当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib绘制Pandas数据框多列数据的柱状图教程

Matplotlib绘制Pandas数据框多列数据的柱状图教程

Matplotlib绘制Pandas数据框多列数据的柱状图教程

参考：Plot Multiple Columns of Pandas Dataframe on Bar Chart with Matplotlib

在数据可视化中，柱状图是一种常用且直观的图表类型，特别适合展示分类数据或时间序列数据。当我们需要同时比较多个变量或类别时，绘制多列数据的柱状图就显得尤为重要。本文将详细介绍如何使用Matplotlib库来绘制Pandas数据框中多列数据的柱状图，包括各种常见的柱状图类型、自定义样式以及一些高级技巧。

1. 基础知识

在开始绘制多列数据的柱状图之前，我们需要先了解一些基础知识。

1.1 Matplotlib简介

Matplotlib是Python中最流行的绘图库之一，它提供了一套类似MATLAB的绘图API，能够轻松创建各种静态、动态和交互式图表。在数据科学和机器学习领域，Matplotlib经常与NumPy和Pandas一起使用，用于数据可视化。

1.2 Pandas简介

Pandas是Python中用于数据分析的核心库，它提供了高性能、易用的数据结构和数据分析工具。Pandas的DataFrame是一种二维标记数据结构，类似于Excel表格，非常适合存储和处理多维数据。

1.3 柱状图基本概念

柱状图使用矩形条来表示数据，矩形的高度与数据值成正比。在多列数据的柱状图中，我们可以并排或堆叠显示多个类别的数据，以便进行比较和分析。

2. 准备数据

在绘制柱状图之前，我们需要准备好数据。通常，我们会使用Pandas DataFrame来存储和管理数据。以下是一个简单的示例，创建一个包含多列数据的DataFrame：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}

df = pd.DataFrame(data)
print("Data from how2matplotlib.com:")
print(df)

这个示例创建了一个包含四种产品在2021年、2022年和2023年销售数据的DataFrame。

3. 绘制简单的多列柱状图

让我们从最基本的多列柱状图开始。我们将使用Matplotlib的bar函数来创建并排的柱状图，展示不同年份的销售数据。

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 设置柱的宽度
bar_width = 0.25

# 设置x轴位置
r1 = range(len(df['Product']))
r2 = [x + bar_width for x in r1]
r3 = [x + bar_width for x in r2]

# 绘制柱状图
plt.bar(r1, df['Sales_2021'], color='blue', width=bar_width, label='2021')
plt.bar(r2, df['Sales_2022'], color='green', width=bar_width, label='2022')
plt.bar(r3, df['Sales_2023'], color='red', width=bar_width, label='2023')

# 添加标签和标题
plt.xlabel('Product')
plt.ylabel('Sales')
plt.title('Sales Comparison by Product and Year - how2matplotlib.com')
plt.xticks([r + bar_width for r in range(len(df['Product']))], df['Product'])

# 添加图例
plt.legend()

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用plt.bar()函数为每一年的销售数据创建一组柱子。通过调整每组柱子的x轴位置（使用r1、r2和r3），我们可以将不同年份的柱子并排放置。bar_width变量用于控制柱子的宽度，确保它们不会重叠或间隔过大。

4. 自定义柱状图样式

Matplotlib提供了丰富的选项来自定义柱状图的外观。我们可以调整颜色、添加数据标签、更改柱子边框等。以下是一个展示如何自定义柱状图样式的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形大小和样式
plt.figure(figsize=(12, 6))
plt.style.use('seaborn')

# 设置柱的宽度
bar_width = 0.25

# 设置x轴位置
r1 = range(len(df['Product']))
r2 = [x + bar_width for x in r1]
r3 = [x + bar_width for x in r2]

# 绘制柱状图
bars1 = plt.bar(r1, df['Sales_2021'], color='#4C72B0', width=bar_width, label='2021', alpha=0.8, edgecolor='white')
bars2 = plt.bar(r2, df['Sales_2022'], color='#55A868', width=bar_width, label='2022', alpha=0.8, edgecolor='white')
bars3 = plt.bar(r3, df['Sales_2023'], color='#C44E52', width=bar_width, label='2023', alpha=0.8, edgecolor='white')

