# seaborn.countplot > 译者：[Stuming](https://github.com/Stuming) ```py seaborn.countplot(x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs) ``` seaborn.countplot 使用条形图显示每个类别中观测值的数量。 这个函数可以被认为是针对类别变量的直方图。基本的 API 和选项与[`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot")完全相同，因此可以对比学习。 可以通过多种格式传入数据，包括： * 通过列表、numpy 数组、或者 pandas Series 对象表示的向量数据，数据直接传给`x`, `y`, 和/或`hue`参数。 * 长格式的 DataFrame，此时会通过`x`, `y`以及`hue`变量决定如何绘制数据。 * 宽格式的 DataFrame，此时每个数值型的 column 都会被绘制。 * 数组或者列表形式的向量 在绝大多数情况下，数据格式都可以使用 numpy 或者 Python 对象，但是推荐使用 pandas 对象，因为 pandas 对象中相关的名称会被用于注释坐标轴。此外，可以通过设置分组变量为使用 Categorical 类型来控制绘制元素的顺序。 这个函数总会将变量作为类别变量进行处理，按顺序(0, 1, ... n)在相应坐标轴绘制数据，即使数据为数值或者日期类型。 更多信息参考[tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial). 参数：`x, y, hue`: `data`或者向量数据中的变量名，可选 > 用于绘制长格式数据的输入。查看解释示例 `data`：DataFrame, 数组，或者包含数组的列表，可选 > 用于绘制的数据集。如果`x`和`y`不存在，那么会将数据按宽格式进行处理，否则应当为长格式。 `order, hue_order`：包含字符串的列表，可选 > 类别层级绘制的顺序，否则层级会从数据对象中推测。 `orient`: “v” | “h”, 可选 > 绘制的朝向（竖直或者水平）。通过从输入变量的 dtype 进行推断。当类别变量是数值型或者绘制宽格式数据时，可以进行指定。 `color`: matplotlib 颜色，可选 > 所有元素的颜色，或者渐变调色盘的种子。 `palette`: 调色盘名称，列表或字典，可选 > 用于`hue`变量的不同级别的颜色。应当是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解释的东西，或者将色调级别映射到 matplotlib 颜色的字典。 `saturation`: float, 可选 > 在原有饱和度的比例下绘制颜色。大片的图块通常在略微不饱和的颜色下看起来更好，而如果想要绘制的颜色与输入颜色规格完全匹配，应当设置此值为`1`。 `dodge`: bool, 可选 > 当使用色调嵌套时，决定是否沿着类别轴对元素进行移位。 `ax`: matplotlib 轴，可选 > 绘制图像的轴对象，不指定时使用当前轴。 `kwargs`: 键值映射 > 其他关键字参数会被传递给`plt.bar`. 返回值：`ax`: matplotlib 轴 > 返回带有绘图的轴对象。 另请参阅 [`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot"): 使用条形图显示点估计和置信区间。 [`factorplot()`](seaborn.factorplot.html#seaborn.factorplot "seaborn.factorplot"): 结合类别图与`FacetGrid`类。 示例 显示单个类别变量的计数值： ```py >>> import seaborn as sns >>> sns.set(style="darkgrid") >>> titanic = sns.load_dataset("titanic") >>> ax = sns.countplot(x="class", data=titanic) ```  显示两个类别变量的计数值： ```py >>> ax = sns.countplot(x="class", hue="who", data=titanic) ```  水平绘制条形图： ```py >>> ax = sns.countplot(y="class", hue="who", data=titanic) ```  使用不同的颜色色盘： ```py >>> ax = sns.countplot(x="who", data=titanic, palette="Set3") ```  使用`plt.bar`的关键字参数获得不同的显示效果： ```py >>> ax = sns.countplot(x="who", data=titanic, ... facecolor=(0, 0, 0, 0), ... linewidth=5, ... edgecolor=sns.color_palette("dark", 3)) ```  使用[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")实现结合[`countplot()`](#seaborn.countplot "seaborn.countplot")以及[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的效果。这样做可以在额外的类别变量中进行分组。使用[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")比直接使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")更加安全，因为这样做可以确保跨分面的变量顺序同步： ```py >>> g = sns.catplot(x="class", hue="who", col="survived", ... data=titanic, kind="count", ... height=4, aspect=.7); ```