当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib.pyplot.barh()函数：轻松创建水平条形图

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

参考：Matplotlib.pyplot.barh() function in Python

Matplotlib是Python中最流行的数据可视化库之一，而pyplot是Matplotlib中的一个子模块，提供了一系列用于创建各种图表的函数。在这篇文章中，我们将深入探讨pyplot模块中的barh()函数，这是一个用于创建水平条形图的强大工具。

1. barh()函数简介

barh()函数是Matplotlib.pyplot模块中用于创建水平条形图的函数。与垂直条形图不同，水平条形图将数据值表示为从左到右延伸的矩形条，非常适合展示类别之间的比较或排序数据。

让我们从一个简单的例子开始：

import matplotlib.pyplot as plt

categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [4, 7, 2, 5]

plt.figure(figsize=(10, 6))
plt.barh(categories, values)
plt.title('Simple Horizontal Bar Chart - how2matplotlib.com')
plt.xlabel('Values')
plt.ylabel('Categories')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们创建了一个简单的水平条形图，展示了四个类别的数值。barh()函数接受两个主要参数：类别标签和对应的数值。

2. barh()函数的基本语法

barh()函数的基本语法如下：

plt.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)
Python

主要参数说明：
– y：条形的y坐标（通常是类别标签）
– width：条形的长度（即数据值）
– height：条形的高度（默认为0.8）
– left：条形的起始x坐标（默认为0）
– align：条形的对齐方式（’center’或’edge’）

让我们通过一个更复杂的例子来展示这些参数的使用：

import matplotlib.pyplot as plt
import numpy as np

categories = ['A', 'B', 'C', 'D', 'E']
values = [15, 30, 45, 10, 25]
y_pos = np.arange(len(categories))

plt.figure(figsize=(12, 6))
plt.barh(y_pos, values, height=0.5, align='center', left=5)
plt.yticks(y_pos, categories)
plt.xlabel('Values')
plt.title('Advanced Horizontal Bar Chart - how2matplotlib.com')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用了numpy的arange()函数来创建y坐标，并设置了条形的高度和起始位置。

3. 自定义条形颜色

barh()函数允许我们自定义条形的颜色，可以为所有条形设置相同的颜色，也可以为每个条形设置不同的颜色。

import matplotlib.pyplot as plt

categories = ['Red', 'Green', 'Blue', 'Yellow', 'Purple']
values = [12, 15, 8, 10, 5]

plt.figure(figsize=(10, 6))
plt.barh(categories, values, color=['red', 'green', 'blue', 'yellow', 'purple'])
plt.title('Colored Horizontal Bar Chart - how2matplotlib.com')
plt.xlabel('Values')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们为每个类别设置了对应的颜色。

4. 添加误差条

在某些情况下，我们可能需要在条形图上显示误差范围。barh()函数支持添加误差条：

import matplotlib.pyplot as plt
import numpy as np

categories = ['A', 'B', 'C', 'D']
values = [20, 35, 30, 25]
error = [2, 3, 4, 1]

plt.figure(figsize=(10, 6))
plt.barh(categories, values, xerr=error, capsize=5)
plt.title('Horizontal Bar Chart with Error Bars - how2matplotlib.com')
plt.xlabel('Values')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用xerr参数添加了水平误差条，capsize参数设置了误差条末端的大小。

5. 堆叠水平条形图

barh()函数还可以用来创建堆叠水平条形图，这在展示多个类别的组成部分时非常有用：

import matplotlib.pyplot as plt

categories = ['Category 1', 'Category 2', 'Category 3']
values1 = [10, 20, 15]
values2 = [5, 15, 10]
values3 = [8, 5, 12]

plt.figure(figsize=(10, 6))
plt.barh(categories, values1, label='Group A')
plt.barh(categories, values2, left=values1, label='Group B')
plt.barh(categories, values3, left=[i+j for i,j in zip(values1, values2)], label='Group C')

plt.title('Stacked Horizontal Bar Chart - how2matplotlib.com')
plt.xlabel('Values')
plt.legend()
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用left参数来设置每组条形的起始位置，从而创建堆叠效果。

6. 分组水平条形图

除了堆叠条形图，我们还可以创建分组水平条形图，用于比较不同组别在各个类别中的表现：

import matplotlib.pyplot as plt
import numpy as np

categories = ['Category A', 'Category B', 'Category C', 'Category D']
group1 = [10, 15, 12, 8]
group2 = [12, 14, 16, 10]

y_pos = np.arange(len(categories))
height = 0.35

plt.figure(figsize=(12, 6))
plt.barh(y_pos - height/2, group1, height, label='Group 1')
plt.barh(y_pos + height/2, group2, height, label='Group 2')

plt.yticks(y_pos, categories)
plt.xlabel('Values')
plt.title('Grouped Horizontal Bar Chart - how2matplotlib.com')
plt.legend()
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们通过调整y坐标位置来创建分组效果。

