一、背景
在最近的实验中需要使用到bar图用于数据的直观展示，这里记录一下内容。首先个人觉得虽然seaborn等工具会对这些工具进行二次封装，又时候使用起来是比较简洁，但是在做细节的设计没有这种原生的程序好，就像pip和conda、kersa和TensorFlow一样。
二、基础用法
bar图就是一个柱状图，需要引入的工具包如下
import matplotlib.pyplot as plt
引入工具包后，就可以开始创建画板、绘图、以及优化结果。
2.1 基础概念
下面介绍一些基础概念方便理解绘图过程。
- 刻度：用于标记数据的单位长度。
- 坐标：用于呈现图的位置，包括横坐标、纵坐标，如果是三维的话就是x，y，z这三个轴。
- 坐标轴：用于表示数据的含义。
- 宽度：用于衡量数据展示的大小。
- label：用于描述坐标轴的含义。
上面的内容是最基本的概念，在画图中会遇到的问题：
1. 刻度 != 坐标：在画图的时候，很多代码写的时候刻度就是数据坐标，其实不然，这样的图调整起细节来很麻烦，因此画图的
时候，最好将刻度和坐标的设置分离。坐标就是数据的点，与刻度无关。这样就可以调整出不同刻度下的图片。
2. 宽度：宽度是数据的大小，有些作者画的分布图很好看，其实就是用width+数据量实现，通过紧密的数据+无限小的width就
可以实现这种图。如果无法实现，第一个是宽度太大，另一个是数据不够紧密，很分散。
3. 坐标轴：坐标轴一般会遇到的问题包括：
1. 设置范围，比如数据都是0.9+就没必要从0开始。
2. 需要科学技术法，以为数据过大的时候，科学技术法占位少。
4. label != 坐标轴：在实际过程中需要新的指定轴的label。
2.2 实现例子
官网给的例子
import matplotlib.pyplot as plt
import numpy as np
labels = ['G1', 'G2', 'G3', 'G4', 'G5']
men_means = [20, 34, 30, 35, 27]
women_means = [25, 32, 34, 20, 25]
x = np.arange(len(labels)) # the label locations
width = 0.35 # the width of the bars
fig, ax = plt.subplots()
rects1 = ax.bar(x - width/2, men_means, width, label='Men')
rects2 = ax.bar(x + width/2, women_means, width, label='Women')
rects3 = ax.bar(x + width / 2, women_means, width, label='after-adv', hatch="--", color="Silver", ec="black")
# Add some text for labels, title and custom x-axis tick labels, etc.
ax.set_ylabel('Scores')
ax.set_title('Scores by group and gender')
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.legend()
ax.bar_label(rects1, padding=3)
ax.bar_label(rects2, padding=3)
fig.tight_layout()
plt.show()
这个关键的地方是多个bar并排在一起的问题。bar图绘制的过程如下：
选取width的中点作为刻度的中心，在左右绘制，因此绘制的结果就是刻度的中心作为数据的中心位置，左右两边都是半个width
因此如果需要绘制多个图时，另一个的图的坐标位置相对于刻度是1个width的宽度。
举例：
三、技巧
3.1 其余参数设计
可以设置的参数很多，可以查看官网的源码查看
plt.xlim(0, 0.6) # 控制左边显示，y和x对应ylim和xlim
# 科学计数法，需要scilimits的参数才可以实现，axis=('x', 'y')
plt.ticklabel_format(style='sci', axis='y', scilimits=(0, 0))
bar(hatch="||||") # 其中hatch多写个会加重图形的展示。
3.2 参数获取
可以通过matplotlib输入参数名称，获取所有的参数,比如条形图中的marker,bar中的hatch等。