# 添加数据标签
def add_labels(bars):
    for bar in bars:
        height = bar.get_height()
        plt.text(bar.get_x() + bar.get_width()/2., height,
                 f'{height}', ha='center', va='bottom')

add_labels(bars1)
add_labels(bars2)
add_labels(bars3)

# 添加标签和标题
plt.xlabel('Product', fontweight='bold')
plt.ylabel('Sales', fontweight='bold')
plt.title('Sales Comparison by Product and Year - how2matplotlib.com', fontsize=16, fontweight='bold')
plt.xticks([r + bar_width for r in range(len(df['Product']))], df['Product'])

# 添加图例
plt.legend(loc='upper left', frameon=True)

# 添加网格线
plt.grid(axis='y', linestyle='--', alpha=0.7)

# 显示图形
plt.tight_layout()
plt.show()

在这个示例中，我们使用了以下技巧来美化柱状图：

  1. 使用plt.style.use('seaborn')应用了Seaborn样式，使图表更加美观。
  2. 为柱子设置了自定义颜色和透明度。
  3. 添加了数据标签，显示每个柱子的具体数值。
  4. 自定义了字体样式，如加粗和调整大小。
  5. 添加了网格线，使数据更易读。

5. 堆叠柱状图

堆叠柱状图是另一种展示多列数据的有效方式，特别适合展示部分与整体的关系。以下是创建堆叠柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 绘制堆叠柱状图
plt.bar(df['Product'], df['Sales_2021'], label='2021')
plt.bar(df['Product'], df['Sales_2022'], bottom=df['Sales_2021'], label='2022')
plt.bar(df['Product'], df['Sales_2023'], bottom=df['Sales_2021'] + df['Sales_2022'], label='2023')

# 添加标签和标题
plt.xlabel('Product')
plt.ylabel('Total Sales')
plt.title('Stacked Sales by Product and Year - how2matplotlib.com')

# 添加图例
plt.legend()

# 添加数据标签
for i, product in enumerate(df['Product']):
    total = df.loc[i, ['Sales_2021', 'Sales_2022', 'Sales_2023']].sum()
    plt.text(i, total, f'{total}', ha='center', va='bottom')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个堆叠柱状图中，我们使用bottom参数来指定每一层的起始位置。这样，2022年的销售数据会堆叠在2021年的数据之上，2023年的数据则堆叠在前两年的总和之上。

6. 分组柱状图

分组柱状图是将相关的柱子组合在一起，便于比较不同类别间的差异。以下是创建分组柱状图的示例：

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

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 设置x轴位置和宽度
x = np.arange(len(df['Product']))
width = 0.25

# 绘制分组柱状图
plt.bar(x - width, df['Sales_2021'], width, label='2021', color='#4C72B0')
plt.bar(x, df['Sales_2022'], width, label='2022', color='#55A868')
plt.bar(x + width, df['Sales_2023'], width, label='2023', color='#C44E52')

# 添加标签和标题
plt.xlabel('Product')
plt.ylabel('Sales')
plt.title('Grouped Sales by Product and Year - how2matplotlib.com')
plt.xticks(x, df['Product'])

# 添加图例
plt.legend()

# 添加数据标签
for i, v in enumerate(df['Sales_2021']):
    plt.text(i - width, v, str(v), ha='center', va='bottom')
for i, v in enumerate(df['Sales_2022']):
    plt.text(i, v, str(v), ha='center', va='bottom')
for i, v in enumerate(df['Sales_2023']):
    plt.text(i + width, v, str(v), ha='center', va='bottom')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用numpy.arange()函数来创建均匀间隔的x轴位置，然后通过调整每组柱子的x坐标来创建分组效果。

7. 水平柱状图

有时，水平方向的柱状图可能更适合展示某些类型的数据，特别是当类别名称较长时。以下是创建水平多列柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['Product A', 'Product B', 'Product C', 'Product D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 8))

# 设置柱的高度
bar_height = 0.25

# 设置y轴位置
y1 = range(len(df['Product']))
y2 = [y + bar_height for y in y1]
y3 = [y + bar_height for y in y2]

# 绘制水平柱状图
plt.barh(y1, df['Sales_2021'], height=bar_height, label='2021', color='#4C72B0')
plt.barh(y2, df['Sales_2022'], height=bar_height, label='2022', color='#55A868')
plt.barh(y3, df['Sales_2023'], height=bar_height, label='2023', color='#C44E52')