7. 添加数据标签

为了使图表更加信息丰富，我们可以在条形上添加数值标签：

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D', 'E']
values = [15, 30, 45, 10, 25]

fig, ax = plt.subplots(figsize=(10, 6))
bars = ax.barh(categories, values)

ax.set_xlabel('Values')
ax.set_title('Horizontal Bar Chart with Data Labels - how2matplotlib.com')

for bar in bars:
    width = bar.get_width()
    ax.text(width, bar.get_y() + bar.get_height()/2, f'{width}', 
            ha='left', va='center')

plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们遍历所有条形，并在每个条形的右侧添加对应的数值标签。

8. 条形图排序

有时我们可能想要根据数值大小对条形进行排序：

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D', 'E']
values = [15, 30, 45, 10, 25]

# 对数据进行排序
sorted_data = sorted(zip(values, categories), reverse=True)
sorted_values, sorted_categories = zip(*sorted_data)

plt.figure(figsize=(10, 6))
plt.barh(sorted_categories, sorted_values)
plt.title('Sorted Horizontal Bar Chart - how2matplotlib.com')
plt.xlabel('Values')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们首先对数据进行排序，然后使用排序后的数据创建条形图。

9. 使用渐变色

我们可以使用颜色映射来为条形图添加渐变色效果：

import matplotlib.pyplot as plt
import numpy as np

categories = ['A', 'B', 'C', 'D', 'E']
values = [15, 30, 45, 10, 25]

fig, ax = plt.subplots(figsize=(10, 6))
bars = ax.barh(categories, values)

sm = plt.cm.ScalarMappable(cmap='viridis', norm=plt.Normalize(vmin=min(values), vmax=max(values)))
sm.set_array([])

for bar in bars:
    bar.set_facecolor(sm.to_rgba(bar.get_width()))

plt.colorbar(sm)
plt.title('Horizontal Bar Chart with Gradient Colors - how2matplotlib.com')
plt.xlabel('Values')
plt.show()
Python

在这个例子中，我们使用了’viridis’颜色映射来为条形设置渐变色。

10. 添加网格线

为了提高图表的可读性，我们可以添加网格线：

import matplotlib.pyplot as plt

categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [25, 40, 30, 55]

plt.figure(figsize=(10, 6))
plt.barh(categories, values)
plt.title('Horizontal Bar Chart with Grid Lines - how2matplotlib.com')
plt.xlabel('Values')
plt.grid(axis='x', linestyle='--', alpha=0.7)
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用grid()函数添加了垂直网格线。

11. 自定义条形样式

barh()函数允许我们自定义条形的样式，包括边框颜色、填充样式等：

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D']
values = [20, 35, 30, 25]

plt.figure(figsize=(10, 6))
plt.barh(categories, values, edgecolor='black', linewidth=2, hatch='//', alpha=0.8)
plt.title('Customized Horizontal Bar Chart - how2matplotlib.com')
plt.xlabel('Values')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们为条形添加了黑色边框、斜线填充样式，并设置了透明度。

12. 条形图与其他图表类型结合

barh()函数可以与其他图表类型结合使用，例如，我们可以在同一个图表中同时显示水平条形图和折线图：

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D', 'E']
bar_values = [15, 30, 45, 10, 25]
line_values = [20, 25, 30, 35, 40]

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

ax1.barh(categories, bar_values, color='skyblue')
ax1.set_xlabel('Bar Values')
ax1.set_title('Combined Horizontal Bar and Line Chart - how2matplotlib.com')

ax2 = ax1.twiny()
ax2.plot(line_values, categories, color='red', marker='o')
ax2.set_xlabel('Line Values')

plt.tight_layout()
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用了两个x轴来分别显示条形图和折线图的数值。

13. 添加条形标注

有时我们可能想要为某些特定的条形添加标注：

import matplotlib.pyplot as plt

categories = ['A', 'B', 'C', 'D', 'E']
values = [15, 30, 45, 10, 25]

fig, ax = plt.subplots(figsize=(10, 6))
bars = ax.barh(categories, values)

ax.set_xlabel('Values')
ax.set_title('Horizontal Bar Chart with Annotations - how2matplotlib.com')

ax.annotate('Highest', xy=(45, 2), xytext=(50, 2.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们为最高的条形添加了一个带箭头的标注。

