python實時數據圖形繪制

⑴ python實操：手把手教你用Matplotlib把數據畫出來

作者：邁克爾·貝耶勒（Michael Beyeler）

如需轉載請聯系華章 科技

如果已安裝Anaconda Python版本，就已經安裝好了可以使用的 Matplotlib。否則，可能要訪問官網並從中獲取安裝說明：

http://matplotlib.org

正如使用np作為 NumPy 的縮寫，我們將使用一些標準的縮寫來表示 Matplotlib 的引入：

在本書中，plt介面會被頻繁使用。

讓我們創建第一個繪圖。

假設想要畫出正弦函數sin(x)的線性圖。得到函數在x坐標軸上0≤x＜10內所有點的值。我們將使用 NumPy 中的 linspace 函數來在x坐標軸上創建一個從0到10的線性空間，以及100個采樣點：

可以使用 NumPy 中的sin函數得到所有x點的值，並通過調用plt中的plot函數把結果畫出來：

你親自嘗試了嗎？發生了什麼嗎？有沒有什麼東西出現？

實際情況是，取決於你在哪裡運行腳本，可能無法看到任何東西。有下面幾種可能性：

1. 從.py腳本中繪圖

如果從一個腳本中運行 Matplotlib，需要加上下面的這行調用：

在腳本末尾調用這個函數，你的繪圖就會出現！

2. 從 IPython shell 中繪圖

這實際上是互動式地執行Matplotlib最方便的方式。為了讓繪圖出現，需要在啟動 IPython 後使用所謂的%matplotlib魔法命令。

接下來，無須每次調用plt.show()函數，所有的繪圖將會自動出現。

3. 從 Jupyter Notebook 中繪圖

如果你是從基於瀏覽器的 Jupyter Notebook 中看這段代碼，需要使用同樣的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入圖形，這會有兩種輸出選項：

在本書中，將會使用inline選項：

現在再次嘗試一下：

上面的命令會得到下面的繪圖輸出結果：

如果想要把繪圖保存下來留作以後使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

僅需要確保你使用了支持的文件後綴，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

作為本章最後一個測試，讓我們對外部數據集進行可視化，比如scikit-learn中的數字數據集。

為此，需要三個可視化工具：

那麼開始引入這些包吧：

第一步是載入實際數據：

如果沒記錯的話，digits應該有兩個不同的數據域：data域包含了真正的圖像數據，target域包含了圖像的標簽。相對於相信我們的記憶，我們還是應該對digits稍加 探索 。輸入它的名字，添加一個點號，然後按Tab鍵：digits.<TAB>，這個操作將向我們展示digits也包含了一些其他的域，比如一個名為images的域。images和data這兩個域，似乎簡單從形狀上就可以區分。

兩種情況中，第一維對應的都是數據集中的圖像數量。然而，data中所有像素都在一個大的向量中排列，而images保留了各個圖像8×8的空間排列。

因此，如果想要繪制出一副單獨的圖像，使用images將更加合適。首先，使用NumPy的數組切片從數據集中獲取一幅圖像：

這里是從1797個元素的數組中獲取了它的第一行數據，這行數據對應的是8×8=64個像素。下面就可以使用plt中的imshow函數來繪制這幅圖像：

上面的命令得到下面的輸出：

此外，這里也使用cmap參數指定了一個顏色映射。默認情況下，Matplotlib 使用MATLAB默認的顏色映射jet。然而，在灰度圖像的情況下，gray顏色映射更有效。

最後，可以使用plt的subplot函數繪制全部數字的樣例。subplot函數與MATLAB中的函數一樣，需要指定行數、列數以及當前的子繪圖索引（從1開始計算）。我們將使用for 循環在數據集中迭代出前十張圖像，每張圖像都分配到一個單獨的子繪圖中。

這會得到下面的輸出結果：

關於作者：Michael Beyeler，華盛頓大學神經工程和數據科學專業的博士後，主攻仿生視覺計算模型，用以為盲人植入人工視網膜（仿生眼睛），改善盲人的視覺體驗。 他的工作屬於神經科學、計算機工程、計算機視覺和機器學習的交叉領域。同時他也是多個開源項目的積極貢獻者。

本文摘編自《機器學習：使用OpenCV和Python進行智能圖像處理》，經出版方授權發布。

⑵ 如何用python繪制各種圖形

1.環境

系統：windows10

python版本：python3.6.1

使用的庫：matplotlib，numpy

2.numpy庫產生隨機數幾種方法

import numpy as np
numpy.random

rand(d0,d1,...,dn)