# 添加标签和标题
plt.ylabel('Product')
plt.xlabel('Sales')
plt.title('Horizontal Sales Comparison - how2matplotlib.com')
plt.yticks([y + bar_height for y in range(len(df['Product']))], df['Product'])

# 添加图例
plt.legend(loc='lower right')

# 添加数据标签
for i, v in enumerate(df['Sales_2021']):
    plt.text(v, i, str(v), va='center')
for i, v in enumerate(df['Sales_2022']):
    plt.text(v, i + bar_height, str(v), va='center')
for i, v in enumerate(df['Sales_2023']):
    plt.text(v, i + 2*bar_height, str(v), va='center')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用plt.barh()函数来创建水平柱状图。通过调整每组柱子的y轴位置，我们可以将不同年份的数据并排显示。这种布局特别适合展示长文本标签的类别数据。

8. 百分比堆叠柱状图

百分比堆叠柱状图可以很好地展示各部分在整体中的占比。以下是创建百分比堆叠柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 计算百分比
df_perc = df[['Sales_2021', 'Sales_2022', 'Sales_2023']].div(df[['Sales_2021', 'Sales_2022', 'Sales_2023']].sum(axis=1), axis=0)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 绘制百分比堆叠柱状图
plt.bar(df['Product'], df_perc['Sales_2021'], label='2021')
plt.bar(df['Product'], df_perc['Sales_2022'], bottom=df_perc['Sales_2021'], label='2022')
plt.bar(df['Product'], df_perc['Sales_2023'], bottom=df_perc['Sales_2021'] + df_perc['Sales_2022'], label='2023')

# 添加标签和标题
plt.xlabel('Product')
plt.ylabel('Percentage')
plt.title('Percentage Sales Distribution by Product and Year - how2matplotlib.com')

# 添加图例
plt.legend(loc='upper right')

# 设置y轴范围和格式
plt.ylim(0, 1)
plt.gca().yaxis.set_major_formatter(plt.FuncFormatter(lambda x, _: '{:.0%}'.format(x)))

# 添加数据标签
for i, product in enumerate(df['Product']):
    for j, col in enumerate(['Sales_2021', 'Sales_2022', 'Sales_2023']):
        height = df_perc.loc[i, col]
        if height > 0.05:  # 只显示大于5%的标签
            plt.text(i, df_perc.loc[i, :col].sum() - height/2, f'{height:.1%}', ha='center', va='center')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们首先计算了每年销售额在总销售额中的占比，然后使用这些百分比数据来创建堆叠柱状图。我们还使用了FuncFormatter来将y轴标签格式化为百分比形式。

9. 双轴柱状图

当需要在同一图表中比较不同量级的数据时，双轴柱状图非常有用。以下是创建双轴柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2023': [140, 200, 110, 250],
    'Growth_Rate': [0.15, 0.10, 0.22, 0.13]
}
df = pd.DataFrame(data)

# 设置图形大小
fig, ax1 = plt.subplots(figsize=(12, 6))

# 绘制销售额柱状图
ax1.bar(df['Product'], df['Sales_2023'], color='#4C72B0', alpha=0.7, label='Sales 2023')
ax1.set_xlabel('Product')
ax1.set_ylabel('Sales', color='#4C72B0')
ax1.tick_params(axis='y', labelcolor='#4C72B0')

# 创建第二个y轴
ax2 = ax1.twinx()

# 绘制增长率折线图
ax2.plot(df['Product'], df['Growth_Rate'], color='#C44E52', marker='o', linewidth=2, label='Growth Rate')
ax2.set_ylabel('Growth Rate', color='#C44E52')
ax2.tick_params(axis='y', labelcolor='#C44E52')

# 设置y轴格式为百分比
ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda y, _: '{:.0%}'.format(y)))

# 添加标题
plt.title('Sales and Growth Rate Comparison - how2matplotlib.com', fontsize=16)

# 合并图例
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')

# 添加数据标签
for i, v in enumerate(df['Sales_2023']):
    ax1.text(i, v, str(v), ha='center', va='bottom')

for i, v in enumerate(df['Growth_Rate']):
    ax2.text(i, v, f'{v:.1%}', ha='center', va='bottom')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用twinx()方法创建了一个共享x轴的第二个y轴。左侧y轴显示销售额，用柱状图表示；右侧y轴显示增长率，用折线图表示。这种方式允许我们在同一图表中比较不同单位或量级的数据。

