La librairie Matplotlib de Python propose l’histogramme. Il est possible d’en créer un avec la méthode « hist() ». Il ne faut pas le confondre avec le diagramme qui se créé avec la méthode « bar() ». La différence entre l’histogramme et le diagramme est que le diagramme est adapté à l’analyse de données catégorielle ou nominale alors que l’histogramme est adapté aux données continues.
Nous allons voir dans cet article comment on construit un histogramme groupé ou empilé.
Voici le DataFrame que nous allons utiliser :
Pour commencer nous allons construire un histogramme simple :
Nous avons créé une variable « x » qui contient la liste des produits vendus.
Nous avons créé la figure et le subplot pour positionner notre visuel.
Enfin nous avons créé notre histogramme avec la méthode « hist ». La méthode prend plusieurs paramètres : notre variable « x » qui contient les données, la couleur des barres de l’histogramme, la couleur du contour des barres et la largeur des barres.
Les barres histogrammes montrent le nombre de produits vendus.
Maintenant, nous allons créer l’histogramme groupé.
Nous avons maintenant deux variables :
« x1 » qui contient la liste des produits vendus en France et « x2 » la liste des produits vendus en Belgique.
On retrouve les deux méthodes « figure » et « subplot ».
Pour la construction des barres d’histogramme nous avons réuni entre crochets les variable « x1 » et « x2 » avec les paramètrages correspondants. Cette méthode permet de grouper efficacement les données.
Maintenant, nous allons créer l’histogramme empilé.
Nous avons ici conservé les mêmes valeurs pour les variables « x1 » et « x2 » que dans le précédent histogramme.
On retrouve les deux méthodes « figure » et « subplot ».
Pour la construction des barres d’histogramme nous avons réuni entre crochets les variable « x1 » et « x2 » avec les paramètrages correspondants. Puis on constate le paramètre supplémentaire « histtype=’barstacked’ » qui a pour but d’empiler les barres d’histogramme.
Les visuels Matplotlib et leurs paramétrages sont largement approfondie durant nos formations. N’hésitez pas à consulter nous contacter pour une formation Python data science.
Vous trouverez également notre article sur les diagrammes.
Comments