Создание эффективных столбчатых диаграмм с помощью plot bar pandas

import pandas as pd
import matplotlib.pyplot as plt

# Создаем простой DataFrame
data = {'Категории': ['A', 'B', 'C', 'D'],
'Значения': [10, 25, 15, 30]}
df = pd.DataFrame(data)

# Создаем базовую столбчатую диаграмму
df.plot.bar(x='Категории', y='Значения')
plt.title('Базовая столбчатая диаграмма')
plt.xlabel('Категории')
plt.ylabel('Значения')
plt.show()

data = {'Категории': ['A', 'B', 'C', 'D'],
'Серия1': [10, 25, 15, 30],
'Серия2': [5, 20, 25, 10]}
df = pd.DataFrame(data)

# Создаем сгруппированную столбчатую диаграмму
df.plot.bar(x='Категории')
plt.show()

import pandas as pd
import numpy as np

# Создаем временной ряд
dates = pd.date_range('20250101', periods=365)
df = pd.DataFrame(np.random.randn(365), index=dates, columns=['Значения'])

# Агрегируем по месяцам и визуализируем
monthly_data = df.resample('M').mean()
monthly_data.plot.bar()
plt.title('Среднемесячные значения в 2025 году')
plt.ylabel('Средние значения')
plt.tight_layout() # Автоматически регулирует пробелы
plt.show()

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

# Создаем данные
categories = ['Категория A', 'Категория B', 'Категория C', 'Категория D', 'Категория E']
values = [25, 40, 30, 55, 15]
df = pd.DataFrame({'Категории': categories, 'Значения': values})

# Настраиваем визуальный стиль
ax = df.plot.bar(x='Категории', y='Значения',
figsize=(10, 6),
color='#4287f5', # Hex-код для синего цвета
edgecolor='black', # Цвет границы столбцов
width=0.7, # Ширина столбцов
alpha=0.8, # Прозрачность
rot=45) # Поворот подписей на оси X

# Добавляем сетку для лучшей читаемости
plt.grid(axis='y', linestyle='--', alpha=0.7)

# Добавляем аннотации значений над столбцами
for i, v in enumerate(values):
ax.text(i, v + 1, str(v), ha='center', fontweight='bold')

plt.title('Улучшенная столбчатая диаграмма', fontsize=16, fontweight='bold')
plt.xlabel('Категории продуктов', fontsize=12)
plt.ylabel('Объемы продаж (млн ₽)', fontsize=12)

plt.tight_layout()
plt.show()

from matplotlib import cm

# Применение готовой цветовой схемы
colors = cm.viridis(np.linspace(0, 1, len(df)))
df.plot.bar(x='Категории', color=colors)

# Или создание пользовательской палитры
custom_colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#c2c2f0']
df.plot.bar(x='Категории', color=custom_colors)

with plt.style.context('ggplot'): # Временно применяем стиль ggplot
df.plot.bar(x='Категории')
plt.title('График в стиле ggplot')
plt.show()

# После этого блока возвращаемся к прежнему стилю

def apply_corporate_style(ax, title):
"""Применяет фирменный стиль к диаграмме"""
ax.set_title(title, fontweight='bold', fontsize=14)
ax.set_facecolor('#f5f5f5') # Светло-серый фон
ax.spines['top'].set_visible(False) # Убираем верхнюю границу
ax.spines['right'].set_visible(False) # Убираем правую границу
ax.grid(axis='y', linestyle='--', alpha=0.3)
return ax

# Применяем стиль к диаграмме
ax = df.plot.bar(x='Категории')
apply_corporate_style(ax, 'Продажи по категориям')
plt.show()

import pandas as pd
import matplotlib.pyplot as plt

# Создаем данные с несколькими метриками
data = {
'Регион': ['Север', 'Юг', 'Запад', 'Восток', 'Центр'],
'Продажи 2024': [120, 95, 140, 110, 105],
'Продажи 2025': [145, 110, 125, 130, 120],
'Прогноз 2026': [160, 125, 135, 150, 140]
}
df = pd.DataFrame(data)