In [2]: x=np.random.rand(2,5)

In [3]: x
Out[3]:
array([[ 0.84286554, 0.50007593, 0.66500549, 0.97387807, 0.03993009],
[ 0.46391661, 0.50717355, 0.21527461, 0.92692517, 0.2567891 ]])

randn(d0,d1,...,dn)查詢結果為標准正態分布

In [4]: x=np.random.randn(2,5)

In [5]: x
Out[5]:
array([[-0.77195196, 0.26651203, -0.35045793, -0.0210377 , 0.89749635],
[-0.20229338, 1.44852833, -0.10858996, -1.65034606, -0.39793635]])

randint(low,high,size)

生成low到high之間（半開區間 [low, high)），size個數據

In [6]: x=np.random.randint(1,8,4)

In [7]: x
Out[7]: array([4, 4, 2, 7])

random_integers(low,high,size)

生成low到high之間（閉區間 [low, high)），size個數據

In [10]: x=np.random.random_integers(2,10,5)

In [11]: x
Out[11]: array([7, 4, 5, 4, 2])

3.散點圖

x x軸
y y軸
s 圓點面積
c 顏色
marker 圓點形狀
alpha 圓點透明度#其他圖也類似這種配置
N=50# height=np.random.randint(150,180,20)# weight=np.random.randint(80,150,20)
x=np.random.randn(N)
y=np.random.randn(N)
plt.scatter(x,y,s=50,c='r',marker='o',alpha=0.5)
plt.show()

8.箱型圖

import matplotlib.pyplot as pltimport numpy as npdata=np.random.normal(loc=0,scale=1,size=1000)#sym 點的形狀，whis虛線的長度plt.boxplot(data,sym="o",whis=1.5)plt.show()
#sym 點的形狀，whis虛線的長度

⑶ 如何利用Python中的Pandas庫繪制柱形圖

我們利用Python的Pandas庫可以繪制很多圖形，那麼如何繪制柱形圖呢？下面我給大家分享演示一下。

工具/材料

Pycharm

• 01

  首先我們打開Excel文件，准備要生成柱形圖的數據表，如下圖所示

• 02

  接下來在Python文件中導入pandas庫，然後將Excel文件載入到緩存對象中，如下圖所示

• 03

  然後我們導入matplotlib下面的pyplot庫，如下圖所示，導入以後給它起一個別名

• 04

  接下來我們通過pandas庫下面的bar來設置柱形圖的X，Y坐標軸，如下圖所示

• 05

  然後通過pyplot的show方法將柱形圖進行展示出來，如下圖所示

• 06

  接下來運行程序以後我們就看到柱形圖生成出來了，如下圖所示

• 07

  然後如果我們想將柱形圖中的數據排序的話可以利用sort_values實現，如下圖所示

• 08

  最後運行排序好後的程序，我們就可以看到柱形圖中的數據已經排序好了，如下圖所示

⑷ Python 數據可視化：繪制箱線圖、餅圖和直方圖

上一課介紹了柱形圖和條形圖，本課將介紹另外幾種統計圖表。

Box Plot 有多種翻譯，盒須圖、盒式圖、盒狀圖或箱線圖、箱形圖等，不管什麼名稱，它的基本結構是這樣的：

這種圖是由美國著名統計學家約翰·圖基（John Tukey）於 1977 年發明的，它能顯示出一組數據的上限、下限、中位數及上下四分位數。

為了更深入理解箱線圖的含義，假設有這樣一組數據：[1, 3, 5, 8, 10,11, 16, 98 ]，共有 8 個數字。

首先要計算箱線圖中的「四分位數」，注意不是 4 個數：

對於已經排序的數據 [1, 3, 5, 8, 10,11, 16, 98 ]，下四分位數（Q1）的位置是數列中從小到大第 2.25 個數，當然是不存在這個數字的——如果是第 2 個或者第 3 個，則存在。但是，可以用下面的原則，計算出此位置的數值。

