你好！作为一名数据可视化爱好者，你是否遇到过这样的情况：你手头有两组甚至多组相关联的数据，需要将它们放在一起进行直观的对比。例如，你可能想要对比不同产品在两个季度的销售情况，或者是不同班级在两次考试中的平均分差异。虽然绘制两个独立的柱状图也是一种方法，但将它们并排展示在同一个图表中，即绘制“分组柱状图”，往往能让数据的对比更加鲜明、有力。
在这篇文章中，我们将深入探讨如何使用 Python 中最流行的可视化库 Matplotlib 来创建分组柱状图。我们将从最基础的概念出发，逐步深入到包含多个数据集的复杂示例，甚至结合 Pandas DataFrame 来处理真实世界的数据。无论你是数据分析的初学者，还是寻求最佳实践的开发者，这篇文章都将为你提供详尽的指导和实用的见解。
目录
什么是分组柱状图？
在开始写代码之前，让我们先明确一下我们要构建的目标。分组柱状图是一种柱状图，它允许我们在同一个类别（或 x 轴刻度）上并排显示多个子类别的数值。
想象一下，我们要分析五个团队在两轮比赛中的得分。如果是堆叠柱状图，柱子会叠在一起，虽然能看出总分，但很难直接比较某一轮的胜负。而分组柱状图则不同，它在“团队 A”的位置并排画两个柱子，分别代表第一轮和第二轮。这种视觉上的并排使得跨维度的数值比较变得异常轻松。通过使用 Matplotlib，我们不仅可以绘制出这样的图表，还能通过调整颜色、宽度和标签，使其符合专业的出版标准。
创建分组柱状图的核心逻辑
在 Matplotlib 中，并没有一个直接名为 grouped_bar() 的函数（不像 Excel 那样点一下就行）。创建分组柱状图的核心秘诀在于——位置偏移。
我们需要理解 Matplotlib 的坐标系统。当我们在 x 轴上画一个柱子时，它的位置是确定的。为了让两个柱子并排显示，我们需要人为地调整它们的 x 轴坐标：一个往左移一点，一个往右移一点。通常我们会配合使用 NumPy 的 arange 函数来生成一组均匀分布的索引位置，然后根据我们定义的柱子宽度来计算偏移量。
让我们通过一系列具体的例子来掌握这项技能。
示例 1：基础的双列分组柱状图
让我们从最基础的情况开始。我们将创建一个图表来比较 5 个不同类别下的两组数据。在这个例子中，我们将手动定义数据的宽度，并通过数学计算来确定柱子的具体位置。
代码实现
import matplotlib.pyplot as plt
import numpy as np
# 设置数据：创建 0 到 4 的索引，代表 5 个类别
x = np.arange(5)
# 定义两组数值
y1 = [34, 56, 12, 89, 67]
y2 = [12, 56, 78, 45, 90]
# 定义每个柱子的宽度
# 这个值非常关键，它决定了柱子的粗细以及组内的间距
width = 0.40
# 绘制第一组数据：向左偏移 0.2
# 我们使用 x - width/2 来将第一组柱子的中心对齐到刻度线的左侧
plt.bar(x - width/2, y1, width)
# 绘制第二组数据：向右偏移 0.2
# 我们使用 x + width/2 来将第二组柱子的中心对齐到刻度线的右侧
plt.bar(x + width/2, y2, width)
# 显示图表
plt.show()
代码深度解析
在这段代码中，INLINECODEf57b108a 数组（INLINECODE0ae07823）充当了我们数据的“锚点”。我们的目标是让这两个柱子以这些锚点为中心并排站立。
- 宽度计算：我们将宽度设为 INLINECODE7165a39a。这并不是随意定的。两个 INLINECODE776647d4 宽度的柱子加起来是 INLINECODEa7c2d15c，剩下的 INLINECODEb2434985 空间则自然成为了组与组之间的间隔。
- 位置偏移：为了让柱子围绕锚点 INLINECODE5dc9e53f 对称，我们不仅仅是移动柱子，而是移动它们的中心位置。因此，第一组数据放在 INLINECODEecd4410e（即锚点左侧 0.2 个单位），第二组放在
x + 0.2（即锚点右侧 0.2 个单位）。这种微小的数学调整是实现分组效果的关键所在。
示例 2：多列分组与美化（添加标签和图例）
仅仅画出柱子是不够的。在实际工作中，我们需要让图表“会说话”。接下来，我们将示例升级为 3 组数据，并添加 x 轴标签、y 轴标签、标题以及图例，使其更加专业。
场景设定
假设我们要比较 5 个团队（A, B, C, D, E）在 3 轮比赛中的得分表现。
代码实现
import matplotlib.pyplot as plt
import numpy as np
# 1. 准备数据
x = np.arange(5) # 类别的数量
y1 = [34, 56, 12, 89, 67]
y2 = [12, 56, 78, 45, 90]
y3 = [14, 23, 45, 25, 89]
# 2. 设置柱子的宽度和位置偏移
width = 0.2 # 因为有3组柱子，所以宽度要设小一点，防止重叠
# 计算每组的中心位置
# 如果我们把总宽度看作 1，那么三个柱子大约各占 0.2，间隔也是 0.2
# 这里我们让它们紧挨着：x-width, x, x+width
plt.bar(x - width, y1, width, color=‘cyan‘)
plt.bar(x, y2, width, color=‘orange‘)
plt.bar(x + width, y3, width, color=‘green‘)
# 3. 添加图表装饰元素
plt.xticks(x, [‘Team A‘, ‘Team B‘, ‘Team C‘, ‘Team D‘, ‘Team E‘])
plt.xlabel("Teams")
plt.ylabel("Scores")