# Создаем сгруппированную столбчатую диаграмму
ax = df.plot.bar(x='Регион', 
y=['Продажи 2024', 'Продажи 2025', 'Прогноз 2026'],
figsize=(12, 6),
width=0.8)

plt.title('Сравнение продаж по регионам', fontsize=14)
plt.xlabel('Регион')
plt.ylabel('Объем продаж (млн ₽)')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.legend(title='Период')
plt.tight_layout()
plt.show()

ax = df.plot.bar(x='Регион', 
y=['Продажи 2024', 'Продажи 2025', 'Прогноз 2026'],
stacked=True, # Создает составную диаграмму
figsize=(12, 6))

plt.title('Совокупные продажи по регионам', fontsize=14)
plt.xlabel('Регион')
plt.ylabel('Объем продаж (млн ₽)')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.legend(title='Период')
plt.tight_layout()
plt.show()

import numpy as np

# Создаем расширенный набор данных
np.random.seed(42)
regions = ['Север', 'Юг', 'Запад', 'Восток', 'Центр']
products = ['Продукт A', 'Продукт B', 'Продукт C']
data = []

for region in regions:
for product in products:
for month in range(1, 13):
sales = np.random.randint(50, 200)
data.append([region, product, f'2025-{month:02d}', sales])

df_large = pd.DataFrame(data, columns=['Регион', 'Продукт', 'Месяц', 'Продажи'])

# Агрегируем данные по регионам и продуктам
df_agg = df_large.groupby(['Регион', 'Продукт'])['Продажи'].sum().unstack()

# Создаем сгруппированную столбчатую диаграмму
ax = df_agg.plot.bar(figsize=(12, 6))
plt.title('Продажи по регионам и продуктам', fontsize=14)
plt.xlabel('Регион')
plt.ylabel('Объем продаж')
plt.legend(title='Продукт')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.tight_layout()
plt.show()

fig, ax1 = plt.subplots(figsize=(12, 6))

# Построение первого набора данных на левой оси
df_large.groupby('Регион')['Продажи'].sum().plot.bar(ax=ax1, color='blue', position=0, width=0.4)
ax1.set_ylabel('Объем продаж', color='blue')
ax1.tick_params(axis='y', colors='blue')

# Создание второй оси Y
ax2 = ax1.twinx()

# Построение второго набора данных на правой оси
avg_price = df_large.groupby('Регион')['Продажи'].mean() * 10 # Другая метрика с другим масштабом
avg_price.plot.bar(ax=ax2, color='red', position=1, width=0.4)
ax2.set_ylabel('Средняя цена (₽)', color='red')
ax2.tick_params(axis='y', colors='red')

plt.title('Продажи и средние цены по регионам')
plt.tight_layout()
plt.show()

# Нормализация данных по 100% для каждого региона
ax = df_agg.div(df_agg.sum(axis=1), axis=0).plot.bar(
stacked=True,
figsize=(12, 6)
)

# Добавляем процентные метки
for c in ax.containers:
labels = [f'{v.get_height():.0%}' if v.get_height() > 0.05 else '' for v in c]
ax.bar_label(c, labels=labels, label_type='center')

plt.title('Структура продаж по регионам и продуктам', fontsize=14)
plt.xlabel('Регион')
plt.ylabel('Доля продаж')
plt.legend(title='Продукт')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.tight_layout()
plt.show()

import matplotlib.gridspec as gridspec

# Создаем фигуру с сеткой диаграмм
fig = plt.figure(figsize=(15, 10))
gs = gridspec.GridSpec(2, 3)

# Для каждого региона создаем отдельную диаграмму
for i, region in enumerate(regions):
ax = fig.add_subplot(gs[i//3, i%3])

# Фильтруем данные по региону
region_data = df_large[df_large['Регион'] == region]

# Агрегируем по продукту и месяцу
pivot = pd.pivot_table(region_data, 
values='Продажи', 
index='Месяц', 
columns='Продукт', 
aggfunc='sum')

# Строим диаграмму для данного региона
pivot.plot.bar(ax=ax, stacked=False)
ax.set_title(f'Динамика продаж – {region}')
ax.grid(axis='y', linestyle='--', alpha=0.3)

# Уменьшаем легенду для первой диаграммы, для остальных убираем
if i == 0:
ax.legend(fontsize='small')
else:
ax.legend([])

plt.tight_layout()
plt.show()

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

# Создаем данные с погрешностями
categories = ['Группа A', 'Группа B', 'Группа C', 'Группа D']
values = [42, 55, 38, 60]
errors = [5, 7, 4, 6] # Стандартные отклонения

df = pd.DataFrame({
'Категории': categories,
'Значения': values,
'Погрешность': errors
})