四分位數等於與該位置兩側的兩個整數的加權平均數，此權重取決於相對兩側整數的距離遠近，距離越近，權重越大，距離越遠，權重越小，權數之和等於 1。

根據這個原則，可以分別計算本例中數列的 3 個四分位數。

在此計算基礎上，還可以進一步計算四分位間距和上限、下限的數值。

先看一個簡單示例，了解基本的流程。

輸出結果：

這里繪制了兩張箱線圖，一張沒有顯示平均值，另外一張顯示了平均值，所使用的方法就是 boxplot，其完整參數列表為：

參數很多，不要擔心記憶問題，更別擔心理解問題。首先很多參數都是可以「望文生義」的，再有，與以前所使用的其他方法（函數）的參數含義也大同小異。

輸出結果：

所謂的「凹槽」，不是簡單形狀的改變，左右折線的上限區間表示了數據分布的置信區間，橫線依然是上限和下限。

⑸ python中獲取的數據為矩陣形式，如何在python以實時的形式繪制出動態圖

你好，下面是一個畫動態圖的例子。
import matplotlib.pyplot as plt
fig, ax = plt.subplots()
y1 = []
for i in range(50):
y1.append(i) # 每迭代一次，將i放入y1中畫出來
ax.cla() # 清除鍵
ax.bar(y1, label='test', height=y1, width=0.3)
ax.legend()
plt.pause(0.1)

⑹ python繪圖中有哪四個繪圖技巧

pre{overflow-x: auto}

技巧1: plt.subplots()

技巧2: plt.subplot()

技巧3: plt.tight_layout()

技巧4: plt.suptitle()

數據集：

讓我們導入包並更新圖表的默認設置，為圖表添加一點個罩斗鏈人風格。 我們將在提示上使用 Seaborn 的內置數據集：

import seaborn as sns # v0.11.2   import matplotlib.pyplot as plt # v3.4.2   sns.set(style='darkgrid', context='talk', palette='rainbow')df = sns.load\_dataset('tips')   df.head()

技巧1: plt.subplots()

繪制多個子圖的一種簡單方法是使用 plt.subplots() 。

這是繪制 2 個並排子圖的示例語法：

fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(10,4))   sns.histplot(data=df, x='tip', ax=ax[0])   sns.boxplot(data=df, x='tip', ax=ax[1]);

在這里，我們銷中在一個圖中繪制了兩個子圖。 我們可以進一步自定義每個子圖。

  例如，我們可以像這樣為每個子圖添加標題：

fig, ax = plt.subplots(1, 2, figsize=(10,4))   sns.histplot(data=df, x='tip', ax=ax[0])   ax[0].set\_title("Histogram")   sns.boxplot(data=df, x='tip', ax=ax[1])   ax[1].set\_title("Boxplot");

在循環中將所有數值變數用同一組圖表示：

numerical = df.select\_dtypes('number').columnsfor col in numerical:    fig, ax = plt.subplots(1, 2, figsize=(10,4))    sns.histplot(data=df, x=col, ax=ax[0])    sns.boxplot(data=df, x=col, ax=ax[1]); 技巧2: plt.subplot()

另一種可視化多個圖形的方法是使用 plt.subplot()， 末尾沒有 s

  語法與之前略有不同：

plt.figure(figsize=(10,4))   ax1 物孫= plt.subplot(1,2,1)   sns.histplot(data=df, x='tip', ax=ax1)   ax2 = plt.subplot(1,2,2)   sns.boxplot(data=df, x='tip', ax=ax2);

當我們想為多個圖繪制相同類型的圖形並在單個圖中查看所有圖形，該方法特別有用：

plt.figure(figsize=(14,4))   for i, col in enumerate(numerical):    ax = plt.subplot(1, len(numerical), i+1)    sns.boxplot(data=df, x=col, ax=ax)

我們同樣能定製子圖形。例如加個 title

plt.figure(figsize=(14,4))   for i, col in enumerate(numerical):    ax = plt.subplot(1, len(numerical), i+1)    sns.boxplot(data=df, x=col, ax=ax)     ax.set\_title(f"Boxplot of {col}")

通過下面的比較，我們能更好的理解它們的相似處與不同處熟悉這兩種方法很有用，因為它們可以在不同情況下派上用場。

技巧3: plt.tight_layout()

在繪制多個圖形時，經常會看到一些子圖的標簽在它們的相鄰子圖上重疊，

如下所示：

categorical = df.select\_dtypes('category').columnsplt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)

頂部兩個圖表的 x 軸上的變數名稱被剪掉，右側圖的 y 軸標簽與左側子圖重疊.使用 plt.tight_layout 很方便

plt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)    plt.tight\_layout()

專業 看起來更好了。

技巧4: plt.suptitle()

真個圖形添加標題：

plt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)    plt.suptitle('Category counts for all categorical variables')   plt.tight\_layout()

