使用 Matplotlib 提供的 bar() 函数来绘制柱状图。与前面介绍的 plot() 函数类似，程序每次调用 bar() 函数时都会生成一组柱状图， 如果希望生成多组柱状图，则可通过多次调用 bar() 函数来实现。
（1）下面程序使用堆积柱状图来展示《C语言基础》和《Java基础》两套教程历年的销量数据
import matplotlib.pyplot as plt
02.import numpy as np
03.
04.# 构建数据
05.x_data = ['2012', '2013', '2014', '2015', '2016', '2017', '2018']
06.y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
07.y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700]
08.# 绘图
09.plt.bar(x=x_data, height=y_data, label='C语言基础', color='steelblue', alpha=0.8)
10.plt.bar(x=x_data, height=y_data2, label='Java基础', color='indianred', alpha=0.8)
11.# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
12.for x, y in enumerate(y_data):
13. plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')
14.for x, y in enumerate(y_data2):
15. plt.text(x, y + 100, '%s' % y, ha='center', va='top')
16.# 设置标题
17.plt.title("Java与Android图书对比")
18.# 为两条坐标轴设置名称
19.plt.xlabel("年份")
20.plt.ylabel("销量")
21.# 显示图例
22.plt.legend()
23.plt.show()
上面程序中，第 9、10 两行代码用于在数据图上生成两组柱状图，程序设置了这两组柱状图的颜色和透明度。
在使用 bar() 函数绘制柱状图时，默认不会在柱状图上显示具体的数值。为了能在柱状图上显示具体的数值，程序可以调用 text() 函数在数据图上输出文字，如上面程序中第 10 行代码所示。
在使用 text() 函数输出文字时，该函数的前两个参数控制输出文字的 X、Y 坐标，第三个参数则控制输出的内容。其中 va 参数控制文字的垂直对齐方式，ha 参数控制文字的水平对齐方式。
对于上面的程序来说，由于 X 轴数据是一个字符串列表，因此 X 轴实际上是以列表元素的索引作为刻度值的。因此，当程序指定输出文字的 X 坐标为 0 时，表明将该文字输出到第一个条柱处；对于 Y 坐标而言，条柱的数值正好在条柱高度所在处，如果指定 Y 坐标为条柱的数值 +100，就是控制将文字输出到条柱略上一点的位置。
运行上面程序，可以看到如图 1 所示的效果。
果。
图 1 两组柱状图
（2）下面程序使用双柱状图来展示《C语言基础》和《Java基础》两套教程历年的销量数据
从图 1 所示的显示效果来看，第二次绘制的性状图完全与第一次绘制的柱状图重叠，这并不是我们期望的结果，我们希望每组数据的条柱能并列显示。
为了实现条柱井列显示的效果，首先分析条柱重叠在一起的原因。使用 Matplotlib 绘制柱状图时同样也需要 X 轴数据，本程序的 X 轴数据是元素为字符串的 list 列表，因此程序实际上使用各字符串的索引作为 X 轴数据。比如 '2011' 字符串位于列表的第一个位置，因此代表该条柱的数据就被绘制在 X 轴的刻度值1处（由于两个柱状图使用了相同的 X 轴数据，因此它们的条柱完全重合在一起）。
为了将多个柱状图的条柱并列显示，程序需要为这些柱状图重新计算不同的 X 轴数据。为了精确控制条柱的宽度，程序可以在调用 bar() 函数时传入 width 参数，这样可以更好地计算条柱的并列方式。将上面程序改为如下形式：
