Как создать столбчатую диаграмму в Python: руководство по barplot

# Импортируем библиотеки
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# Создаём простой набор данных о продажах по категориям
data = {
'категория': ['Электроника', 'Одежда', 'Продукты', 'Книги', 'Мебель'],
'продажи': [15000, 12000, 18000, 5000, 9000]
}

# Создаём DataFrame
df = pd.DataFrame(data)

# Проверяем на пропущенные значения
print(df.isnull().sum())

# Сортируем данные по убыванию для лучшей визуализации
df_sorted = df.sort_values(by='продажи', ascending=False)

print(df_sorted)

# Пример преобразования из "широкого" в "длинный" формат
wide_data = pd.DataFrame({
'товар': ['Смартфон', 'Ноутбук', 'Планшет'],
'Q1': [100, 50, 30],
'Q2': [120, 45, 35],
'Q3': [90, 60, 40]
})

# Преобразуем в "длинный" формат для группированной диаграммы
long_data = pd.melt(
wide_data, 
id_vars=['товар'],
var_name='квартал',
value_name='продажи'
)

print(long_data)

import matplotlib.pyplot as plt
import numpy as np

# Данные для диаграммы
categories = ['Категория A', 'Категория B', 'Категория C', 'Категория D']
values = [23, 17, 35, 29]

# Создание базовой столбчатой диаграммы
plt.figure(figsize=(10, 6))
plt.bar(categories, values, color='skyblue')

# Добавление заголовка и подписей осей
plt.title('Базовая столбчатая диаграмма с matplotlib', fontsize=15)
plt.xlabel('Категории')
plt.ylabel('Значения')

# Добавление значений над столбцами
for i, v in enumerate(values):
plt.text(i, v + 0.5, str(v), ha='center')

plt.tight_layout()
plt.show()

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# Создание DataFrame для seaborn
data = pd.DataFrame({
'категория': ['A', 'B', 'C', 'D'],
'значение': [23, 17, 35, 29]
})

# Создание столбчатой диаграммы с seaborn
plt.figure(figsize=(10, 6))
sns.barplot(x='категория', y='значение', data=data, palette='viridis')

# Настройка заголовка и подписей осей
plt.title('Базовая столбчатая диаграмма с seaborn', fontsize=15)
plt.xlabel('Категории')
plt.ylabel('Значения')

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Данные для группированной диаграммы
categories = ['Группа 1', 'Группа 2', 'Группа 3', 'Группа 4']
values1 = [20, 25, 30, 35]
values2 = [25, 32, 34, 20]
values3 = [15, 27, 21, 28]

# Настройка позиций для группированных столбцов
x = np.arange(len(categories))
width = 0.25 # ширина столбца

# Создание группированной диаграммы
plt.figure(figsize=(12, 7))
bar1 = plt.bar(x – width, values1, width, label='Серия A', color='#5DA5DA')
bar2 = plt.bar(x, values2, width, label='Серия B', color='#FAA43A')
bar3 = plt.bar(x + width, values3, width, label='Серия C', color='#60BD68')

# Настройка внешнего вида
plt.title('Группированная столбчатая диаграмма', fontsize=16)
plt.xlabel('Категории', fontsize=14)
plt.ylabel('Значения', fontsize=14)
plt.xticks(x, categories)
plt.legend()
plt.grid(axis='y', linestyle='--', alpha=0.7)

plt.tight_layout()
plt.show()

import matplotlib.pyplot as plt
import numpy as np

# Данные для стековой диаграммы
categories = ['Кат. A', 'Кат. B', 'Кат. C', 'Кат. D']
values1 = [20, 25, 30, 35]
values2 = [25, 32, 34, 20]
values3 = [15, 27, 21, 28]

# Создание стековой диаграммы
plt.figure(figsize=(10, 6))

plt.bar(categories, values1, label='Компонент 1', color='#5DA5DA')
plt.bar(categories, values2, label='Компонент 2', bottom=values1, color='#FAA43A')

# Нужно рассчитать положение для третьего компонента
bottom_values = [values1[i] + values2[i] for i in range(len(values1))]
plt.bar(categories, values3, label='Компонент 3', bottom=bottom_values, color='#60BD68')

plt.title('Стековая столбчатая диаграмма', fontsize=15)
plt.xlabel('Категории')
plt.ylabel('Значения')
plt.legend()

plt.tight_layout()
plt.show()

