Graphiques en barres et histogrammes
Visualisez les effectifs catégoriels avec ax.bar() et les distributions de données avec ax.hist(), en ajustant le nombre d’intervalles et la couleur des bordures.
Graphiques en barres et histogrammes est une leçon Pandas & NumPy Academy gratuite sur CoddyKit. Ceci est la leçon 3 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Pandas & NumPy Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Bar Charts and Histograms
Bar charts display categorical data: one bar per category, with bar height proportional to a value. They answer 'how much does each category have?'. Histograms display the distribution of a continuous numeric variable: the data is binned into intervals and bar height shows the count or frequency in each bin. They answer 'how are these values distributed?'. Both use ax.bar() and ax.hist() respectively.
ax.bar() for Vertical Bar Charts
ax.bar(x, height) draws a vertical bar chart where x is a sequence of category positions (or labels) and height is the bar value. Key parameters: width (default 0.8, controls bar width relative to the gap), color, edgecolor, and align ('center' or 'edge'). Returns a list of Rectangle artist objects.
import matplotlib.pyplot as plt
import numpy as np
categories = ['East', 'West', 'North', 'South']
values = [420, 380, 310, 290]
fig, ax = plt.subplots(figsize=(7, 4))
ax.bar(categories, values, color='steelblue', edgecolor='white', width=0.6)
ax.set_title('Regional Revenue')
ax.set_xlabel('Region')
ax.set_ylabel('Revenue (USD)')
# plt.show()
plt.close()Customising Bar Appearance
A few customisations make bar charts significantly more readable: use a single accent colour for all bars (or an array of colours for per-bar distinction), add value labels above each bar with ax.bar_label(), control bar width to leave breathing room, and set ax.set_ylim(0, max * 1.15) to give labels space above the tallest bar.
fig, ax = plt.subplots(figsize=(7, 4))
bars = ax.bar(categories, values, color='steelblue', edgecolor='white', width=0.6)
# Add value labels above bars
ax.bar_label(bars, fmt='%d', padding=3, fontsize=10)
# Give space above bars for labels
ax.set_ylim(0, max(values) * 1.15)
ax.set_title('Regional Revenue')
plt.tight_layout()
plt.close()Horizontal Bar Charts with ax.barh()
Use ax.barh(y, width) for horizontal bar charts. Horizontal bars are preferred when category labels are long (they read left-to-right naturally) or when there are many categories (they stack more compactly). All the same customisation parameters apply: height controls the bar thickness, and ax.barh_label() (or ax.bar_label()) adds text labels.
import pandas as pd
df = pd.DataFrame({'region': categories, 'revenue': values})
df_sorted = df.sort_values('revenue')
fig, ax = plt.subplots(figsize=(7, 4))
ax.barh(df_sorted['region'], df_sorted['revenue'],
color='steelblue', edgecolor='white', height=0.5)
ax.set_title('Revenue by Region (Sorted)')
ax.set_xlabel('Revenue (USD)')
plt.tight_layout()
plt.close()Grouped Bar Charts
To compare multiple groups side by side, create a grouped bar chart by offsetting bar positions manually. Calculate the centre positions for each group, then subtract or add a fixed offset for each sub-group. The total bar width plus the inter-group gap must equal 1.0 to keep bars non-overlapping. Setting ax.set_xticks() centres the tick labels between the grouped bars.
products = ['A', 'B', 'C']
q1 = [80, 120, 95]
q2 = [90, 110, 105]
x = np.arange(len(products))
width = 0.35
fig, ax = plt.subplots(figsize=(7, 4))
ax.bar(x - width/2, q1, width, label='Q1', color='steelblue')
ax.bar(x + width/2, q2, width, label='Q2', color='coral')
ax.set_xticks(x)
ax.set_xticklabels(products)
ax.legend()
ax.set_title('Q1 vs Q2 Sales by Product')
plt.close()Stacked Bar Charts
Stacked bars show the composition of a total across multiple sub-groups. The second group's bars start where the first group's bars end, using the bottom parameter. Each subsequent layer's bottom is the cumulative sum of all previous layers. Stacked bars are useful for showing both the total and the contribution of each component simultaneously.
q1_arr = np.array(q1)
q2_arr = np.array(q2)
fig, ax = plt.subplots(figsize=(7, 4))
ax.bar(products, q1_arr, label='Q1', color='steelblue')
ax.bar(products, q2_arr, bottom=q1_arr, label='Q2', color='coral')
ax.legend()
ax.set_title('Stacked Q1 + Q2 Sales by Product')
ax.set_ylabel('Total Sales')
plt.close()ax.hist() for Histograms
ax.hist(data, bins) creates a histogram. The bins parameter controls how many equally-spaced intervals the data is divided into (default 10). You can also pass a list of bin edges for unequal intervals. Key parameters: density=True normalises the histogram to a probability density, edgecolor adds borders between bars, and color and alpha control appearance.
