# seaborn.barplot > 译者：[melon-bun](https://github.com/melon-bun) ```py seaborn.barplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, estimator=<function mean>, ci=95, n_boot=1000, units=None, orient=None, color=None, palette=None, saturation=0.75, errcolor='.26', errwidth=None, capsize=None, dodge=True, ax=None, **kwargs) ``` 条形图以矩形条的方式展示数据的点估值和置信区间 条形图用每个矩形的高度来表示数值变量的集中趋势的估计值，并提供误差条来显示估计值得不确定度。条形图的纵轴是从零开始的，这对于 0 值是有意义的情况是非常好的。 对于数据集中的 0 值没有实际意义的情况，散点图可以让您专注于一个或多个分类变量之间的差异。 要注意的是，条形图只显示平均值（或者其他的估计值），但是在大部分情况下，展示数值在不同分类变量上的分布会更有用。如果要表示出数据的分布，用箱型图或者小提琴图会更恰当。 输入数据的格式可以不同，包括： * 以列表，numpy array 或者 pandas 中的 Series object 表示的向量。这些向量可以直接传入 `x`, `y`, 以及 `hue` 参数。 * 长表, x 值，y 值和色相变量决定了数据是如何绘制的。 * 宽表，每个列的数值都会被绘制出来. * 数组或者列表的向量。 大多数情况下，您可以使用 numpy 的对象或者 python 的对象，但是用 pandas 对象更好，因为相关的列名会被标注在图标上。 另外，为了控制绘图元素 您也可以可以用分类类型来组合不同的变量。 这个函数始终把一个变量当做分类变量，即使这个数据是数值类型或者日期类型，并且按照序数顺序绘制在相关的轴上。 详情请看[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。 参数：`x, y, hue`：`data` 中的变量名词或者向量, optional > 用于绘制 long-form 数据的变量名称. `data`：DataFrame, 数组, 数组列表, optional > 用于绘图的数据集。如果数据集有 x 和 y，数据集会被认为是 long-form，否则会被认为是 wide-form。 `order, hue_order`：字符串列表, optional > 绘制类别变量的顺序，如果没有，则从数据对象中推断绘图顺序。 `estimator`：映射向量 -&gt; 标量, optional > 统计函数用于估计每个分类纸条中的值。. `ci`：float or “sd” or None, optional > 估计值周围的置信区间大小。如果输入的是 “sd”（标准差），会跳过 bootstrapping 的过程，只绘制数据的标准差。 如果输入是的是`None`, 不会执行 botstrapping，而且错误条也不会绘制。 `n_boot`：int, optional > 计算置信区间需要的 Boostrap 迭代次数。 `units`：name of variable in `data` or vector data, optional > 采样单元的标识符，用于执行多级 bootstrap 并解释重复测量设计。 `orient`：“v” &#124; “h”, optional > 绘图的方向（垂直或水平）。这通常是从输入变量的数据类型推断出来的，但是可以用来指定“分类”变量是数字还是宽格式数据。 `color`：matplotlib color, optional > 作用于所有元素的颜色，或者渐变色的种子。 `palette`：palette name, list, or dict, optional > 不同级别的 `hue` 变量的颜色。 颜色要能被 [`color_palette()`]解释(seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 或者一个能映射到 matplotlib 颜色的字典。 `saturation`：float, optional > Proportion of the original saturation to draw colors at. Large patches often look better with slightly desaturated colors, but set this to `1` if you want the plot colors to perfectly match the input color spec. `errcolor`：matplotlib color > 表示置信区间的线的颜色。 `errwidth`：float, optional > 误差条的线的厚度。 `capsize`：float, optional > 误差条端部的宽度。 **dodge** : 布尔型, optional > When hue nesting is used, whether elements should be shifted along the categorical axis. `ax`：matplotlib Axes, optional > 指定一个 Axes 用于绘图，如果不指定，则使用当前的 Axes。 `kwargs`：key, value mappings > 其他的关键词参数在绘图时通过 `plt.bar` 传入。 返回值：`ax`：matplotlib Axes > 返回有图表绘制的 Axes 对象。 See also 显示每个分类 bin 中的观察计数。使用散点图图示符显示点估计和置信区间。将分类图与类相结合:<cite>FacetGrid</cite>. Examples 绘制一组按类别变量分组的垂直条形图： ```py >>> import seaborn as sns >>> sns.set(style="whitegrid") >>> tips = sns.load_dataset("tips") >>> ax = sns.barplot(x="day", y="total_bill", data=tips) ```  绘制一组由两个变量嵌套分组的垂直条形图： ```py >>> ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips) ```  绘制一组水平条形图： ```py >>> ax = sns.barplot(x="tip", y="day", data=tips) ```  通过传入一个显式的顺序来控制条柱的顺序： ```py >>> ax = sns.barplot(x="time", y="tip", data=tips, ... order=["Dinner", "Lunch"]) ```  用中值来评估数据的集中趋势： ```py >>> from numpy import median >>> ax = sns.barplot(x="day", y="tip", data=tips, estimator=median) ```  用误差条显示平均值的标准误差： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, ci=68) ```  展示数据的标准差： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, ci="sd") ```  给误差条增加“端点”： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, capsize=.2) ```  使用一个不同的调色盘来绘制图案： ```py >>> ax = sns.barplot("size", y="total_bill", data=tips, ... palette="Blues_d") ```  在不改变条柱的位置或者宽度的前提下，使用 `hue` : ```py >>> tips["weekend"] = tips["day"].isin(["Sat", "Sun"]) >>> ax = sns.barplot(x="day", y="total_bill", hue="weekend", ... data=tips, dodge=False) ```  用同一种颜色绘制所有条柱： ```py >>> ax = sns.barplot("size", y="total_bill", data=tips, ... color="salmon", saturation=.5) ```  用 `plt.bar` 关键字参数进一步改变图表的样式： ```py >>> ax = sns.barplot("day", "total_bill", data=tips, ... linewidth=2.5, facecolor=(1, 1, 1, 0), ... errcolor=".2", edgecolor=".2") ```  使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 来结合 [`barplot()`](#seaborn.barplot "seaborn.barplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid"). 这允许数据根据额外的类别变量分组。使用 [`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot") 比直接使用 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid") 更安全, 因为它可以确保变量在不同的 facet 之间保持同步: ```py >>> g = sns.catplot(x="sex", y="total_bill", ... hue="smoker", col="time", ... data=tips, kind="bar", ... height=4, aspect=.7); ```