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 stolpediagrammer** muliggjør sammenligning av flere kategorier innenfor hver gruppe på x-aksen. For eksempel, i stedet for å vise kun det totale BNP for hvert land, kan de illustrere bidraget fra individuelle økonomiske sektorer til totalen.


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 å lage stablede stolper kalles `bar()`-funksjonen flere ganger—én gang for hver sektor. I hvert kall brukes den samme `countries`-listen for x-aksen, og `bottom`-parameteren sørger for at hvert nytt segment stables oppå det forrige.

Parameteren `bottom` angir y-koordinatene til bunnen av søylene. 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>-dokumentasjonen</a>.

Les mer

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 finnes overalt rundt oss, og det er svært viktig å forstå det. Visualisering hjelper deg med å håndtere data ved å finne bestemte mønstre og innsikter. Du vil utvikle et solid grunnlag i datavisualisering ved bruk av Python og dets biblioteker, som matplotlib og seaborn, for å hente ut mest mulig informasjon fra data på en ryddig og konsis måte.

Først vil vi diskutere plotteapplikasjoner, Matplotlib-biblioteket og dets fordeler. Deretter vil du lage ditt første enkle plot ved hjelp av Matplotlib.

Nå er du klar til å lage ulike diagrammer som ofte brukes i praksis. Uten videre introduksjon, la oss gå rett i gang!

Plotting og visualisering handler ikke bare om å lage et diagram eller flere diagrammer, det handler også om å gjøre dem tydelige, forståelige og behagelige å se på. Nå er det på tide å lære tilpasning av diagrammer i matplotlib.

Statistikk er essensielt når man arbeider med data, og det er derfor svært viktig å kunne lage ulike statistiske diagrammer. Nå skal vi utforske de mest vanlige typene.

Seaborn er et annet kraftig visualiseringsbibliotek i Python, bygget på toppen av matplotlib. Nå som du er kjent med matplotlib, er det på tide å utforske visualisering med seaborn.

Stablede Stolpediagrammer

Løsning

Awesome!

Stablede Stolpediagrammer

Løsning

Awesome!