# Создаем столбчатую диаграмму с планками погрешностей
ax = df.plot.bar(x='Категории', y='Значения', 
yerr='Погрешность', # Добавляет планки погрешностей
capsize=5, # Размер горизонтальных черточек на концах планок
error_kw={'ecolor': 'black', 'linewidth': 1}, # Стиль планок
figsize=(10, 6))

plt.title('Результаты измерений с доверительными интервалами')
plt.xlabel('Экспериментальные группы')
plt.ylabel('Измеренное значение')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.show()

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

# Создаем данные по месяцам
months = ['Янв', 'Фев', 'Мар', 'Апр', 'Май', 'Июн', 'Июл', 'Авг', 'Сен', 'Окт', 'Ноя', 'Дек']
sales = [120, 110, 135, 150, 180, 200, 210, 195, 175, 165, 185, 220]
target = 170 # Целевой показатель

df = pd.DataFrame({
'Месяц': months,
'Продажи': sales
})

# Создаем столбчатую диаграмму
ax = df.plot.bar(x='Месяц', y='Продажи', figsize=(12, 6),
color=[('green' if x >= target else 'red') for x in sales])

# Добавляем горизонтальную линию для целевого показателя
plt.axhline(y=target, color='blue', linestyle='--', label=f'Цель: {target}')

# Добавляем аннотации к столбцам, превышающим цель
for i, (_, row) in enumerate(df.iterrows()):
if row['Продажи'] >= target:
ax.annotate(f'+{row["Продажи"]-target}', 
(i, row['Продажи']), 
xytext=(0, 5), 
textcoords='offset points',
ha='center',
fontweight='bold')

plt.title('Анализ продаж по месяцам относительно цели', fontsize=14)
plt.xlabel('Месяц')
plt.ylabel('Объем продаж (тыс. ₽)')
plt.legend()
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.tight_layout()
plt.show()

fig, ax1 = plt.subplots(figsize=(12, 6))

# Столбчатая диаграмма для ежемесячных данных
bars = ax1.bar(months, sales, color='lightblue', label='Месячные продажи')
ax1.set_xlabel('Месяц')
ax1.set_ylabel('Месячные продажи (тыс. ₽)', color='blue')
ax1.tick_params(axis='y', colors='blue')

# Вторая ось Y для кумулятивной суммы
ax2 = ax1.twinx()
cumulative = np.cumsum(sales)
ax2.plot(months, cumulative, 'ro-', linewidth=2, label='Накопительный итог')
ax2.set_ylabel('Накопительный итог (тыс. ₽)', color='red')
ax2.tick_params(axis='y', colors='red')

# Добавляем подписи значений к столбцам
for i, v in enumerate(sales):
ax1.text(i, v + 5, str(v), ha='center', fontsize=9)

# Объединяем легенды с обеих осей
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')

plt.title('Месячные продажи и накопительный итог', fontsize=14)
plt.tight_layout()
plt.show()

from sklearn.cluster import KMeans

# Предположим, у нас есть данные по клиентам
customer_data = pd.DataFrame({
'ID': range(1, 101),
'Частота_покупок': np.random.randint(1, 20, 100),
'Сумма_покупок': np.random.randint(500, 10000, 100)
})

# Применяем кластеризацию K-means
kmeans = KMeans(n_clusters=3, random_state=42)
customer_data['Кластер'] = kmeans.fit_predict(customer_data[['Частота_покупок', 'Сумма_покупок']])

# Визуализируем средние значения по кластерам
cluster_means = customer_data.groupby('Кластер')[['Частота_покупок', 'Сумма_покупок']].mean()

# Создаем столбчатую диаграмму для средних значений по кластерам
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 6))

cluster_means['Частота_покупок'].plot.bar(ax=ax1, color=['red', 'green', 'blue'])
ax1.set_title('Средняя частота покупок по кластерам')
ax1.set_xlabel('Кластер')
ax1.set_ylabel('Частота покупок')

cluster_means['Сумма_покупок'].plot.bar(ax=ax2, color=['red', 'green', 'blue'])
ax2.set_title('Средняя сумма покупок по кластерам')
ax2.set_xlabel('Кластер')
ax2.set_ylabel('Сумма покупок (₽)')

