matplotlib画图教程系列之-堆积柱状图

痛定思痛。 2023-07-06 13:23 2阅读 0赞

## matplotlib堆积柱状图画法介绍 ##

> 堆积柱状图可以理解是两个柱状图显示在一个图形中，关键属性就在于bottom这个属性。

# -*- coding:utf-8 -*-
    import pandas as pd
    import matplotlib.pyplot as plt
    import numpy as np
    df = pd.read_csv('planets.csv')
    print(df.head(10))
    df.fillna(value={'mass':df.mass.mean()},inplace=True)
    temp = pd.pivot_table(data=df,index='method',columns='number',values='mass',aggfunc=np.sum)
    print(temp)
    temp.fillna(0,inplace=True)
    print(temp.columns.values)#获取dataframe 的x方向的属性值
    print(temp.loc['Radial Velocity',:])
    plt.rcParams['font.sans-serif']=['SimHei']#这两句作用为防止中文乱码
    plt.rcParams['axes.unicode_minus']=False
    plt.bar(x = temp.columns.values,height=temp.loc['Radial Velocity',:],color='steelblue',label='Astrometry', \
            tick_label=['数量1','数量2','数量3','数量4','数量5','数量6','数量7'])
    plt.bar(x=temp.columns.values,height=temp.loc['Transit',:],color='red',label='Transit', \
            tick_label=['数量1','数量2','数量3','数量4','数量5','数量6','数量7'],bottom=list(temp.loc['Radial Velocity',:]))
    plt.legend(loc='best')
    plt.show()

直接看结果图：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x6eDE1OTk1MQ_size_16_color_FFFFFF_t_70]

关于柱状图如何画，我在这里就不赘述了，想了解的同学可以去看我之前写的对于画柱状图的介绍 [matplotlib画图教程系列之-条形图][matplotlib_-]

这里只说一下bottom这个属性，这个属性的意思是以什么数值为起点进行向上画图。

咱们看 第二个bar方法 ,bottom=list(temp.loc\[‘Radial Velocity’,:\])  
这个bottom的值正是第一个bar方法中的,height=temp.loc\[‘Radial Velocity’,:\],的值。当然，这两个bar方法要保证使用同一个x坐标轴，也就是x属性的值要相同。

## 补充细节 ##

上面说的太粗糙了，下面补充一些干货

首先我们先查看一下csv文件的数据形式：

![image-20201020205928865][]

然后我们再看一下导入到程序中数据的显示形式：

![image-20201020210000800][]

从两张图的对比，我们可以看到，原来csv文件中第一行列名，再导入程序中，自动被识别为了数据列名，行名默认数字0开始递增。

然后介绍下面这个方法：

pandas.pivot\_table() 这个方法叫做透视表。

用过excel做过表格数据的肯定都知道这个东西，就算不知道也没事，下面详细介绍。

pandas.pivot\_table(index,columns,values)

此方法中有三个参数：

*  index 选择属性作为行
 *  columns 选择属性作为列
 *  values 选择所要查看的结果值

另外说一下aggfunc这个参数，是对数据进行操作。

以下图表为例，假设同时具有属性’foo’=one和’bar’=A的数据有两条：

0 one A 1 x

1 one A 2 y

那么我们按照下图进行透视表操作结果是，只显示第一条数据。

如果我们添加aggfunc=np.sum方法，会将这两条数据求和显示。

看下面这个图：

![image-20201020211554421][]

图中我们能够看到，‘foo’、‘bar’、‘baz’ 均是左边数据表格中的列名。

index=‘foo’ 表示将’foo’这一列所有可取值作为行名

columns=‘bar’ 表示将’bar’这一列所有可取值作为右边的列名

values=‘baz’ 表示将’baz’这一列的值作为最终显示结果。

其实说白了就是 我们将’foo’和’bar’ 对应值作为条件，将’baz’作为值，填入到相应的位置。

![image-20201020211950285][]

好了，那么接下来回到我们自己的数据集上，我们对其进行透视表操作

![image-20201021083751820][]

分别获取不同行的数据：

temp.loc\[‘Radial Velocity’,:\]

![image-20201021085254542][]

temp.loc\[‘Transit’,:\]

![image-20201021085329008][]

然后我们将这两组数据作为柱状图的height值。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x6eDE1OTk1MQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200219134529449.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x6eDE1OTk1MQ==,size_16,color_FFFFFF,t_70
[matplotlib_-]: https://blog.csdn.net/lzx159951/article/details/104390447
[image-20201020205928865]: https://img-blog.csdnimg.cn/img_convert/37114522d453ce7f6e619e6bef6a5c8f.png
[image-20201020210000800]: https://img-blog.csdnimg.cn/img_convert/904ab06371b4936805ca07ac3987e387.png
[image-20201020211554421]: https://img-blog.csdnimg.cn/img_convert/046fce76ea07adf99c9f6b3114bb4d1b.png
[image-20201020211950285]: https://img-blog.csdnimg.cn/img_convert/49d8b151d7f10761005032dd40d83bfb.png
[image-20201021083751820]: https://img-blog.csdnimg.cn/img_convert/1c5aa1950c938c42cd9cd88167b37d99.png
[image-20201021085254542]: https://img-blog.csdnimg.cn/img_convert/58da08ff646c9de8c44956ecae6f9b32.png
[image-20201021085329008]: https://img-blog.csdnimg.cn/img_convert/46078ab45353be8d5e806e51c316c9e3.png