import numpy as np
# 构建数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700]
bar_width=0.3
# 将X轴数据改为使用range(len(x_data), 就是0、1、2...
plt.bar(x=range(len(x_data)), height=y_data, label='C语言基础',
color='steelblue', alpha=0.8, width=bar_width)
# 将X轴数据改为使用np.arange(len(x_data))+bar_width,
# 就是bar_width、1+bar_width、2+bar_width...这样就和第一个柱状图并列了
plt.bar(x=np.arange(len(x_data))+bar_width, height=y_data2,
label='Java基础', color='indianred', alpha=0.8, width=bar_width)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for x, y in enumerate(y_data):
plt.text(x, y + 100, '%s' % y, ha='center', va='bottom')
for x, y in enumerate(y_data2):
plt.text(x+bar_width, y + 100, '%s' % y, ha='center', va='top')
plt.xticks(np.arange(len(x_data))+bar_width/2, x_data)
# 设置标题
plt.title("C与Java对比")
# 为两条坐标轴设置名称
plt.xlabel("年份")
plt.ylabel("销量")
# 显示图例
plt.legend()
plt.show()
该程序与前一个程序的区别就在于第 10、14 两行代码，这两行代码使用了不同的 x 参数，其中第一个柱状图的 X 轴数据为 range(len(x_data))，也就是 0、1、2…，这样第一个柱状图的各条柱恰好位于 0、1、2… 刻度值处；第二个柱状图的 X 轴数据为 np.arange(len(x_data))+bar_width，也就是 bar_width、1+bar_width、2+bar_width···，这样第二个柱状图的各条柱位于 0、1、2…刻度值的偏右一点 bar_width 处，这样就恰好与第一个柱状图的各条柱并列了。
运行上面程序，将会发现该柱状图的 X 轴的刻度值变成 0、1、2 等值，不再显示年份。为了让柱状图的 X 轴的刻度值显示年份，程序可以调用 xticks() 函数重新设置 X 轴的刻度值。
例如，在程序中添加如下代码：
为X轴设置刻度值
plt.xticks(np.arange(len(x_data))+bar_width/2, x_data)
上面代码使用 x_data 为 X 轴设置刻度值，第一个参数用于控制各刻度值的位置，该参数是 np.arange(len(x_data))+bar_width/2，也就是 bar_width/2、1+bar_width/2、2+bar_width/2 等，这样这些刻度值将被恰好添加在两个条柱之间。
运行上面程序可看到如图 2 所示的运行结果：
有些时候，可能希望两个条柱之间有一点缝隙，那么程序只要对第二个条柱的 X 轴数据略做修改即可。例如，将上面程序中第 14 行代码改为如下形式：
plt.bar(x=np.arange(len(x_data))+bar_width+0.05, height=y_data2,
label='Java基础', color='indianred', alpha=0.8, width=bar_width)
上面代码重新计算了 X 轴数据，使用 np.arange(len(x_data))+bar_width+0.05 作为 X 轴数据，因此两组柱状图的条柱之间会有 0.05 的距离。
(3)Matplotlib 绘制水平柱状图
调用 Matplotlib 的 barh() 函数可以生成水平柱状图。barh() 函数的用法与 bar() 函数的用法基本一样，只是在调用 barh() 函数时使用 y参数传入 Y 轴数据，使用 width 参数传入代表条柱宽度的数据。
例如，如下程序调用 barh() 函数生成两组并列的水平柱状图，来展示两套教程历年的销量统计数据：
import matplotlib.pyplot as plt
import numpy as np
# 构建数据
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700]
bar_width=0.3
# Y轴数据使用range(len(x_data), 就是0、1、2...
plt.barh(y=range(len(x_data)), width=y_data, label='Java基础教程',
color='steelblue', alpha=0.8, height=bar_width)
# Y轴数据使用np.arange(len(x_data))+bar_width,
# 就是bar_width、1+bar_width、2+bar_width...这样就和第一个柱状图并列了
plt.barh(y=np.arange(len(x_data))+bar_width, width=y_data2,
label='C语言基础', color='indianred', alpha=0.8, height=bar_width)
# 在柱状图上显示具体数值, ha参数控制水平对齐方式, va控制垂直对齐方式
for y, x in enumerate(y_data):
plt.text(x+5000, y-bar_width/2, '%s' % x, ha='center', va='bottom')
for y, x in enumerate(y_data2):
plt.text(x+5000, y+bar_width/2, '%s' % x, ha='center', va='bottom')
# 为Y轴设置刻度值
plt.yticks(np.arange(len(x_data))+bar_width/2, x_data)
# 设置标题
plt.title("Java与C对比")
# 为两条坐标轴设置名称
plt.xlabel("销量")
plt.ylabel("年份")
# 显示图例
plt.legend()
plt.show()
上面程序中，第 10 行代码使用 barh() 函数来创建水平柱状图，其中 y 参数为 range(len(x_data))，这意味着这些条柱将会沿着 Y 轴均匀分布；而 width 参数为 y_data，这意味着 y_data 列表所包含的数值会决定各条柱的宽度。第 14 行代码的控制方式与此类似。
运行上面程序，可以看到如图 3 所示的效果
(4.1)折线图
折线图与柱状图很像，它们只是表现数据的方式不同，柱状图使用条柱代表数据，而折线图则使用折线点来代表数据。因此，生成折线图的方式与生成柱状图的方式基本相同。