# Добавляем размер кластера в аннотациях
for i, ax in enumerate([ax1, ax2]):
for j, v in enumerate(cluster_means.iloc[:,i]):
cluster_size = (customer_data['Кластер'] == j).sum()
ax.text(j, v + v*0.05, f'n = {cluster_size}', ha='center')

plt.suptitle('Анализ клиентских кластеров', fontsize=16)
plt.tight_layout(rect=[0, 0, 1, 0.95]) # Учитываем общий заголовок
plt.show()

import pandas as pd
import matplotlib.pyplot as plt

# Создаем данные по каналам продаж
channels = ['Сайт', 'Мобильное приложение', 'Социальные сети', 'Партнеры']
years = ['2023', '2024', '2025']

# Создаем фиктивные данные по продажам через различные каналы
data = {
'2023': [150, 80, 50, 120],
'2024': [170, 120, 90, 140],
'2025': [200, 180, 140, 120]
}

df = pd.DataFrame(data, index=channels)

# Создаем сравнительную диаграмму долей различных каналов
df_percentage = df.div(df.sum(axis=0), axis=1) * 100

ax = df_percentage.T.plot.bar(stacked=True, figsize=(12, 7))

# Добавляем процентные подписи к сегментам
for c in ax.containers:
labels = [f'{v.get_height():.1f}%' if v.get_height() > 5 else '' for v in c]
ax.bar_label(c, labels=labels, label_type='center')

plt.title('Структура каналов продаж по годам', fontsize=14)
plt.xlabel('Год')
plt.ylabel('Доля канала (%)')
plt.grid(axis='y', linestyle='--', alpha=0.3)
plt.legend(title='Канал продаж')
plt.tight_layout()
plt.show()

import pandas as pd
import matplotlib.pyplot as plt

# Создаем и настраиваем диаграмму
df.plot.bar(figsize=(10, 6))
plt.title('Квартальные продажи по регионам')

# Экспорт в различные форматы с высоким разрешением
plt.savefig('sales_chart.png', dpi=300, bbox_inches='tight') # PNG для веб и презентаций
plt.savefig('sales_chart.pdf', bbox_inches='tight') # PDF для печатных отчетов
plt.savefig('sales_chart.svg', bbox_inches='tight') # SVG для векторной графики

def generate_sales_report(data_path, output_path, report_title):
"""
Генерирует отчет о продажах с набором стандартных диаграмм

Parameters:
-----------
data_path : str
Путь к файлу с данными
output_path : str
Путь для сохранения отчета
report_title : str
Заголовок отчета
"""
# Загружаем данные
df = pd.read_csv(data_path)

# Создаем фигуру с несколькими подграфиками
fig, axs = plt.subplots(2, 2, figsize=(20, 15))
fig.suptitle(report_title, fontsize=20)

# 1. Продажи по регионам
df.groupby('Region')['Sales'].sum().sort_values().plot.barh(
ax=axs[0, 0], color='skyblue'
)
axs[0, 0].set_title('Продажи по регионам')
axs[0, 0].grid(axis='x', linestyle='--', alpha=0.7)

# 2. Продажи по месяцам
monthly = df.groupby('Month')['Sales'].sum()
monthly.plot.bar(ax=axs[0, 1], color='lightgreen')
axs[0, 1].set_title('Динамика продаж по месяцам')
axs[0, 1].grid(axis='y', linestyle='--', alpha=0.7)

# 3. Топ-5 продуктов
top_products = df.groupby('Product')['Sales'].sum().nlargest(5)
top_products.plot.bar(ax=axs[1, 0], color='coral')
axs[1, 0].set_title('Топ-5 продаваемых товаров')
axs[1, 0].grid(axis='y', linestyle='--', alpha=0.7)

# 4. Сравнение с целевыми показателями
target_comparison = df.groupby('Quarter')[['Sales', 'Target']].sum()
target_comparison.plot.bar(ax=axs[1, 1])
axs[1, 1].set_title('Продажи vs. Целевые показатели по кварталам')
axs[1, 1].grid(axis='y', linestyle='--', alpha=0.7)

# Настраиваем общий вид отчета
plt.tight_layout(rect=[0, 0, 1, 0.97])

# Сохраняем отчет в различных форматах
plt.savefig(f"{output_path}/{report_title.replace(' ', '_')}.png", dpi=300)
plt.savefig(f"{output_path}/{report_title.replace(' ', '_')}.pdf")

print(f"Отчет успешно сохранен в {output_path}")

# Пример использования
generate_sales_report(
"sales_data_2025.csv", 
"reports", 
"Квартальный отчет о продажах Q1 2025"
)

def apply_corporate_branding(fig, ax, company_palette=None):
"""
Применяет корпоративный стиль к диаграмме

