# seaborn.countplot > 譯者：[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 使用條形圖顯示每個類別中觀測值的數量。 這個函數可以被認為是針對類別變量的直方圖。基本的 API 和選項與[`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot")完全相同，因此可以對比學習。 可以通過多種格式傳入數據，包括： * 通過列表、numpy 數組、或者 pandas Series 對象表示的向量數據，數據直接傳給`x`, `y`, 和/或`hue`參數。 * 長格式的 DataFrame，此時會通過`x`, `y`以及`hue`變量決定如何繪制數據。 * 寬格式的 DataFrame，此時每個數值型的 column 都會被繪制。 * 數組或者列表形式的向量 在絕大多數情況下，數據格式都可以使用 numpy 或者 Python 對象，但是推薦使用 pandas 對象，因為 pandas 對象中相關的名稱會被用于注釋坐標軸。此外，可以通過設置分組變量為使用 Categorical 類型來控制繪制元素的順序。 這個函數總會將變量作為類別變量進行處理，按順序(0, 1, ... n)在相應坐標軸繪制數據，即使數據為數值或者日期類型。 更多信息參考[tutorial](http://seaborn.pydata.org/tutorial/categorical.html#categorical-tutorial). 參數：`x, y, hue`: `data`或者向量數據中的變量名，可選 > 用于繪制長格式數據的輸入。查看解釋示例 `data`：DataFrame, 數組，或者包含數組的列表，可選 > 用于繪制的數據集。如果`x`和`y`不存在，那么會將數據按寬格式進行處理，否則應當為長格式。 `order, hue_order`：包含字符串的列表，可選 > 類別層級繪制的順序，否則層級會從數據對象中推測。 `orient`: “v” | “h”, 可選 > 繪制的朝向（豎直或者水平）。通過從輸入變量的 dtype 進行推斷。當類別變量是數值型或者繪制寬格式數據時，可以進行指定。 `color`: matplotlib 顏色，可選 > 所有元素的顏色，或者漸變調色盤的種子。 `palette`: 調色盤名稱，列表或字典，可選 > 用于`hue`變量的不同級別的顏色。應當是[`color_palette()`](seaborn.color_palette.html#seaborn.color_palette "seaborn.color_palette")可以解釋的東西，或者將色調級別映射到 matplotlib 顏色的字典。 `saturation`: float, 可選 > 在原有飽和度的比例下繪制顏色。大片的圖塊通常在略微不飽和的顏色下看起來更好，而如果想要繪制的顏色與輸入顏色規格完全匹配，應當設置此值為`1`。 `dodge`: bool, 可選 > 當使用色調嵌套時，決定是否沿著類別軸對元素進行移位。 `ax`: matplotlib 軸，可選 > 繪制圖像的軸對象，不指定時使用當前軸。 `kwargs`: 鍵值映射 > 其他關鍵字參數會被傳遞給`plt.bar`. 返回值：`ax`: matplotlib 軸 > 返回帶有繪圖的軸對象。 另請參閱 [`barplot()`](seaborn.barplot.html#seaborn.barplot "seaborn.barplot"): 使用條形圖顯示點估計和置信區間。 [`factorplot()`](seaborn.factorplot.html#seaborn.factorplot "seaborn.factorplot"): 結合類別圖與`FacetGrid`類。 示例 顯示單個類別變量的計數值： ```py >>> import seaborn as sns >>> sns.set(style="darkgrid") >>> titanic = sns.load_dataset("titanic") >>> ax = sns.countplot(x="class", data=titanic) ```  顯示兩個類別變量的計數值： ```py >>> ax = sns.countplot(x="class", hue="who", data=titanic) ```  水平繪制條形圖： ```py >>> ax = sns.countplot(y="class", hue="who", data=titanic) ```  使用不同的顏色色盤： ```py >>> ax = sns.countplot(x="who", data=titanic, palette="Set3") ```  使用`plt.bar`的關鍵字參數獲得不同的顯示效果： ```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")實現結合[`countplot()`](#seaborn.countplot "seaborn.countplot")以及[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")的效果。這樣做可以在額外的類別變量中進行分組。使用[`catplot()`](seaborn.catplot.html#seaborn.catplot "seaborn.catplot")比直接使用[`FacetGrid`](seaborn.FacetGrid.html#seaborn.FacetGrid "seaborn.FacetGrid")更加安全，因為這樣做可以確保跨分面的變量順序同步： ```py >>> g = sns.catplot(x="class", hue="who", col="survived", ... data=titanic, kind="count", ... height=4, aspect=.7); ```