当前位置：首页 > news >正文

柱状图的高级玩法：分组、堆叠、百分比对比

news 2025/10/14 6:56:20

柱状图的高级玩法：分组、堆叠、百分比对比

在数据可视化的世界里，柱状图被广泛用于展示不同类别数据的对比，而对于复杂数据的分析，我们可以通过分组、堆叠以及百分比对比来更深入地揭示数据之间的关系。本文将探讨这三种柱状图的高级玩法，帮助你在实际应用中更高效地传达信息。

一、柱状图的基本概念与类型

柱状图（Bar Chart）是最常见的图表类型之一，通常用于展示不同类别的数值或频率。它通过一系列的条形（或柱子）来表示数值的大小。在实际应用中，柱状图有两种常见的展示形式：

垂直柱状图：即通常所见的柱状图，柱子垂直排列，便于比较各个类别的数值。
水平条形图：与垂直柱状图类似，只是将柱子旋转为水平方向，适合类别较多且柱子较长时使用。

尽管两者在展示方向上有所不同，但它们的核心概念是相同的。接下来，我们将聚焦于柱状图的三种常见高级玩法：单柱图、分组图和堆叠图。

二、单柱图、分组图与堆叠图的比较

1. 单柱图（Single Bar Chart）

定义：单柱图通常用于展示单一类别的数值变化。在这种图表中，每个柱子代表一个数据点，柱子的高度或长度则反映该数据点的大小。

适用场景：例如，展示某个产品在某一时间段内的单一销售额，或者某个城市的单一人口数量等。

技术实现：在Python中，我们可以使用matplotlib或者seaborn等库简单地绘制出单柱图。代码示例如下：

import matplotlib.pyplot as pltcategories = ['Product A', 'Product B', 'Product C']
sales = [100, 150, 120]plt.bar(categories, sales)
plt.title('Product Sales')
plt.show()

在这里插入图片描述

2. 分组图（Grouped Bar Chart）

定义：分组图用于展示多个类别在同一维度下的数值，通过并排的柱子进行对比。每个类别下会有多个并列的柱子，便于直接比较它们之间的差异。

适用场景：当我们需要比较不同类别在同一项目中的数值时，分组图是最佳选择。例如，比较多个产品在每个季度的销售额。

案例分析：
假设我们想要展示三种不同产品（A、B、C）在四个季度的销售额。分组图可以帮助我们直观地看到每个季度各产品的销售差异。

图表示例：

X轴：季度（Q1, Q2, Q3, Q4）
Y轴：销售额
图例：产品A、B、C

import numpy as npquarters = ['Q1', 'Q2', 'Q3', 'Q4']
product_a = [120, 150, 180, 140]
product_b = [100, 130, 110, 160]
product_c = [90, 95, 100, 120]bar_width = 0.25
index = np.arange(len(quarters))plt.bar(index, product_a, bar_width, label='Product A')
plt.bar(index + bar_width, product_b, bar_width, label='Product B')
plt.bar(index + 2*bar_width, product_c, bar_width, label='Product C')plt.xlabel('Quarters')
plt.ylabel('Sales')
plt.title('Quarterly Sales Comparison')
plt.xticks(index + bar_width, quarters)
plt.legend()plt.show()

在这里插入图片描述

3. 堆叠图（Stacked Bar Chart）

定义：堆叠图将多个类别的数值堆叠在一起，展示各部分对总量的贡献。它非常适合分析不同类别在总数中的占比及其变化趋势。

适用场景：当我们希望查看每个类别对总量的贡献时，堆叠图是非常有效的选择。例如，展示多个产品在每个季度总销售额中的占比。

案例分析：
继续以三种产品在四个季度的销售额为例，堆叠图能够帮助我们看到每种产品的销售额如何影响总销售额的变化。

图表示例：

X轴：季度（Q1, Q2, Q3, Q4）
Y轴：总销售额
图例：产品A、B、C的销售额

plt.bar(index, product_a, bar_width, label='Product A')
plt.bar(index, product_b, bar_width, bottom=product_a, label='Product B')
plt.bar(index, product_c, bar_width, bottom=np.array(product_a) + np.array(product_b), label='Product C')plt.xlabel('Quarters')
plt.ylabel('Total Sales')
plt.title('Quarterly Sales Composition')
plt.xticks(index, quarters)
plt.legend()plt.show()

在这里插入图片描述

三、分组图与堆叠图的选择

在选择分组图或堆叠图时，我们需要根据数据分析的目的来做决定。具体而言：

选择分组图：当我们关心的是不同类别之间的数值差异时，分组图最为适合。它能清晰地展示每个类别在同一维度下的独立数值，便于比较各类别的大小。
选择堆叠图：如果我们想要了解每个类别在总量中的贡献度，堆叠图会更好。它展示了类别之间的层次结构，能够突出显示各部分对整体的影响。

总结：分组图侧重“比较各类别”，而堆叠图侧重“展示构成”，选择合适的图表能够让你的数据展示更加精准和有说服力。

四、百分比对比与堆叠柱状图的结合

在一些情况下，我们希望将堆叠图转化为百分比对比，这样能够让数据更加直观地展示各部分在整体中的占比。例如，展示每个季度中不同产品的市场占有率。通过将每个柱子的总高度归一化为100%，我们可以更加直观地看到各个类别的比例。

product_a_percent = np.array(product_a) / np.sum([product_a, product_b, product_c], axis=0) * 100
product_b_percent = np.array(product_b) / np.sum([product_a, product_b, product_c], axis=0) * 100
product_c_percent = np.array(product_c) / np.sum([product_a, product_b, product_c], axis=0) * 100plt.bar(index, product_a_percent, bar_width, label='Product A')
plt.bar(index, product_b_percent, bar_width, bottom=product_a_percent, label='Product B')
plt.bar(index, product_c_percent, bar_width, bottom=product_a_percent + product_b_percent, label='Product C')plt.xlabel('Quarters')
plt.ylabel('Percentage (%)')
plt.title('Quarterly Sales Composition (Percentage)')
plt.xticks(index, quarters)
plt.legend()plt.show()