Parameters:
-----------
fig : matplotlib.figure.Figure
Фигура matplotlib
ax : matplotlib.axes.Axes
Оси для настройки
company_palette : list, optional
Список цветов фирменного стиля
"""
# Устанавливаем фирменные цвета, если предоставлены
if company_palette:
for i, patch in enumerate(ax.patches):
patch.set_facecolor(company_palette[i % len(company_palette)])

# Добавляем фирменный логотип
try:
logo = plt.imread('company_logo.png')
# Создаем новые оси для логотипа в верхнем правом углу
ax_logo = fig.add_axes([0\.85, 0.85, 0.1, 0.1], anchor='NE')
ax_logo.imshow(logo)
ax_logo.axis('off')
except:
pass

# Настройка шрифтов и стилей
plt.rcParams.update({
'font.family': 'Arial', # Фирменный шрифт
'font.size': 12,
'axes.titlesize': 16,
'axes.titleweight': 'bold',
'axes.labelsize': 14,
'xtick.labelsize': 12,
'ytick.labelsize': 12,
'legend.fontsize': 12,
'figure.titlesize': 18
})

# Добавление фирменного водяного знака
fig.text(0.95, 0.05, 'Конфиденциально', 
fontsize=12, color='gray', alpha=0.5,
ha='right', va='bottom', rotation=90)

# Настройка стиля сетки
ax.grid(axis='y', linestyle='--', alpha=0.3, color='#888888')

# Удаление лишних элементов
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)

return fig, ax

# Пример использования
fig, ax = plt.subplots(figsize=(10, 6))
df.plot.bar(ax=ax)
company_colors = ['#003366', '#336699', '#6699cc', '#99ccff']
apply_corporate_branding(fig, ax, company_colors)
plt.tight_layout()
plt.show()

import plotly.express as px

# Преобразование столбчатой диаграммы pandas в интерактивную Plotly
fig = px.bar(df, x='Категория', y='Значение', color='Группа',
title='Интерактивная столбчатая диаграмма',
hover_data=['Дополнительные_данные'])

# Сохранение в формате HTML для встраивания в веб-отчеты
fig.write_html("interactive_bar_chart.html")

# Для презентаций PowerPoint можно использовать python-pptx
from pptx import Presentation
from pptx.util import Inches

prs = Presentation()
slide = prs.slides.add_slide(prs.slide_layouts[5]) # Выбираем шаблон слайда

# Добавляем заголовок
title = slide.shapes.title
title.text = "Анализ продаж по регионам"

# Сохраняем диаграмму во временный файл
plt.savefig("temp_chart.png", dpi=300, bbox_inches='tight')

# Добавляем диаграмму на слайд
left = Inches(1)
top = Inches(1.5)
width = Inches(8)
slide.shapes.add_picture("temp_chart.png", left, top, width=width)

# Сохраняем презентацию
prs.save("sales_presentation.pptx")

def create_comparative_report(current_period, previous_periods, metrics):
"""
Создает сравнительный отчет между текущим и предыдущими периодами

Parameters:
-----------
current_period : pandas.DataFrame
Данные текущего периода
previous_periods : list of pandas.DataFrame
Список DataFrame с данными предыдущих периодов
metrics : list of str
Список метрик для сравнения
"""
n_metrics = len(metrics)
fig, axs = plt.subplots(n_metrics, 1, figsize=(12, 5*n_metrics))

if n_metrics == 1:
axs = [axs] # Обертка для единообразия интерфейса

for i, metric in enumerate(metrics):
# Текущий период
current_data = current_period.groupby('Category')[metric].sum()

# Объединяем данные всех периодов
all_periods = [current_data]
period_labels = ['Текущий']

for j, prev in enumerate(previous_periods):
prev_data = prev.groupby('Category')[metric].sum()
all_periods.append(prev_data)
period_labels.append(f'Период {j+1}')

# Создаем DataFrame для сравнительной диаграммы
comparison_df = pd.concat(all_periods, axis=1)
comparison_df.columns = period_labels

# Строим сравнительную диаграмму
comparison_df.plot.bar(ax=axs[i])
axs[i].set_title(f'Сравнение {metric} по периодам')
axs[i].grid(axis='y', linestyle='--', alpha=0.3)

plt.tight_layout()
plt.show()

# Пример использования
create_comparative_report(
current_period_data,
[previous_quarter_data, previous_year_data],
['Revenue', 'Profit Margin']
)