10. 动态柱状图

有时，我们可能需要展示随时间变化的数据。以下是一个创建简单动态柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形
fig, ax = plt.subplots(figsize=(12, 6))

# 初始化柱状图
bars = ax.bar(df['Product'], df['Sales_2021'])

# 设置坐标轴
ax.set_ylim(0, 300)
ax.set_xlabel('Product')
ax.set_ylabel('Sales')
ax.set_title('Dynamic Sales Chart - how2matplotlib.com')

# 更新函数
def update(frame):
    year = 2021 + frame
    data = df[f'Sales_{year}']
    for bar, height in zip(bars, data):
        bar.set_height(height)
    ax.set_title(f'Sales in {year} - how2matplotlib.com')

    # 更新数据标签
    for bar in bars:
        height = bar.get_height()
        ax.text(bar.get_x() + bar.get_width()/2., height,
                f'{height}', ha='center', va='bottom')

    return bars

# 创建动画
anim = FuncAnimation(fig, update, frames=3, interval=1000, repeat=True)

plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用matplotlib.animation.FuncAnimation来创建一个动态柱状图，展示2021年到2023年的销售数据变化。动画每隔1秒更新一次，循环显示三年的数据。

11. 分面柱状图

当需要比较多个类别和子类别时，分面柱状图可以提供清晰的视觉比较。以下是创建分面柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'] * 3,
    'Category': ['Electronics', 'Electronics', 'Electronics', 'Electronics',
                 'Clothing', 'Clothing', 'Clothing', 'Clothing',
                 'Food', 'Food', 'Food', 'Food'],
    'Sales_2021': [100, 150, 80, 200, 120, 90, 110, 130, 80, 70, 60, 100],
    'Sales_2022': [120, 180, 90, 220, 130, 100, 120, 140, 85, 75, 65, 110],
    'Sales_2023': [140, 200, 110, 250, 140, 110, 130, 150, 90, 80, 70, 120]
}
df = pd.DataFrame(data)

# 设置图形
fig, axes = plt.subplots(1, 3, figsize=(18, 6), sharey=True)
fig.suptitle('Sales by Category and Product - how2matplotlib.com', fontsize=16)

# 绘制分面柱状图
categories = df['Category'].unique()
for i, year in enumerate(['Sales_2021', 'Sales_2022', 'Sales_2023']):
    for j, category in enumerate(categories):
        category_data = df[df['Category'] == category]
        axes[i].bar(category_data['Product'], category_data[year], label=category)

    axes[i].set_title(f'Sales in {year[-4:]}')
    axes[i].set_xlabel('Product')
    if i == 0:
        axes[i].set_ylabel('Sales')
    axes[i].legend()

# 调整布局
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们创建了三个子图，每个子图代表一年的销售数据。在每个子图中，我们按产品类别绘制了柱状图，使用不同的颜色来区分类别。这种布局允许我们同时比较不同年份、不同类别和不同产品的销售情况。

12. 误差棒柱状图

当我们需要显示数据的不确定性或变异性时，误差棒柱状图非常有用。以下是创建带有误差棒的柱状图的示例：

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

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2023': [140, 200, 110, 250],
    'Error': [10, 15, 8, 20]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 绘制带误差棒的柱状图
plt.bar(df['Product'], df['Sales_2023'], yerr=df['Error'], capsize=5, 
        color='#4C72B0', alpha=0.7, ecolor='black', label='Sales 2023')

# 添加标签和标题
plt.xlabel('Product')
plt.ylabel('Sales')
plt.title('Sales in 2023 with Error Bars - how2matplotlib.com')

# 添加数据标签
for i, v in enumerate(df['Sales_2023']):
    plt.text(i, v + df['Error'][i], f'{v}±{df["Error"][i]}', ha='center', va='bottom')

# 添加图例
plt.legend()

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

在这个示例中，我们使用yerr参数来添加误差棒，capsize参数控制误差棒顶端横线的长度。误差棒显示了每个数据点的不确定性范围。

13. 组合图表

有时，我们可能需要在同一图表中组合不同类型的图表，以便更全面地展示数据。以下是创建柱状图和折线图组合的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2023': [140, 200, 110, 250],
    'Market_Share': [0.20, 0.35, 0.15, 0.30]
}
df = pd.DataFrame(data)

