当前位置:首页 > 文章列表 > 文章 > python教程 > Python用bar()画柱状图及颜色设置技巧

Python用bar()画柱状图及颜色设置技巧

2026-04-01 22:25:23 0浏览 收藏
本文深入解析了使用 matplotlib.pyplot.bar() 绘制专业级柱状图的核心技巧与常见陷阱:从 x 轴类别索引的显式构造与标签对齐(避免字符串误用和 DataFrame 列名重排导致的错位),到多组并列柱子的精准错位偏移(通过 width 控制宽度、x ± width/2 实现无重叠对比);从 color 与 edgecolor 的视觉协同(消除“发灰”边框、适配深色背景)到中文字体配置的实操方案(正确设置 font.sans-serif 和 unicode_minus,结合系统字体排查);每一步都直击实际绘图中高频报错、显示异常和效果失真的根源,帮你避开隐性坑,画出清晰、准确、美观且可复现的分类统计图表。

Python怎么画柱状图_bar()函数绘制分类对比图与颜色设置

用 plt.bar() 画分类柱状图,x轴必须是明确的索引或类别序列

直接传入字符串列表当 x 参数,plt.bar() 能正常显示,但背后它其实把每个字符串当成了独立刻度位置——不是自动编码,也不依赖 pandas 的 categorical 类型。一旦 x 是数字(比如 [0, 1, 2]),而你又想标成 ['A', 'B', 'C'],就得手动配 plt.xticks(),否则柱子对不上标签。

常见错误现象:plt.bar(['A','B','C'], [10,20,15]) 看起来没问题,但后续加误差线、叠加多组柱子时容易错位;更隐蔽的是用 DataFrame 列名直接传给 x,结果列名顺序被重排,图表就乱了。

  • 推荐做法:显式构造 x 坐标(如 range(len(categories))),再用 plt.xticks(range(len(categories)), categories) 控制标签
  • 如果数据来自 pandas,别直接用 df['category'] 当 x,先做 df['category'].tolist() 或用 df.index 配合 df['value']
  • 注意:x 坐标长度必须和 y 值长度严格一致,否则报 ValueError: x and height must have same length

plt.bar() 的 color 和 facecolor 区别不大,但 edgecolor 很关键

color 同时控制填充色和边框色;facecolor 只管填充,edgecolor 单独控边框。默认边框是黑的、宽度 linewidth=0,看起来像没边,实际一放大就能看见细黑线。很多人在调色时发现柱子“发灰”或“边界模糊”,其实是黑色边框和浅色填充混在一起造成的视觉干扰。

  • 要干净效果:加 edgecolor='none' 或 edgecolor='white'(尤其深色背景)
  • 想强调分隔感:设 edgecolor='gray' 和 linewidth=0.5,比纯黑柔和
  • 批量配色时,color 接列表(如 ['#1f77b4', '#ff7f0e', '#2ca02c'])比单字符串更安全;传单字符串(如 'C0')会复用同一色系,但多组柱子时易混淆

并列柱状图别硬塞多个 plt.bar(),用 width 和 align 微调位置

画两组分类对比(比如「去年 vs 今年」),不能简单连写两个 plt.bar()——默认都从同一 x 坐标开始画,后一个完全盖住前一个。得让它们左右错开。核心靠 width 缩窄柱子,再用 x - width/2 和 x + width/2 偏移位置。

常见错误现象:柱子重叠、间隙过大、标签居中失效、图例顺序和柱子不对应。

  • 设统一 width = 0.35(默认是 0.8),然后第一组用 x - width/2,第二组用 x + width/2
  • 别改 align='edge',保持默认 'center' 更稳;改了 align 容易导致 xticks 错位
  • 图例顺序按 plt.bar() 调用顺序来,先画的在前,别反了
  • 示例:plt.bar(x_pos - width/2, data1, width=width, label='2023'),plt.bar(x_pos + width/2, data2, width=width, label='2024')

中文标签显示为方块?重点查 matplotlib 字体配置和 plt.rcParams

不是所有系统默认支持中文字体,matplotlib 会静默回退到无字形字体,结果就是小方块。这不是编码问题,也不是 plt.show() 的锅,而是字体路径没对上。

  • 临时解决:运行前加 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'],确保列表里有本机存在的中文字体名
  • 查可用字体:import matplotlib.font_manager as fm; [f.name for f in fm.fontManager.ttflist],找含 “Sim”、“Noto”、“Source Han” 的条目
  • Mac 用户优先试 'Helvetica Neue' 或 'Arial Unicode MS';Windows 一般用 'SimHei';Linux 常需手动装 fonts-wqy-zenhei 并重启 Python 进程
  • 别漏掉这句:plt.rcParams['axes.unicode_minus'] = False,否则负号显示为方块

细节都在参数微调里,比如 width 差 0.05,柱子间距就明显不同;edgecolor 设成 'none' 还是 'white',在深色背景上差别极大。这些地方不试几次根本看不出问题。

以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。

国家政务服务平台官网入口及办理指南国家政务服务平台官网入口及办理指南
上一篇
国家政务服务平台官网入口及办理指南
CSS自定义单选框样式技巧
下一篇
CSS自定义单选框样式技巧
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    399次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    478次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    483次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    429次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    257次使用