year_data['Value'], width, label=f'{year}',
alpha=0.8 if multiplier == 0 else 0.6)

# Добавляем подписи значений
for i, rect in enumerate(rects):
height = rect.get_height()
if i % 3 == 0: # Подписываем только каждый третий месяц для читаемости
ax.text(rect.get_x() + rect.get_width()/2., height + 1,
f'{height:.1f}',
ha='center', va='bottom', fontsize=8)

multiplier += 1

# Добавляем подписи и легенду
ax.set_title('Среднемесячные значения по годам', fontsize=16)
ax.set_xticks(x + width/2)
ax.set_xticklabels(months, rotation=45)
ax.legend(title='Год', loc='upper left')
ax.set_ylabel('Среднее значение', fontsize=14)

# Добавляем сетку для удобства чтения
ax.yaxis.grid(True, linestyle='--', alpha=0.7)

# Добавляем аннотацию с трендом
for year in years:
year_data = monthly_avg[monthly_avg['Year'] == year]
trend = np.polyfit(range(len(year_data)), year_data['Value'], 1)[0]
trend_direction = "↑" if trend > 0 else "↓"
ax.text(len(months) – 1, 
year_data['Value'].iloc[-1] + 5, 
f'{year}: {trend_direction} {abs(trend):.2f}/месяц',
fontsize=10, color='black' if multiplier == 1 else 'gray',
ha='right')

plt.tight_layout()
plt.show()

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# Создаем данные для опроса удовлетворенности клиентов по разным аспектам сервиса
categories = [
'Скорость обслуживания',
'Качество продукта',
'Соотношение цена/качество',
'Доброжелательность персонала',
'Чистота помещения',
'Удобство использования сайта',
'Оперативность доставки',
'Точность заказа'
]

# Имитируем результаты опроса: процент очень довольных, довольных, нейтральных,
# недовольных и очень недовольных клиентов
responses = {
'Очень доволен': [15, 25, 18, 32, 40, 22, 19, 27],
'Доволен': [45, 40, 35, 38, 35, 30, 42, 45],
'Нейтрально': [25, 20, 30, 20, 15, 25, 25, 18],
'Недоволен': [10, 10, 12, 8, 7, 15, 10, 7],
'Очень недоволен': [5, 5, 5, 2, 3, 8, 4, 3]
}

# Цветовая схема для разных уровней удовлетворенности
colors = ['#2ca02c', '#98df8a', '#d3d3d3', '#ff9896', '#d62728']

# Создаем датафрейм
df = pd.DataFrame(responses, index=categories)

# Создаем горизонтальную 100% штабелированную диаграмму
fig, ax = plt.subplots(figsize=(12, 10))

# Конвертируем значения в проценты
df_percent = df.div(df.sum(axis=1), axis=0) * 100

# Начальная позиция для первой категории
y_pos = np.arange(len(categories))
left = np.zeros(len(categories)) # Начальная позиция по оси X

# Добавляем столбцы для каждого уровня удовлетворенности
for i, (colname, color) in enumerate(zip(df.columns, colors)):
ax.barh(y_pos, df_percent[colname], left=left, color=color, label=colname, edgecolor='white', height=0.7)

# Добавляем подписи с процентами внутри столбцов
for j, (p, value) in enumerate(zip(df_percent[colname], df[colname])):
# Отображаем проценты только если они больше 5%
if p > 5:
text_x = left[j] + p/2
ax.text(text_x, y_pos[j], f'{int(p)}%\n({value})', ha='center', va='center', fontsize=10, fontweight='bold')

left += df_percent[colname] # Обновляем начальную позицию для следующей категории

# Настраиваем ось Y в обратном порядке, чтобы первая категория была вверху
ax.set_yticks(y_pos)
ax.set_yticklabels(categories)
ax.invert_yaxis()

# Удаляем ненужные границы и добавляем сетку
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.xaxis.set_visible(False) # Скрываем ось X, так как у нас проценты внутри

# Добавляем легенду и заголовок
ax.legend(title='Уровень удовлетворенности', bbox_to_anchor=(0.5, -0.05), 
loc='upper center', ncol=5, frameon=False)
ax.set_title('Распределение удовлетворенности клиентов по аспектам сервиса', fontsize=16, pad=20)

plt.tight_layout()
plt.show()