Summary
Demonstrates how to create stacked bar charts by calling the bar() function multiple times with a bottom parameter to layer data segments.

General domain of usage
Economic data analysis

**Stablede søjlediagrammer** muliggør sammenligning af flere kategorier inden for hver gruppe på x-aksen. For eksempel kan de, i stedet for kun at vise det samlede BNP for hvert land, illustrere bidraget fra de enkelte økonomiske sektorer til det samlede beløb.


import matplotlib.pyplot as plt
import numpy as np
countries = ['USA', 'China', 'Japan']
primary_sector = np.array([1.4, 4.8, 0.4])
secondary_sector = np.array([11.3, 6.2, 0.8])
tertiary_sector = np.array([14.2, 8.4, 3.2])
# Calling the bar() function multiple times for each category (sector)
plt.bar(countries, primary_sector)
plt.bar(countries, secondary_sector, bottom=primary_sector)
plt.bar(countries, tertiary_sector, bottom=primary_sector + secondary_sector)
plt.show()

For at oprette stablede søjler kaldes `bar()`-funktionen flere gange—én gang for hver sektor. Ved hvert kald anvendes den samme `countries`-liste til x-aksen, og `bottom`-parameteren sikrer, at hvert nyt segment stables oven på det foregående.

Parameteren `bottom` angiver y-koordinaten/-koordinaterne for bundsiden/-siderne af søjlerne. Her er <a href="https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.bar.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <code>bar()</code> dokumentationen</a>.

Læs Mere

import unittest
import ast
import inspect
import user_code

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestStackedBarChart(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        source = inspect.getsource(user_code)
        cls.tree = ast.parse(source)

        # Collect all plt.bar calls
        cls.bar_calls = [
            node for node in ast.walk(cls.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'bar'
        ]

    def test_bar_function_called_twice(self):
        bar_count = len(self.bar_calls)
        _dynamic_test(
            self,
            bar_count == 2,
            "Correct number of `plt.bar()` calls (2)",
            f"Expected 2 `plt.bar()` calls, but found {bar_count}"
        )

    def test_first_bar_call_uses_questions_and_yes_answers(self):
        try:
            call = self.bar_calls[0]
            args = call.args
            arg0 = getattr(args[0], 'id', None) if len(args) > 0 else None
            arg1 = getattr(args[1], 'id', None) if len(args) > 1 else None

            _dynamic_test(
                self,
                arg0 == 'questions',
                "First argument of first `plt.bar()` is `questions`",
                f"First argument of first `plt.bar()` should be `questions`, found `{arg0}`"
            )
            _dynamic_test(
                self,
                arg1 == 'yes_answers',
                "Second argument of first `plt.bar()` is `yes_answers`",
                f"Second argument of first `plt.bar()` should be `yes_answers`, found `{arg1}`"
            )

        except IndexError:
            self.fail("First `plt.bar()` call is missing.")

    def test_second_bar_call_stacked_on_first(self):
        try:
            call = self.bar_calls[1]
        except IndexError:
            self.fail("Second `plt.bar()` call is missing.")
            return

        args = call.args
        arg0 = getattr(args[0], 'id', None) if len(args) > 0 else None
        arg1 = getattr(args[1], 'id', None) if len(args) > 1 else None
        keywords = {kw.arg: kw.value for kw in call.keywords}
        bottom_val = getattr(keywords.get('bottom', None), 'id', None)

        _dynamic_test(
            self,
            arg0 == 'questions',
            "First argument of second `plt.bar()` is `questions`",
            f"First argument of second `plt.bar()` should be `questions`, found `{arg0}`"
        )
        _dynamic_test(
            self,
            arg1 == 'no_answers',
            "Second argument of second `plt.bar()` is `no_answers`",
            f"Second argument of second `plt.bar()` should be `no_answers`, found `{arg1}`"
        )
        _dynamic_test(
            self,
            'bottom' in keywords,
            "`bottom` keyword is present in second `plt.bar()`",
            "`bottom` keyword argument is missing in second `plt.bar()`"
        )
        _dynamic_test(
            self,
            bottom_val == 'yes_answers',
            "`bottom` is set to `yes_answers`",
            f"`bottom` should be set to `yes_answers`, found `{bottom_val}`"
        )

if __name__ == '__main__':
    unittest.main()


test_stacked_bar_charts.py

Data er overalt omkring os, og det er yderst vigtigt at kunne forstå det. Visualisering hjælper dig med at håndtere data ved at finde bestemte mønstre og indsigter. Du opbygger et solidt fundament inden for datavisualisering ved hjælp af Python og dets biblioteker, såsom matplotlib og seaborn, for at udtrække så meget information som muligt fra data på en overskuelig og præcis måde.

Først vil vi diskutere plot-applikationer, Matplotlib-biblioteket og dets fordele. Derefter vil du oprette dit første simple plot ved hjælp af Matplotlib.

Nu er du klar til at oprette forskellige diagrammer, der ofte anvendes i praksis. Uden yderligere forsinkelse går vi i gang med det samme!

Plotning og visualisering handler ikke kun om at skabe et plot eller flere plots, men også om at gøre dem klare, forståelige og behagelige at se på. Det er tid til at lære tilpasning af plots i matplotlib.

Statistik er afgørende i arbejdet med data, og det er derfor meget vigtigt at kende til oprettelse af forskellige statistiske diagrammer. Nu er det tid til at udforske de mest almindelige af dem.

Seaborn er et andet kraftfuldt visualiseringsbibliotek i Python, bygget oven på matplotlib. Nu hvor du er bekendt med matplotlib, er det tid til at fordybe sig i visualisering med seaborn.

Stablede Søjlediagrammer

Løsning

Awesome!

Stablede Søjlediagrammer

Løsning

Awesome!