# 设置图形大小
fig, ax1 = plt.subplots(figsize=(12, 6))

# 绘制柱状图
bars = ax1.bar(df['Product'], df['Sales_2023'], color='#4C72B0', alpha=0.7, label='Sales 2023')
ax1.set_xlabel('Product')
ax1.set_ylabel('Sales', color='#4C72B0')
ax1.tick_params(axis='y', labelcolor='#4C72B0')

# 创建第二个y轴
ax2 = ax1.twinx()

# 绘制折线图
line = ax2.plot(df['Product'], df['Market_Share'], color='#C44E52', marker='o', linewidth=2, label='Market Share')
ax2.set_ylabel('Market Share', color='#C44E52')
ax2.tick_params(axis='y', labelcolor='#C44E52')

# 设置y轴格式为百分比
ax2.yaxis.set_major_formatter(plt.FuncFormatter(lambda y, _: '{:.0%}'.format(y)))

# 添加标题
plt.title('Sales and Market Share Comparison - how2matplotlib.com', fontsize=16)

# 合并图例
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left')

# 添加数据标签
for bar in bars:
    height = bar.get_height()
    ax1.text(bar.get_x() + bar.get_width()/2., height,
             f'{height}', ha='center', va='bottom')

for i, v in enumerate(df['Market_Share']):
    ax2.text(i, v, f'{v:.1%}', ha='center', va='bottom')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

这个示例展示了如何在同一图表中结合柱状图和折线图。柱状图表示销售额，而折线图表示市场份额。这种组合可以帮助我们同时观察两个相关但不同单位的指标。

14. 3D柱状图

对于某些数据集，3D柱状图可以提供更直观的视觉效果。以下是创建3D柱状图的示例：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D'],
    'Sales_2021': [100, 150, 80, 200],
    'Sales_2022': [120, 180, 90, 220],
    'Sales_2023': [140, 200, 110, 250]
}
df = pd.DataFrame(data)

# 设置图形
fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 设置x, y坐标
x = np.arange(len(df['Product']))
y = np.arange(3)
X, Y = np.meshgrid(x, y)

# 准备z数据
Z = df[['Sales_2021', 'Sales_2022', 'Sales_2023']].values.T

# 绘制3D柱状图
dx = dy = 0.5
dz = Z
colors = ['#4C72B0', '#55A868', '#C44E52']

for i in range(3):
    ax.bar3d(X[i], Y[i], np.zeros_like(dz[i]), dx, dy, dz[i], color=colors[i], alpha=0.8)

# 设置坐标轴标签
ax.set_xticks(x)
ax.set_xticklabels(df['Product'])
ax.set_yticks(y)
ax.set_yticklabels(['2021', '2022', '2023'])
ax.set_xlabel('Product')
ax.set_ylabel('Year')
ax.set_zlabel('Sales')

# 添加标题
plt.title('3D Sales Comparison - how2matplotlib.com', fontsize=16)

# 调整视角
ax.view_init(elev=20, azim=45)

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

这个3D柱状图允许我们同时比较不同产品在不同年份的销售情况。通过调整视角（使用view_init函数），我们可以从不同角度观察数据。

15. 极坐标柱状图

极坐标柱状图可以用于展示周期性数据或比较不同类别的数据。以下是创建极坐标柱状图的示例：

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

# 准备数据
data = {
    'Product': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],
    'Sales': [140, 200, 110, 250, 180, 220, 190, 170]
}
df = pd.DataFrame(data)

# 设置图形
fig = plt.figure(figsize=(10, 10))
ax = fig.add_subplot(111, projection='polar')

# 计算角度和绘制极坐标柱状图
theta = np.linspace(0, 2*np.pi, len(df), endpoint=False)
radii = df['Sales']
width = 2*np.pi / len(df)
bars = ax.bar(theta, radii, width=width, bottom=0.0)

# 自定义颜色
colors = plt.cm.viridis(radii / max(radii))
for bar, color in zip(bars, colors):
    bar.set_facecolor(color)
    bar.set_alpha(0.8)

# 设置刻度标签
ax.set_xticks(theta)
ax.set_xticklabels(df['Product'])

# 添加标题
plt.title('Sales Distribution in Polar Coordinates - how2matplotlib.com', y=1.1)

# 添加数据标签
for angle, radius in zip(theta, radii):
    ax.text(angle, radius, f'{radius}', ha='center', va='center')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