plt.title("Team Performance Comparison")
# 添加图例，帮助区分颜色代表的轮次
plt.legend(["Round 1", "Round 2", "Round 3"])
plt.show()
关键点解析
在这个例子中，你会注意到我们把 INLINECODE8e92141b 调整为了 INLINECODE25ac1923。因为我们有 3 组数据（Round 1, 2, 3），如果宽度还是 0.4，它们就会重叠在一起。为了容纳 3 个柱子，我们需要更窄的宽度。
- 位置策略：我们将中间的一组（INLINECODE03f0c27c）固定在 INLINECODE87e4e8c1 的位置。第一组（INLINECODE5364a150）放在 INLINECODE13aef4a1，第三组（INLINECODE13e84067）放在 INLINECODE9eccabd8。这样，它们就紧紧地排列在一起，形成一个视觉上的“分组”。
- 可读性增强：通过
plt.xticks()，我们将默认的数字刻度（0, 1, 2…）替换为了有意义的团队名称，这是数据可视化中非常重要的一步。
示例 3：利用 Pandas DataFrame 高效绘图
在真实的数据分析场景中，我们的数据通常存储在 DataFrame 中，而不是手动的列表里。幸运的是，Pandas 集成了 Matplotlib 的功能，让我们可以直接从 DataFrame 绘制图表，这大大提高了效率。
代码实现
import matplotlib.pyplot as plt
import pandas as pd
# 创建一个包含数据的 DataFrame
# 这里模拟了 4 个团队在 4 轮比赛中的得分
data = {
‘Team‘: [‘A‘, ‘B‘, ‘C‘, ‘D‘],
‘Round 1‘: [10, 20, 12, 10],
‘Round 2‘: [20, 25, 15, 29],
‘Round 3‘: [10, 15, 19, 13],
‘Round 4‘: [30, 25, 6, 19]
}
df = pd.DataFrame(data)
# 设置 ‘Team‘ 列作为索引，或者直接指定 x 参数
df.plot(x=‘Team‘,
kind=‘bar‘, # 指定图表类型为柱状图
stacked=False, # 确保是分组柱状图，而不是堆叠柱状图
figsize=(10, 6), # 设置图表大小
title=‘Grouped Bar Graph with Pandas DataFrame‘)
plt.xlabel("Team Name")
plt.ylabel("Scores")
plt.show()
优势分析
使用 Pandas 的最大好处在于它自动处理了刻度和图例。注意代码中的 x=‘Team‘ 参数，Pandas 会自动提取该列作为 x 轴标签，并自动将数值列（Round 1-4）绘制成不同颜色的柱子，同时生成图例。这种方法非常适合数据预处理已经完成的阶段，能够快速生成可视化的初步结果。
深入理解与最佳实践
在掌握了基本的绘图方法后，让我们深入探讨一些在实际开发中可能遇到的挑战和最佳实践。
1. 位置计算的数学原理
你可能会问：“如果我有 4 组数据，我该如何计算偏移量？” 这是一个非常好的问题。让我们总结一个通用的公式。
假设你有 INLINECODE89668e5a 组数据，你可以定义一个基础宽度 INLINECODEdd62cb08。那么每两个柱子之间的间隔可以是 INLINECODE7f5928c7（假设无间隙）或者你可以设置一个 INLINECODEc02eb27b。为了简单起见，通常我们让柱子紧贴。
总偏移范围大约是 INLINECODE06ef9fe5。我们可以以 INLINECODE5f95fc87 为中心，将第 i 组柱子的位置设为：
position = x + (i - (N-1)/2) * w
例如，对于 3 组数据（i=0,1,2），中心索引是 1。那么位置分别是 INLINECODE99b2384f, INLINECODEe2420247, x+w。掌握这个数学原理后，你就可以处理任意数量的分组了。
2. 颜色的选择与对比度
在示例中，我们使用了简单的颜色名称如 ‘cyan‘, ‘orange‘。但在专业报告中，建议使用更柔和的调色板，或者 Matplotlib 的 ‘tab10‘ 颜色循环。对于需要打印的黑白文档，不同的灰色深浅或填充图案是更好的选择。
3. 常见错误：忘记修改 x 轴刻度
很多初学者会遇到一个问题：柱子已经分好组了，但 x 轴上显示的还是 INLINECODEe3daeda9，而不是数据的类别名称。这会导致看图的人无法理解数据的含义。务必记得使用 INLINECODE0ab74482 来修正坐标轴标签。
4. 性能优化建议
如果你需要绘制成千上万个柱子（例如在科学计算中），Matplotlib 可能会变慢。在这种情况下，可以考虑以下优化：
- 关闭自动缩放：
plt.autoscale(enable=False)。 - 使用更简单的绘图后端，如 Agg（如果是保存图片不需要显示）。
总结与后续步骤
在这篇文章中，我们系统地学习了如何使用 Matplotlib 创建分组柱状图。我们从一个简单的双列图表开始，逐步学习了如何添加多列数据、如何美化图表，以及如何利用 Pandas 简化工作流程。我们还深入探讨了位置计算的数学原理，这将赋予你自定义复杂图表的能力。
分组柱状图是数据比较的有力工具，它能够清晰地揭示不同类别在多个维度上的差异。通过练习今天展示的代码，你将能够自信地将你的数据转化为直观的视觉故事。
现在，我建议你尝试使用自己的数据集来构建一个分组柱状图。你甚至可以尝试进一步挑战，比如给柱子添加数据标签（在每个柱子上显示具体数值），或者调整 y 轴的起始范围以突出差异。祝你在数据可视化的旅程中收获满满！