此外，您可以根據自己的喜好自定義各個圖。 例如，您仍然可以為每個子圖添加標題。

到此這篇關於python繪圖 四個繪圖技巧的文章就介紹到這了，希望大家以後多多支持！

⑺ Python 數據可視化：數據分布統計圖和熱圖

本課將繼續介紹 Seaborn 中的統計圖。一定要牢記，Seaborn 是對 Matplotlib 的高級封裝，它優化了很多古老的做圖過程，因此才會看到一個函數解決問題的局面。

在統計學中，研究數據的分布情況，也是一個重要的工作，比如某些數據是否為正態分布——某些機器學習模型很在意數據的分布情況。

在 Matplotlib 中，可以通過繪制直方圖將數據的分布情況可視化。在 Seaborn 中，也提供了繪制直方圖的函數。

輸出結果：

sns.distplot 函數即實現了直方圖，還順帶把曲線畫出來了——曲線其實代表了 KDE。

除了 sns.distplot 之外，在 Seaborn 中還有另外一個常用的繪制數據分布的函數 sns.kdeplot，它們的使用方法類似。

首先看這樣一個示例。

輸出結果：

① 的作用是設置所得圖示的背景顏色，這樣做的目的是讓下面的 ② 繪制的圖像顯示更清晰，如果不設置 ①，在顯示的圖示中看到的就是白底圖像，有的部分看不出來。

② 最終得到的是坐標網格，而且在圖中分為三部分，如下圖所示。

相對於以往的坐標網格，多出了 B 和 C 兩個部分。也就是說，不僅可以在 A 部分繪制某種統計圖，在 B 和 C 部分也可以繪制。

繼續操作：

輸出結果：

語句 ③ 實現了在坐標網格中繪制統計圖的效果，jp.plot 方法以兩個繪圖函數為參數，分別在 A 部分繪制了回歸統計圖，在 B 和 C 部分繪制了直方圖，而且直方圖分別表示了對應坐標軸數據的分布，即：

我們把有語句 ② 和 ③ 共同實現的統計圖，稱為聯合統計圖。除了用 ② ③ 兩句可以繪制這種圖之外，還有一個函數也能夠「兩步並作一步」，具體如下：

輸出結果：

⑻ python 繪制三維圖形、三維數據散點圖

1. 繪制3D曲面圖

from matplotlib import pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D

fig=plt.figure()

ax=Axes3D(fig)

x=np.arange(-4,4,0.25)

y=np.arange(-4,4,0.25)

x,y=np.meshgrid(x,y)

r=np.sqrt(x**2, y**2)

z=np.sin（r）

//繪面函數

ax.plot_surface（x,y,z,rstride=1,cstride=1,cmap=「rainbow」

plt.show（）

2.繪制三維的散點圖（表述一些數據點分布）

4a.mat數據地址：http blog.csdn.net/eddy_zhang/article/details/50496164

from matplotlib import pyplot as plt

import scipy.io as sio

from mpl_toolkits.mplot3d import Axes3D

matl=『4a.mat』

data=sio.loadmat（matl）

m=data[『data』]

x,y,z=m[0],m[1],m[2]

//創建一個繪圖工程

ax=plt.subplot（111,project=『3D』）

//將數據點分成三部分畫，在顏色上有區分度

ax.scatter（x[：1000], y[：1000], z[：1000],c=『y』 ）//繪制數據點

ax.scatter（x[1000：4000], y[1000：4000], z[1000：4000],c=『r』 ）//繪制數據點

ax.scatter（x[4000：], y[4000：], z[4000：],c=『g』 ）//繪制數據點

ax.set_zlable（『z』）//坐標軸

ax.set_ylable（『y』）//坐標軸

ax.set_xlable（『x』）

plt.show（）

⑼ python繪圖篇

1，xlable,ylable設置x，y軸的標題文字。

2，title設置標題。

3，xlim,ylim設置x,y軸顯示範圍。

plt.show()顯示繪圖窗口，通常情況下，show（）會阻礙程序運行，帶-wthread等參數的環境下，窗口不會關閉。

plt.saveFig（）保存圖像。

面向對象繪圖

1，當前圖表和子圖可以用gcf(),gca()獲得。

subplot()繪制包含多個圖表的子圖。

configure subplots,可調節子圖與圖表邊框距離。

可以通過修改配置文件更改對象屬性。

圖標顯示中文

1，在程序中直接指定字體。

2， 在程序開始修改配置字典reParams.