14. 使用对数刻度

对于数值范围较大的数据，使用对数刻度可能会更有效：

import matplotlib.pyplot as plt
import numpy as np

categories = ['A', 'B', 'C', 'D', 'E']
values = [10, 100, 1000, 10000, 100000]

plt.figure(figsize=(10, 6))
plt.barh(categories, values)
plt.xscale('log')
plt.title('Horizontal Bar Chart with Logarithmic Scale - how2matplotlib.com')
plt.xlabel('Values (log scale)')
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

在这个例子中，我们使用xscale(‘log’)将x轴设置为对数刻度。

15. 条形图动画

最后，让我们来看一个稍微高级一点的例子：如何创建一个简单的条形图动画：

import matplotlib.pyplot as plt
import matplotlib.animation as animation
import numpy as np

fig, ax = plt.subplots(figsize=(10, 6))

categories = ['A', 'B', 'C', 'D', 'E']
values = [0, 0, 0, 0, 0]
bars = ax.barh(categories, values)

ax.set_xlim(0, 100)
ax.set_title('Animated Horizontal Bar Chart - how2matplotlib.com')

def animate(frame):
    for bar in bars:
        bar.set_width(np.random.randint(1, 100))
    return bars

anim = animation.FuncAnimation(fig, animate, frames=50, interval=200, blit=True)
plt.show()
Python

Output:

Matplotlib.pyplot.barh()函数：轻松创建水平条形图

这个例子创建了一个简单的动画，每帧都会随机更新条形的长度。

总结

Matplotlib.pyplot.barh()函数是一个强大而灵活的工具，用于创建水平条形图。通过本文的详细介绍和丰富的示例，我们探索了barh()函数的各种用法和技巧。从基本的水平条形图到高级的自定义样式，从单一数据集的展示到多组数据的比较，barh()函数都能够胜任。

以下是我们在本文中涵盖的主要内容：

  1. barh()函数的基本语法和参数
  2. 自定义条形颜色和样式
  3. 添加误差条
  4. 创建堆叠和分组水平条形图
  5. 添加数据标签和标注
  6. 条形图排序
  7. 使用渐变色和颜色映射
  8. 添加网格线以提高可读性
  9. 与其他图表类型结合使用
  10. 使用对数刻度处理大范围数据
  11. 创建简单的条形图动画

通过这些示例，我们可以看到barh()函数在数据可视化中的强大功能和灵活性。无论是简单的数据展示还是复杂的数据分析，barh()函数都能够帮助我们创建清晰、直观、富有信息量的水平条形图。

在实际应用中，我们可以根据具体需求和数据特点，选择合适的图表样式和自定义选项。例如，对于类别较多的数据，水平条形图通常比垂直条形图更容易阅读；对于需要比较多组数据的情况，分组或堆叠条形图可能更为合适；而对于强调某些特定数据点的情况，添加标注或使用特殊颜色可以起到很好的效果。

此外，我们还可以将barh()函数与Matplotlib的其他功能结合使用，例如子图、多轴图表等，以创建更复杂和信息丰富的可视化效果。在数据分析和报告中，适当使用这些技巧可以大大提高数据的可读性和说服力。

需要注意的是，虽然barh()函数提供了丰富的自定义选项，但在实际使用中应该避免过度装饰。保持图表的简洁和清晰应该是我们的首要目标。过多的颜色、标签或效果可能会分散读者的注意力，影响数据的传达效果。

在使用barh()函数时，我们还应该注意以下几点：

  1. 数据准备：确保你的数据格式正确，类别和数值一一对应。
  2. 坐标轴设置：适当设置x轴和y轴的范围和标签，使图表易于理解。
  3. 图例：当展示多组数据时，添加清晰的图例非常重要。
  4. 标题和标签：为图表添加恰当的标题和轴标签，帮助读者理解数据的含义。
  5. 颜色选择：选择适合的颜色方案，既要美观，又要考虑可读性和色盲友好。
  6. 数据排序：根据需要对数据进行排序，有时按数值大小排序的图表更有说服力。
  7. 比例尺：注意y轴的起始点，避免误导性的比例。

最后，作为Python数据可视化生态系统的重要组成部分，Matplotlib不断在更新和改进。虽然本文介绍的是当前版本的barh()函数用法，但建议读者经常查阅官方文档，了解最新的功能和最佳实践。

总的来说，Matplotlib.pyplot.barh()函数是一个强大而灵活的工具，能够帮助我们创建各种类型的水平条形图。通过合理使用这个函数，我们可以有效地展示和比较分类数据，从而更好地理解和传达数据中的信息。无论你是数据分析师、科研工作者，还是只是对数据可视化感兴趣的爱好者，掌握barh()函数的使用都将大大提升你的数据可视化能力。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程

登录

找回密码？

注册