这个极坐标柱状图将每个产品的销售数据表示为一个扇形区域。颜色的深浅表示销售额的大小，使得数据比较更加直观。

16. 瀑布图

瀑布图是一种特殊类型的柱状图，用于显示一系列正值和负值如何累积到最终总和。以下是创建瀑布图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Item': ['Start', 'Income', 'Expenses', 'Taxes', 'End'],
    'Amount': [1000, 500, -300, -100, 1100]
}
df = pd.DataFrame(data)

# 计算累计和
df['Cumulative'] = df['Amount'].cumsum()

# 设置图形大小
plt.figure(figsize=(12, 6))

# 绘制瀑布图
for i, row in df.iterrows():
    if i == 0 or i == len(df) - 1:
        plt.bar(row['Item'], row['Cumulative'], bottom=0, color='#4C72B0', alpha=0.8)
    else:
        plt.bar(row['Item'], row['Amount'], bottom=df.loc[i-1, 'Cumulative'],
                color='#55A868' if row['Amount'] > 0 else '#C44E52', alpha=0.8)

# 添加连接线
plt.plot(df['Item'], df['Cumulative'], color='black', linewidth=0.5)

# 添加标签和标题
plt.xlabel('Item')
plt.ylabel('Amount')
plt.title('Financial Waterfall Chart - how2matplotlib.com')

# 添加数据标签
for i, row in df.iterrows():
    if i == 0 or i == len(df) - 1:
        plt.text(i, row['Cumulative'], f'{row["Cumulative"]}', ha='center', va='bottom')
    else:
        plt.text(i, row['Cumulative'], f'{row["Amount"]}', ha='center', va='bottom' if row['Amount'] > 0 else 'top')

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

这个瀑布图展示了从起始金额开始，经过收入、支出和税收后的最终金额变化。正值用绿色表示，负值用红色表示，起始和结束值用蓝色表示。

17. 堆叠面积图

堆叠面积图是柱状图的一种变体，它可以很好地展示整体趋势以及各部分的相对贡献。以下是创建堆叠面积图的示例：

import pandas as pd
import matplotlib.pyplot as plt

# 准备数据
data = {
    'Year': [2019, 2020, 2021, 2022, 2023],
    'Product A': [100, 120, 140, 160, 180],
    'Product B': [80, 100, 110, 130, 150],
    'Product C': [60, 70, 90, 100, 120]
}
df = pd.DataFrame(data)

# 设置图形大小
plt.figure(figsize=(12, 6))

# 绘制堆叠面积图
plt.stackplot(df['Year'], df['Product A'], df['Product B'], df['Product C'],
              labels=['Product A', 'Product B', 'Product C'],
              colors=['#4C72B0', '#55A868', '#C44E52'], alpha=0.8)

# 添加标签和标题
plt.xlabel('Year')
plt.ylabel('Sales')
plt.title('Sales Trend by Product - how2matplotlib.com')

# 添加图例
plt.legend(loc='upper left')

# 添加网格线
plt.grid(True, linestyle='--', alpha=0.7)

# 显示图形
plt.tight_layout()
plt.show()

Output:

Matplotlib绘制Pandas数据框多列数据的柱状图教程

这个堆叠面积图展示了三种产品在五年间的销售趋势。每种颜色代表一种产品，面积的高度表示销售额。这种图表可以清楚地显示总体销售趋势以及每种产品的相对贡献。

结论

本文详细介绍了如何使用Matplotlib绘制Pandas数据框中多列数据的柱状图，涵盖了从基础的并排柱状图到高级的3D和极坐标柱状图等多种类型。我们还探讨了如何自定义图表样式、添加数据标签、处理多轴图表等技巧。这些技能对于数据分析和可视化至关重要，可以帮助我们更好地理解和展示复杂的数据集。

在实际应用中，选择合适的图表类型和样式对于有效传达数据信息至关重要。根据数据的特性和你想要强调的方面，可以灵活运用这些技巧来创建最适合你需求的可视化效果。记住，好的数据可视化不仅要准确呈现数据，还要让观众能够轻松理解和解释数据。

通过掌握这些Matplotlib和Pandas的高级技巧，你将能够创建更加丰富、专业的数据可视化，为你的数据分析工作增添价值。继续练习和探索，你会发现还有更多令人兴奋的可视化方法等待你去发现和应用。

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