seaborn.barplot
译者：melon-bun
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。
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 -> 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” | “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
1if 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:FacetGrid.
Examples
绘制一组按类别变量分组的垂直条形图：
>>> 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：
>>> ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
绘制一组水平条形图：
>>> 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：
>>> 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：
>>> 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：
>>> ax = sns.barplot(x="day", y="tip", data=tips, ci=68)
展示数据的标准差：
>>> ax = sns.barplot(x="day", y="tip", data=tips, ci="sd")
给误差条增加“端点”：
>>> 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：
>>> 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 :
>>> 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：
>>> 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：
>>> ax = sns.barplot("day", "total_bill", data=tips,
... linewidth=2.5, facecolor=(1, 1, 1, 0),
... errcolor=".2", edgecolor=".2")
使用 catplot() 来结合 barplot() 和 FacetGrid. 这允许数据根据额外的类别变量分组。使用 catplot() 比直接使用 FacetGrid 更安全, 因为它可以确保变量在不同的 facet 之间保持同步:
>>> g = sns.catplot(x="sex", y="total_bill",
... hue="smoker", col="time",
... data=tips, kind="bar",
... height=4, aspect=.7);