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# Данные в длинном формате
data = pd.DataFrame({
'категория': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C', 'D', 'D', 'D'],
'группа': ['X', 'Y', 'Z', 'X', 'Y', 'Z', 'X', 'Y', 'Z', 'X', 'Y', 'Z'],
'значение': [20, 25, 15, 25, 32, 27, 30, 34, 21, 35, 20, 28]
})

# Создание группированной диаграммы с seaborn
plt.figure(figsize=(12, 7))
sns.barplot(x='категория', y='значение', hue='группа', data=data, palette='viridis')

plt.title('Группированная диаграмма с Seaborn', fontsize=16)
plt.xlabel('Категории', fontsize=14)
plt.ylabel('Значения', fontsize=14)
plt.legend(title='Группы')

plt.tight_layout()
plt.show()

# Custom colors in matplotlib
colors = ['#3498db', '#e74c3c', '#2ecc71', '#f39c12', '#9b59b6']
plt.bar(categories, values, color=colors)

# Using colormaps
from matplotlib.cm import get_cmap
n_bars = len(categories)
cmap = get_cmap('viridis')
colors = [cmap(i/n_bars) for i in range(n_bars)]
plt.bar(categories, values, color=colors)

# Seaborn palette
sns.barplot(x='категория', y='значение', data=df, palette='Set2')

plt.title('Анализ продаж по категориям за 2025 год', fontsize=16, fontweight='bold')
plt.xlabel('Категория продукта', fontsize=14)
plt.ylabel('Объем продаж (тыс. руб.)', fontsize=14)

# Настройка шрифтов
plt.rcParams.update({'font.family': 'Arial', 'font.size': 12})

# Вращение подписей категорий
plt.xticks(rotation=45, ha='right')

# Добавление значений над столбцами
for i, v in enumerate(values):
plt.text(i, v + 0.5, f'{v:,}', ha='center', fontweight='bold')

# Добавление процентного изменения
percentages = ['+15%', '-8%', '+23%', '+5%', '-3%']
for i, (value, percent) in enumerate(zip(values, percentages)):
plt.text(i, value/2, percent, ha='center', color='white', fontsize=12)

# Добавление сетки
plt.grid(axis='y', linestyle='--', alpha=0.7)

# Настройка осей
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['right'].set_visible(False)
plt.gca().spines['left'].set_linewidth(0.5)
plt.gca().spines['bottom'].set_linewidth(0.5)

# Установка предела оси Y
plt.ylim(0, max(values) * 1.2)

# Легенда для группированной диаграммы
plt.legend(title='Квартал', loc='upper right', frameon=True, framealpha=0.9)

# Добавление текстовой информации
plt.figtext(0.02, 0.02, 'Источник: Отчет по продажам за 2025 г.', 
ha='left', fontsize=10, style='italic')

# Использование встроенных стилей matplotlib
plt.style.use('ggplot') # Другие варианты: 'seaborn', 'fivethirtyeight', 'dark_background'

# Использование тем seaborn
sns.set_theme(style="whitegrid") # Другие варианты: 'darkgrid', 'ticks'

# Горизонтальная диаграмма в matplotlib
plt.barh(categories, values, color=colors)

# Горизонтальная диаграмма в seaborn
sns.barplot(y='категория', x='значение', data=df, orient='h')

# Сортировка данных для улучшения восприятия
df_sorted = df.sort_values('значение')
sns.barplot(y='категория', x='значение', data=df_sorted, orient='h')

# Данные со средними значениями и стандартными отклонениями
categories = ['A', 'B', 'C', 'D']
means = [25, 32, 34, 20]
std_devs = [3, 5, 2, 4]

# Создание диаграммы с планками погрешностей
plt.figure(figsize=(10, 6))
plt.bar(categories, means, yerr=std_devs, capsize=10, 
color='skyblue', edgecolor='navy', alpha=0.7)

plt.title('Средние значения с доверительными интервалами', fontsize=15)
plt.ylabel('Значение')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.show()

# Аналогично в seaborn (автоматически добавляет доверительные интервалы)
sns.barplot(x='категория', y='значение', data=df_with_multiple_values, estimator=np.mean, errorbar=('ci', 95))

from mpl_toolkits.mplot3d import Axes3D

# Данные для 3D-диаграммы
x = np.array([0, 1, 2, 3, 4])
y = np.array([0, 1, 2, 3])
z = np.random.rand(len(y), len(x))*15 # Случайные значения

# Создание 3D-сетки
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# Настройки для 3D-диаграммы
xpos, ypos = np.meshgrid(x, y)
xpos = xpos.flatten()
ypos = ypos.flatten()
zpos = np.zeros_like(xpos)
dx = 0.8 * np.ones_like(zpos)
dy = 0.8 * np.ones_like(zpos)
dz = z.flatten()