3，修改配置文件。

Artist對象

1，圖標的繪制領域。

2，如何在FigureCanvas對象上繪圖。

3，如何使用Renderer在FigureCanvas對象上繪圖。

FigureCanvas和Render處理底層圖像操作，Artist處理高層結構。

分為簡單對象和容器對象，簡單的Aritist是標準的繪圖元件，例如Line 2D,Rectangle,Text,AxesImage等，而容器類型包含許多簡單的的 Aritist對象，使他們構成一個整體，例如Axis,Axes,Figure等。

直接創建Artist對象進項繪圖操作步奏：

1，創建Figure對象（通過figure（）函數，會進行許多初始化操作，不建議直接創建。）

2，為Figure對象創建一個或多個Axes對象。

3，調用Axes對象的方法創建各類簡單的Artist對象。

Figure容器

如何找到指定的Artist對象。

1，可調用add_subplot()和add_axes()方法向圖表添加子圖。

2，可使用for循環添加柵格。

3，可通過transform修改坐標原點。

Axes容器

1，patch修改背景。

2，包含坐標軸，坐標網格，刻度標簽，坐標軸標題等內容。

3，get_ticklabels(),,get-ticklines獲得刻度標簽和刻度線。

1，可對曲線進行插值。

2，fill_between()繪制交點。

3，坐標變換。

4，繪制陰影。

5，添加註釋。

1，繪制直方圖的函數是

2，箱線圖（Boxplot）也稱箱須圖（Box-whisker Plot），是利用數據中的五個統計量：最小值、第一四分位

數、中位數、第三四分位數與最大值來描述數據的一種方法，它可以粗略地看出數據是否具有對稱性以及分

布的分散程度等信息，特別可以用於對幾個樣本的比較。

3，餅圖就是把一個圓盤按所需表達變數的觀察數劃分為若干份，每一份的角度（即面積）等價於每個觀察

值的大小。

4,散點圖

5,QQ圖

低層繪圖函數

類似於barplot()，dotchart()和plot()這樣的函數採用低層的繪圖函數來畫線和點，來表達它們在頁面上放置的位置以及其他各種特徵。

在這一節中，我們會描述一些低層的繪圖函數，用戶也可以調用這些函數用於繪圖。首先我們先講一下R怎麼描述一個頁面；然後我們講怎麼在頁面上添加點，線和文字；最後講一下怎麼修改一些基本的圖形。

繪圖區域與邊界

R在繪圖時，將顯示區域劃分為幾個部分。繪制區域顯示了根據數據描繪出來的圖像，在此區域內R根據數據選擇一個坐標系，通過顯示出來的坐標軸可以看到R使用的坐標系。在繪制區域之外是邊沿區，從底部開始按順時針方向分別用數字1到4表示。文字和標簽通常顯示在邊沿區域內，按照從內到外的行數先後顯示。