np.random.seed(42)
data = np.random.randn(500) # 500 samples from standard normal
fig, ax = plt.subplots(figsize=(7, 4))
ax.hist(data, bins=30, color='steelblue', edgecolor='white', alpha=0.7)
ax.set_title('Distribution of Values')
ax.set_xlabel('Value')
ax.set_ylabel('Count')
plt.close()Choosing the Number of Bins
The number of bins greatly affects how a histogram looks. Too few bins hide structure; too many bins create noisy spikes. Common heuristics: Sturges rule (≈ log2(n) + 1), Scott rule, or Freedman-Diaconis. Matplotlib supports these as strings: bins='auto', bins='scott', bins='fd'. For exploratory analysis, try a few values manually; for presentations, pick the bin count that best communicates the shape.
fig, axes = plt.subplots(1, 3, figsize=(12, 4))
for ax, b in zip(axes, [5, 30, 'auto']):
ax.hist(data, bins=b, edgecolor='white', color='steelblue', alpha=0.7)
ax.set_title(f'bins={b}')
ax.set_xlabel('Value')
plt.tight_layout()
plt.close()Overlapping Histograms for Comparison
To compare two distributions on the same axes, call ax.hist() twice with different data and colours. Use alpha=0.5 for both so the overlap is visible. Add labels and call ax.legend(). Using density=True normalises both histograms to the same scale when the sample sizes differ, making the shapes directly comparable.
group_a = np.random.randn(300)
group_b = np.random.randn(300) + 1.5 # shifted right
fig, ax = plt.subplots(figsize=(7, 4))
ax.hist(group_a, bins=25, alpha=0.5, color='steelblue', label='Group A', density=True)
ax.hist(group_b, bins=25, alpha=0.5, color='coral', label='Group B', density=True)
ax.legend()
ax.set_title('Distribution Comparison')
plt.close()Plotting Pandas Series and DataFrames
Both .plot.bar() and .plot.hist() are available as DataFrame/Series methods and produce Matplotlib figures automatically. They accept an ax parameter to draw on an existing Axes. This is the quickest way to create bar charts from grouped Pandas data: compute the groupby aggregation, call .plot.bar() on the result, then customise the returned Axes.
import pandas as pd
import numpy as np
df_sales = pd.DataFrame({
'region': ['East', 'West', 'North', 'South'],
'revenue': [420, 380, 310, 290]
}).set_index('region')
fig, ax = plt.subplots(figsize=(7, 4))
df_sales['revenue'].plot.bar(ax=ax, color='steelblue', rot=0)
ax.set_title('Revenue by Region')
plt.tight_layout()
plt.close()Choosing Bar vs Histogram
The choice between a bar chart and a histogram depends on your data type. Use a bar chart when your x-axis represents distinct, unordered categories (product names, regions, user segments) where the bars represent aggregated values for each category. Use a histogram when your x-axis is a continuous numeric variable and you want to show how values are distributed across a range. Mixing them up is a common visualisation error that misleads readers about data type.
# Bar chart: categorical x-axis (product names)
products = ['Widget', 'Gadget', 'Doohickey']
revenue = [500, 300, 200]
fig, ax = plt.subplots(figsize=(5, 3))
ax.bar(products, revenue, color='steelblue')
ax.set_title('Revenue per Product (Bar Chart)')
plt.close()
# Histogram: continuous x-axis (order sizes)
order_sizes = np.random.exponential(scale=50, size=300)
fig, ax = plt.subplots(figsize=(5, 3))
ax.hist(order_sizes, bins=20, color='coral', edgecolor='white')
ax.set_title('Distribution of Order Sizes (Histogram)')
plt.close()Quick Check
Test your understanding of bar charts and histograms from this lesson.
Lesson Recap
In this lesson you learned: ax.bar() creates vertical bar charts and ax.barh() creates horizontal bar charts; bottom enables stacked bars; ax.hist() creates histograms with bin count controlled by bins; and density=True normalises histograms for fair comparison. Next up we add axis labels, titles, and save publication-quality figures.
Questions Fréquemment Posées
La leçon « Graphiques en barres et histogrammes » est-elle gratuite ?
Oui — le texte complet de « Graphiques en barres et histogrammes » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Pandas & NumPy Academy, passe à CoddyKit PRO. Le cours Pandas & NumPy Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Graphiques en barres et histogrammes » ?
Visualisez les effectifs catégoriels avec ax.bar() et les distributions de données avec ax.hist(), en ajustant le nombre d’intervalles et la couleur des bordures. Tu pratiques Pandas & NumPy Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Pandas & NumPy Academy ?
Aucune expérience préalable n'est requise. Pandas & NumPy Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 3 sur 4.
Combien de temps prend la leçon « Graphiques en barres et histogrammes » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Pandas & NumPy Academy ?
Oui. Chaque leçon Pandas & NumPy Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Architecture des figures et des axes
- Graphiques linéaires et nuages de points
- Graphiques en barres et histogrammes
- Libellés, titres et enregistrement des figures