# Построение 3D-столбцов
ax.bar3d(xpos, ypos, zpos, dx, dy, dz, color='skyblue', shade=True, alpha=0.8)

ax.set_title('3D столбчатая диаграмма', fontsize=15)
ax.set_xlabel('X ось')
ax.set_ylabel('Y ось')
ax.set_zlabel('Z ось (значения)')

plt.tight_layout()
plt.show()

import matplotlib.animation as animation

# Данные для анимации
fig, ax = plt.figure(figsize=(10, 6)), plt.axes()
categories = ['A', 'B', 'C', 'D', 'E']
periods = ['Q1', 'Q2', 'Q3', 'Q4']
data = np.random.randint(10, 50, size=(len(periods), len(categories)))

# Функция инициализации анимации
def init():
ax.clear()
return ax.bar(categories, data[0], color=colors)

# Функция обновления для каждого кадра
def update(frame):
ax.clear()
ax.set_ylim(0, 55)
bars = ax.bar(categories, data[frame], color=colors)
ax.set_title(f'Данные за {periods[frame]}', fontsize=15)
ax.set_ylabel('Значения')
return bars

# Создание анимации
ani = animation.FuncAnimation(fig, update, frames=range(len(periods)), 
init_func=init, blit=True, interval=1000)
plt.tight_layout()

# Сохранение анимации в GIF
ani.save('animated_barplot.gif', writer='pillow', fps=1)
plt.show()

import plotly.express as px
import plotly.graph_objects as go

# Создание интерактивного barplot с Plotly Express
fig = px.bar(
df, 
x='категория', 
y='значение',
color='группа', # для группировки по цвету
barmode='group', # 'group' для группировки, 'stack' для стековой диаграммы
title='Интерактивная группированная диаграмма',
hover_data=['доп_информация'], # дополнительная информация при наведении
text='значение' # отображать значения на столбцах
)

fig.update_layout(
xaxis_title='Категории продуктов',
yaxis_title='Объём продаж',
legend_title='Группа товаров',
font=dict(family='Arial', size=12),
hovermode='closest'
)

fig.show()

# Данные для комбинированного графика
categories = ['Янв', 'Фев', 'Мар', 'Апр', 'Май', 'Июн']
bar_values = [10, 15, 13, 17, 20, 25] # столбцы – абсолютные значения
line_values = [50, 65, 70, 75, 80, 85] # линия – процентное соотношение

# Создаём две оси Y
fig, ax1 = plt.subplots(figsize=(12, 6))
ax2 = ax1.twinx()

# Столбчатая диаграмма на первой оси
bars = ax1.bar(categories, bar_values, color='royalblue', alpha=0.7, label='Продажи (млн руб.)')
ax1.set_xlabel('Месяц')
ax1.set_ylabel('Продажи (млн руб.)', color='royalblue')
ax1.tick_params(axis='y', colors='royalblue')

# Линейный график на второй оси
line = ax2.plot(categories, line_values, color='crimson', marker='o', 
linewidth=3, label='Доля рынка (%)')
ax2.set_ylabel('Доля рынка (%)', color='crimson')
ax2.tick_params(axis='y', colors='crimson')

# Добавление значений над столбцами
for i, v in enumerate(bar_values):
ax1.text(i, v + 0.5, str(v), ha='center', va='bottom', color='royalblue', fontweight='bold')

# Добавление значений на линии
for i, v in enumerate(line_values):
ax2.text(i, v + 1, f"{v}%", ha='center', va='bottom', color='crimson')

# Объединение легенд
lines, labels = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines + lines2, labels + labels2, loc='upper left')

plt.title('Комбинированный график: продажи и доля рынка', fontsize=16)
plt.tight_layout()
plt.show()

# Данные с кластерами
from sklearn.cluster import KMeans

# Предположим, у нас есть DataFrame с данными
# df = pd.DataFrame({'x': [...], 'y': [...], 'category': [...]})

# Применяем кластеризацию KMeans
X = df[['x', 'y']].values
kmeans = KMeans(n_clusters=3, random_state=42).fit(X)
df['cluster'] = kmeans.labels_

# Создаём столбчатую диаграмму с группировкой по кластерам
plt.figure(figsize=(12, 7))
sns.barplot(x='category', y='value', hue='cluster', data=df, palette='viridis')

plt.title('Распределение значений по категориям и кластерам', fontsize=15)
plt.xlabel('Категория')
plt.ylabel('Значение')
plt.legend(title='Кластер')
plt.tight_layout()
plt.show()