使用 pygal.Line 类来表示折线图，程序创建 pygal.Line 对象就是创建折线图。下面程序示范了利用折线图来展示两套教程销量统计数据的方法。
import pygal
x_data = ['2011', '2012', '2013', '2014', '2015', '2016', '2017']
# 构造数据
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700]
# 创建pygal.Line对象（折线图）
line = pygal.Line()
# 添加两组代表折线的数据
line.add('C语言教程', y_data)
line.add('Python教程', y_data2)
#设置X轴的刻度值
line.x_labels = x_data
# 重新设置Y轴的刻度值
line.y_labels = [20000, 40000, 60000, 80000, 100000]
line.title = '编程教程的历年销量'
# 设置X、Y轴的标题
line.x_title = '年份'
line.y_title = '销量'
#设置将图例放在底部
line.legend_at_bottom = True
# 指定将数据图输出到SVG文件中
line.render_to_file('fk_books.svg')
上面程序中的第 8 行代码创建了 pygal.Line 对象，该对象代表折线图。接下来程序调用 pygal.Line 对象的 add() 方法添加统计数据，然后对数据图进行配置。
运行上面程序，将会生成如图 1 所示的折线图。
(4.2)折线图
plot() 函数除了支持创建具有单条折线的折线图，也支持创建包含多条折线的复式折线图，只要在调用 plot() 函数时传入多个分别代表 X 轴和 Y 轴数据的 list 列表即可。例如如下程序：
import matplotlib.pyplot as plt
x_data = ['2013', '2014', '2015', '2016', '2017', '2018', '2019']
# 定义2个列表分别作为两条折线的Y轴数据
y_data = [58000, 60200, 63000, 71000, 84000, 90500, 107000]
y_data2 = [52000, 54200, 51500,58300, 56800, 59500, 62700]
# 传入2组分别代表X轴、Y轴的数据
plt.plot(x_data, y_data, x_data, y_data2)
# 调用show()函数显示图形
plt.show()
上面程序在调用 plot() 函数时，传入了两组分别代表 X 轴、Y 轴数据的 list 列表，因此该程序可以显示两条折线，如图 3 所示。
3：---画图(同时画两幅图)
通过统计出每个年收入段贷款如期还款笔数和违约笔数，并计算出每段贷款如期还款笔数和违约笔数所占的比例
loanData[['Status']]incomeRage = loanData.groupby(['Status', 'IncomeRange'])['Status'].count().unstack(0)
index = ['Not displayed', 'Not employed', '$1-24,999', '$25,000-49,999', '$50,000-74,999', '$75,000-99,999', '$100,000+']
incomeRage = incomeRage[['Completed','Defaulted']].reindex(index)#配置索引
在用pandas进行数据重排时，经常用到stack和unstack两个函数。stack的意思是堆叠，堆积，unstack即“不要堆叠”，我对两个函数是这样理解和区分的。
常见的数据的层次化结构有两种，一种是表格，一种是“花括号”，即下面这样的l两种形式：
常见的数据的层次化结构有两种，一种是表格，一种是“花括号”，即下面这样的l两种形式：
坏账百分之=(坏账/坏账+正常)
defaultRate = (incomeRage['Defaulted'] / (incomeRage['Defaulted'] + incomeRage['Completed'])).reindex(index)#print(defaultRate)#坏账百分之
defaultRate1=defaultRate[['Not displayed','Not employed','$1-24,999','$25,000-49,999','$50,000-74,999','$75,000-99,999','$100,000+',]]#剔除$0为空NaN的值
print(defaultRate1)#坏账百分之
# 违约率情况
y = list(defaultRate1.values)#Dafrme转为list
fig1 = plt.figure(1)
# fig1.set_size_inches(15.5, 7.5)
ax1 = fig1.add_subplot(2, 1, 2)
x = np.arange(len(index)) + 1
ax1.bar(x, y, width=0.4)
ax1.set_xticks(x)
ax1.set_xticklabels(index, rotation=0, fontsize=12)
ax1.set_ylabel('违约百分率(%)', fontsize=14)
for a, b in zip(x, y):
plt.text(a, b + 0.001, '%.2f%%' % (b * 100), ha='center', va='bottom', fontsize=10)
ax2 = fig1.add_subplot(2, 1, 1)
incomeRage.plot(kind='bar', ax=ax2)
ax2.set_xticklabels(index, rotation=0, fontsize=12)
ax2.set_ylabel('数量', fontsize=14)
plt.show()
4：--画图(双正态分布图叠加)
按照常识来说债务收入比(DebtToIncomeRatio)低的人更具备还款能力，违约可能性应该低于债务收入比高的人。
DefaultedRatio=loanData[loanData['Status']=='Defaulted']['DebtToIncomeRatio']
CompletedRatio=loanData[loanData['Status']=='Completed']['DebtToIncomeRatio']
print(DefaultedRatio.shape)
print(CompletedRatio.shape)
ax=CompletedRatio.hist(bins=1000,color='g',label='Compeleted')
ax=DefaultedRatio.hist(bins=1000,color='b',label='Defaulted')
ax.set_xlim([0,1])
plt.xlabel('DebtToIncomeRatio',fontsize=14)
plt.ylabel('数量',fontsize=14)
plt.legend(loc='best')
plt.show()
