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

**Staplade stapeldiagram** möjliggör jämförelse av flera kategorier inom varje grupp på x-axeln. Till exempel, istället för att endast visa det totala BNP för varje land, kan de illustrera bidraget från enskilda ekonomiska sektorer till 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()

För att skapa staplade staplar anropas funktionen `bar()` flera gånger—en gång för varje sektor. Vid varje anrop används samma lista `countries` för x-axeln, och parametern `bottom` säkerställer att varje nytt segment staplas ovanpå det föregående.

Parametern `bottom` anger y-koordinaten för undersidan av staplarna. Här är <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>.

Läs 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 finns överallt omkring oss, och att förstå den är oerhört viktigt. Visualisering hjälper dig att hantera data genom att identifiera vissa mönster och insikter. Du kommer att utveckla en gedigen grund inom datavisualisering med Python och dess bibliotek, såsom matplotlib och seaborn, för att få ut så mycket information som möjligt ur data på ett tydligt och koncist sätt.

Först kommer vi att diskutera plottingsapplikationer, Matplotlib-biblioteket och dess fördelar. Därefter kommer du att skapa din första enkla plot med Matplotlib.

Nu är du redo att skapa olika diagram som ofta används i praktiken. Utan vidare dröjsmål, låt oss börja direkt!

Att skapa diagram och visualiseringar handlar inte bara om att generera ett eller flera diagram, utan även om att göra dem tydliga, begripliga och estetiskt tilltalande. Dags att lära sig anpassning av diagram i matplotlib.

Statistik är avgörande vid arbete med data, därför är det mycket viktigt att kunna skapa olika statistiska diagram. Nu är det dags att utforska de vanligaste av dem.

Seaborn är ett annat kraftfullt visualiseringsbibliotek i Python som är byggt ovanpå matplotlib. Nu när du är bekant med matplotlib är det dags att fördjupa sig i visualisering med seaborn.

Staplade Stapeldiagram

Lösning

Awesome!

Staplade Stapeldiagram

Lösning

Awesome!