# seaborn.barplot > 譯者：[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) ``` 條形圖以矩形條的方式展示數據的點估值和置信區間 條形圖用每個矩形的高度來表示數值變量的集中趨勢的估計值，并提供誤差條來顯示估計值得不確定度。條形圖的縱軸是從零開始的，這對于 0 值是有意義的情況是非常好的。 對于數據集中的 0 值沒有實際意義的情況，散點圖可以讓您專注于一個或多個分類變量之間的差異。 要注意的是，條形圖只顯示平均值（或者其他的估計值），但是在大部分情況下，展示數值在不同分類變量上的分布會更有用。如果要表示出數據的分布，用箱型圖或者小提琴圖會更恰當。 輸入數據的格式可以不同，包括： * 以列表，numpy array 或者 pandas 中的 Series object 表示的向量。這些向量可以直接傳入 `x`, `y`, 以及 `hue` 參數。 * 長表, x 值，y 值和色相變量決定了數據是如何繪制的。 * 寬表，每個列的數值都會被繪制出來. * 數組或者列表的向量。 大多數情況下，您可以使用 numpy 的對象或者 python 的對象，但是用 pandas 對象更好，因為相關的列名會被標注在圖標上。 另外，為了控制繪圖元素 您也可以可以用分類類型來組合不同的變量。 這個函數始終把一個變量當做分類變量，即使這個數據是數值類型或者日期類型，并且按照序數順序繪制在相關的軸上。 詳情請看[教程](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial)。 參數：`x, y, hue`：`data` 中的變量名詞或者向量, optional > 用于繪制 long-form 數據的變量名稱. `data`：DataFrame, 數組, 數組列表, optional > 用于繪圖的數據集。如果數據集有 x 和 y，數據集會被認為是 long-form，否則會被認為是 wide-form。 `order, hue_order`：字符串列表, optional > 繪制類別變量的順序，如果沒有，則從數據對象中推斷繪圖順序。 `estimator`：映射向量 -&gt; 標量, optional > 統計函數用于估計每個分類紙條中的值。. `ci`：float or “sd” or None, optional > 估計值周圍的置信區間大小。如果輸入的是 “sd”（標準差），會跳過 bootstrapping 的過程，只繪制數據的標準差。 如果輸入是的是`None`, 不會執行 botstrapping，而且錯誤條也不會繪制。 `n_boot`：int, optional > 計算置信區間需要的 Boostrap 迭代次數。 `units`：name of variable in `data` or vector data, optional > 采樣單元的標識符，用于執行多級 bootstrap 并解釋重復測量設計。 `orient`：“v” &#124; “h”, optional > 繪圖的方向（垂直或水平）。這通常是從輸入變量的數據類型推斷出來的，但是可以用來指定“分類”變量是數字還是寬格式數據。 `color`：matplotlib color, optional > 作用于所有元素的顏色，或者漸變色的種子。 `palette`：palette name, list, or dict, optional > 不同級別的 `hue` 變量的顏色。 顏色要能被 [`color_palette()`]解釋(seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette"), 或者一個能映射到 matplotlib 顏色的字典。 `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 > 表示置信區間的線的顏色。 `errwidth`：float, optional > 誤差條的線的厚度。 `capsize`：float, optional > 誤差條端部的寬度。 **dodge** : 布爾型, optional > When hue nesting is used, whether elements should be shifted along the categorical axis. `ax`：matplotlib Axes, optional > 指定一個 Axes 用于繪圖，如果不指定，則使用當前的 Axes。 `kwargs`：key, value mappings > 其他的關鍵詞參數在繪圖時通過 `plt.bar` 傳入。 返回值：`ax`：matplotlib Axes > 返回有圖表繪制的 Axes 對象。 See also 顯示每個分類 bin 中的觀察計數。使用散點圖圖示符顯示點估計和置信區間。將分類圖與類相結合:<cite>FacetGrid</cite>. Examples 繪制一組按類別變量分組的垂直條形圖： ```py >>> import seaborn as sns >>> sns.set(style="whitegrid") >>> tips = sns.load_dataset("tips") >>> ax = sns.barplot(x="day", y="total_bill", data=tips) ```  繪制一組由兩個變量嵌套分組的垂直條形圖： ```py >>> ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips) ```  繪制一組水平條形圖： ```py >>> ax = sns.barplot(x="tip", y="day", data=tips) ```  通過傳入一個顯式的順序來控制條柱的順序： ```py >>> ax = sns.barplot(x="time", y="tip", data=tips, ... order=["Dinner", "Lunch"]) ```  用中值來評估數據的集中趨勢： ```py >>> from numpy import median >>> ax = sns.barplot(x="day", y="tip", data=tips, estimator=median) ```  用誤差條顯示平均值的標準誤差： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, ci=68) ```  展示數據的標準差： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, ci="sd") ```  給誤差條增加“端點”： ```py >>> ax = sns.barplot(x="day", y="tip", data=tips, capsize=.2) ```  使用一個不同的調色盤來繪制圖案： ```py >>> ax = sns.barplot("size", y="total_bill", data=tips, ... palette="Blues_d") ```  在不改變條柱的位置或者寬度的前提下，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) ```  用同一種顏色繪制所有條柱： ```py >>> ax = sns.barplot("size", y="total_bill", data=tips, ... color="salmon", saturation=.5) ```  用 `plt.bar` 關鍵字參數進一步改變圖表的樣式： ```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") 來結合 [`barplot()`](#seaborn.barplot "seaborn.barplot") 和 [`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid"). 這允許數據根據額外的類別變量分組。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, 因為它可以確保變量在不同的 facet 之間保持同步: ```py >>> g = sns.catplot(x="sex", y="total_bill", ... hue="smoker", col="time", ... data=tips, kind="bar", ... height=4, aspect=.7); ```