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

**Gestapelte Balkendiagramme** ermöglichen den Vergleich mehrerer Kategorien innerhalb jeder Gruppe auf der x-Achse. Anstatt beispielsweise nur das gesamte BIP jedes Landes darzustellen, können sie den Beitrag einzelner Wirtschaftssektoren zum Gesamtwert veranschaulichen.


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()

Um gestapelte Balken zu erstellen, wird die Funktion `bar()` mehrfach aufgerufen – jeweils einmal für jeden Sektor. Bei jedem Aufruf wird dieselbe `countries`-Liste für die x-Achse verwendet, und der Parameter `bottom` sorgt dafür, dass jedes neue Segment auf dem vorherigen gestapelt wird.

Der Parameter `bottom` gibt die y-Koordinate(n) der Unterseite(n) der Balken an. Hier ist die <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>-Dokumentation</a>.

Mehr erfahren

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

Daten sind überall um uns herum, und ihre Interpretation ist von großer Bedeutung. Visualisierung unterstützt Sie dabei, Daten zu analysieren, indem sie bestimmte Muster und Erkenntnisse sichtbar macht. Sie erwerben ein fundiertes Verständnis der Datenvisualisierung mit Python und dessen Bibliotheken wie matplotlib und seaborn, um möglichst viele Informationen aus Daten auf übersichtliche und prägnante Weise zu gewinnen.

Entdecken Sie die Grundlagen der Datenvisualisierung mit Matplotlib. Lernen Sie die zentralen Konzepte kennen, erkunden Sie die Vorteile und erstellen Sie Ihr erstes einfaches Diagramm mit dieser grundlegenden Plot-Bibliothek.

Beherrschen Sie die Visualisierung von Daten mit den beliebtesten Diagrammtypen. Erlernen Sie die Erstellung von Linien-, Streu- und Balkendiagrammen zur klaren Vermittlung von Erkenntnissen aus Ihren Daten.

Erfahren Sie, wie Sie Ihre Diagramme informativer und ansprechender gestalten. Fügen Sie Titel, Legenden, Farben und Raster hinzu und entdecken Sie, wie Sie mehrere Teilplots effektiv anordnen.

Erkunden Sie statistische Visualisierungen, die bei der Analyse von Datenverteilungen und Mustern unterstützen. Erstellen Sie Histogramme, Boxplots und Kreisdiagramme, um tiefere statistische Einblicke zu gewinnen.

Verbessern Sie Ihre Visualisierungsfähigkeiten mit Seaborn. Erstellen Sie fortgeschrittene Diagramme wie Countplots, KDEs, Pair Plots und Heatmaps und beherrschen Sie Seaborns eleganten Stil sowie Anpassungsoptionen.

Gestapelte Balkendiagramme

Lösung

Awesome!

Gestapelte Balkendiagramme

Lösung