Summary  
This chapter covers how to create and customize bar charts using a plotting library’s bar function by mapping categorical labels to numerical heights and adjusting properties like color and width.

General domain of usage  
Data visualization

Un **diagramme en barres**, également appelé **graphique en barres**, est une représentation visuelle où les données catégorielles sont affichées à l'aide de barres rectangulaires. La hauteur ou la longueur de ces barres est directement proportionnelle aux valeurs qu'elles représentent.

import matplotlib.pyplot as plt
programming_languages = ['Java', 'Python', 'C#', 'C++']
shares = [30, 40, 17, 13]
# Creating a bar chart with separate colors for each bar
plt.bar(programming_languages, shares, color=['blue', 'green', 'red', 'yellow'])
plt.show()

## Paramètres du diagramme en barres

Pour créer un diagramme en barres, la fonction `bar()` de `pyplot` nécessite deux arguments principaux :

* une liste d'étiquettes pour l'**axe des x** ;
* et les **hauteurs** correspondantes des barres.

Il est possible de personnaliser le graphique à l'aide de paramètres optionnels tels que :

* `color` — définit la ou les couleurs des barres (par défaut bleu) ;
* `width` — définit la largeur des barres (par défaut `0.8`). Il peut s'agir d'un seul nombre ou d'une liste de valeurs pour chaque barre individuelle.


import matplotlib.pyplot as plt
programming_languages = ['Python', 'Java', 'C#', 'C++']
shares = [40, 30, 17, 13]
# Specify the bars colors and widths
plt.bar(programming_languages, shares, color=['blue', 'green', 'red', 'yellow'], width=[0.9, 0.7, 0.5, 0.3])
plt.show()

Le graphique illustre une diminution régulière de la largeur des barres de gauche à droite, conformément aux valeurs spécifiées.

Comme pour les autres graphiques, il est toujours possible de consulter la <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> documentation</a> pour un accès rapide à la syntaxe de la fonction `bar()` et à tous ses paramètres.

Définition

import unittest
import ast

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 TestUserCode(unittest.TestCase):
    def setUp(self):
        with open("user_code.py", "r") as f:
            self.tree = ast.parse(f.read())

    def test_bar_function_used(self):
        """Check if the bar() function is used from plt."""
        found = any(
            isinstance(node, ast.Call) and
            isinstance(node.func, ast.Attribute) and
            node.func.attr == "bar"
            for node in ast.walk(self.tree)
        )
        _dynamic_test(
            self,
            found,
            "Bar chart function used correctly",
            "Expected the bar() function to be used"
        )

    def test_arguments_passed_correctly(self):
        """Check if countries and gdp_list are passed in the correct order."""
        for node in ast.walk(self.tree):
            if isinstance(node, ast.Call) and isinstance(node.func, ast.Attribute) and node.func.attr == "bar":
                args = node.args
                if len(args) >= 2:
                    is_valid = (
                        isinstance(args[0], ast.Name) and args[0].id == "countries" and
                        isinstance(args[1], ast.Name) and args[1].id == "gdp_list"
                    )
                    _dynamic_test(
                        self,
                        is_valid,
                        "Arguments passed in correct order",
                        "Expected countries and gdp_list as first two arguments to bar()"
                    )
                    return
        _dynamic_test(
            self,
            False,
            "",
            "No valid bar() call with expected arguments found"
        )

    def test_width_keyword_argument(self):
        """Check if width keyword is used with specific values."""
        expected_widths = [0.6, 0.45, 0.9, 0.2]
        for node in ast.walk(self.tree):
            if isinstance(node, ast.Call) and isinstance(node.func, ast.Attribute) and node.func.attr == "bar":
                for kw in node.keywords:
                    if kw.arg == "width" and isinstance(kw.value, ast.List):
                        widths = [elt.n for elt in kw.value.elts if isinstance(elt, ast.Constant)]
                        is_correct = widths == expected_widths
                        _dynamic_test(
                            self,
                            is_correct,
                            "Width values used correctly",
                            f"Expected width={expected_widths}, but got {widths}"
                        )
                        return
        _dynamic_test(
            self,
            False,
            "",
            "Expected keyword argument width with specific values not found"
        )

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


test_bar_chart.py

Les données sont omniprésentes autour de nous, et leur interprétation est essentielle. La visualisation permet d’analyser les données en identifiant certains motifs et informations clés. Vous acquerrez des bases solides en visualisation de données avec Python et ses bibliothèques, telles que matplotlib et seaborn, afin d’extraire un maximum d’informations de manière claire et concise.

Découvrez les principes fondamentaux de la visualisation de données avec Matplotlib. Comprenez ses concepts clés, explorez ses avantages et réalisez un premier graphique simple à l'aide de cette bibliothèque de visualisation essentielle.

Maîtriser la visualisation des données à travers les types de graphiques les plus populaires. Apprendre à construire des graphiques linéaires, de dispersion et à barres pour communiquer clairement les informations issues des données.

Apprenez à rendre vos graphiques plus informatifs et attrayants visuellement. Ajoutez des titres, des légendes, des couleurs et des grilles, et découvrez comment organiser efficacement plusieurs sous-graphiques.

Explorer des visualisations statistiques permettant d’analyser les distributions et les tendances des données. Créer des histogrammes, des boîtes à moustaches et des diagrammes circulaires pour révéler des informations statistiques approfondies.

Améliorez vos compétences en visualisation avec Seaborn. Créez des graphiques avancés tels que les countplots, KDE, pair plots et heatmaps tout en maîtrisant le style élégant et les options de personnalisation de Seaborn.

Diagramme en Barres

Paramètres du diagramme en barres

Solution