添加對象

在繪制的圖像上還可以繼續添加若干對象，下面是幾個有用的函數，以及對其功能的說明。

•points(x, y, ...)，添加點

•lines(x, y, ...)，添加線段

•text(x, y, labels, ...)，添加文字

•abline(a, b, ...)，添加直線y=a+bx

•abline(h=y, ...)，添加水平線

•abline(v=x, ...)，添加垂直線

•polygon(x, y, ...)，添加一個閉合的多邊形

•segments(x0, y0, x1, y1, ...)，畫線段

•arrows(x0, y0, x1, y1, ...)，畫箭頭

•symbols(x, y, ...)，添加各種符號

•legend(x, y, legend, ...)，添加圖列說明

⑽ 如何用python繪制簡單條形圖

如何用python繪制簡單條形圖呢？這里離不開matplotlib的使用。
條形圖是數據可視化圖形中很基礎也很常用的一種圖，簡單解釋下：條形圖也叫長條圖（英語：bar chart），亦稱條圖（英語：bar graph）、條狀圖、棒形圖、柱狀圖、條形圖表，是一種以長方形的長度為變數的統計圖表。長條圖用來比較兩個或以上的價值（不同時間或者不同條件），只有一個變數，通常利用於較小的數據集分析。長條圖亦可橫向排列，或用多維方式表達。
那麼一個普通的條形圖是長什麼樣子的呢？
當！當！當！就是下圖的這個樣子：
圖先亮出來啦，接下來研究這個圖是怎麼畫的吧，先看一下原數據長什麼樣子：
實際畫圖的流程和畫折線圖很相近，只是用到的畫圖函數不一樣，繪制條形圖的函數plt.bar（）：
由於這只是最簡單的一個條形圖，實際上條形圖的函數plt.bar（）還有不少可以探索的參數設置，和對折線圖函數plt.plot()的探索差不多，有興趣的孩子可以自己去進行探索哦。
按照條形長短進行排序展示的條形圖
當然也可以有其他的設置，比如說上圖中的線條高低參差不齊，這是因為x軸的數據是按照學校名稱進行排序的，那麼可不可以按照分數的高低進行排序呢？也就是讓所有的長方形按照從高到矮或者從矮到高的順序進行排列？
當然可以啦！這里需要強調的是，條的高低排列等信息都是來源於原數據的，要想讓條形的順序發生改變，需要對畫圖的來源數據進行更改呢！
把原數據逆序排序後截取前十名數據賦值給data_yuwen，作為新的數據源傳入畫圖函數plt.bar()，畫出來的圖自然就不一樣了。
先看一眼數據長什麼樣子：
根據這個數據源繪制出的圖形如下，由於用來畫圖的數據進行了降序排序操作，所以生成條形圖的條也會進行降序排序展示：
很多時候，我們常見的條形圖還有另一種展現形式，那就是橫向的條形圖，比較火的那種動態條形圖絕大多數也都是橫向的條形圖，那麼橫向的條形圖如何繪制呢？
理解plt.bar()主要參數
其實也不難，只要清楚plt.bar()函數中主要參數的作用就可以了！條形圖函數中有五個主要參數，分別是x，height，width，bottom，orientation。其中x控制的是每個條在x軸上位置，height控制的是每個條的長度，width控制的是每個條的寬度，bottom控制的是每個條在y軸方向的起始位置，orientation控制的是條形的方向，是縱向還是橫向，默認是縱向的。
通過一個小例子理解下這幾個參數的作用：
上邊的幾行代碼輸出的圖形如下：
對比著代碼和實際輸出的條形圖，各個主要參數的作用是不是一目瞭然啦？
橫向條形圖
理解了這幾個參數作用後，縱向的條形圖轉換成橫向的條形圖就沒什麼難度了！
需要設置所有條形在x軸的位置都為0，也就全部從最左側開始畫條形;由於是橫向條形圖，所以實際上條的寬度顯示的是數據大小，將width參數設置成原數據中的語文成績；bottom控制每個條在y軸方向的起始位置，設置bottom=range（10）設置每個條形在y軸的起始位置各不相同避免有條形重疊；height控制的是每個條在y軸方向上的長度，條形圖橫向設置後，在y軸上的長度失去了衡量數據的意義，所以直接設置一個常數即可；最後設置條形的方向為橫向，即orientation=「horizontal」。
溫馨提示：數據和標簽一定要匹配，即plt.bar()重點的數據要和plt.yticks()中提取出來的標簽一一對應，一旦不匹配，整個圖展現的結果就是一個錯誤的結果！
上述代碼生成的條形圖如下：
感覺上邊這種生成橫向條形圖的方式有點點繞，和人們的習慣認知有點不大一樣，難道畫一個橫向條形圖就非得轉變自己的習慣認知這么反人類嗎？
當然不是的，實際上有更簡單的方法繪制一個橫向條形圖，之所以沒有一開始就直接用這種簡單的方法，也是為了讓大家體會下條形圖參數的靈活設置而已，而且如果比較繞的方法都能理解了，簡單的方法理解和運用起來就更沒有難度了啊！
不賣關子了，我們來認識下和plt.bar()函數類似的plt.barh()函數。
plt.barh()函數是專門繪制水平條形圖的函數，主要的參數有：
y 控制y軸顯示的標簽來源width 控制橫向條形的長度，即用來進行對比的數據源height 條形的寬度需要設置的參數主要就是這三個，比用plt.bar()函數繪制水平條形圖簡單了很多，具體代碼如下：
效果圖：
和用plt.bar()函數繪制的橫向條形圖一毛一樣對不對？以後有需求繪制橫向條形圖，盡量用plt.barh()函數吧，畢竟它是專門繪制這種類型圖的，簡單好用。
然而實際工作中對於條形圖的需求不只是這些，比如例子中只是對各個學校語文成績的展示，有時候需要各個學科的成績同時展現在一幅條形圖中，有時候也需要繪制堆積條形圖對各學科的成績以及總成績進行展示，這些圖又該如何繪制呢？其實只要理解了各個參數的含義，繪制這些圖也不在話下，至於具體怎麼畫，且看下回分解啊！