Seaborn Barplot：Python 柱状图完全指南
- Name
- Soren Atelier
Updated on
你需要比较不同类别之间的平均值。也许是按地区的平均收入、按教室的平均考试成绩，或者按服务器的中位响应时间。原始数字表格迫使你逐行扫描并进行心算。一个构建良好的柱状图可以让答案一目了然——而 Python 的 seaborn 库让你只需一次函数调用就能创建一个。
问题在于 sns.barplot() 拥有惊人丰富的参数集。使用 hue 进行分组、控制误差线、重新排序类别、选择调色板、水平显示——每一个都会让新手甚至是一段时间没用过该函数的经验用户感到困惑。配置不当的柱状图会误导读者，或者看起来很糟糕。
本指南涵盖了 sns.barplot() 的每个实际使用场景。每个代码块都可以直接复制粘贴使用，采用真实或接近真实的数据集，并产生清晰的输出。读完后，你将知道如何创建出版质量的柱状图，理解 barplot 和 countplot 的区别，并掌握使用 PyGWalker 进行交互式探索的快速途径。
sns.barplot() 的功能
sns.barplot() 绘制一个柱状图，其中每个柱子的高度（或长度）表示每个类别中数值变量的集中趋势。默认情况下，它计算均值并在每个柱子上方绘制 95% 置信区间作为误差线。
这使它不同于简单的基于计数的柱状图。它是一种统计可视化：在绑图之前对数据进行聚合。
基本语法
import seaborn as sns
import matplotlib.pyplot as plt
sns.barplot(data=df, x="category_column", y="numeric_column")
plt.show()关键参数一览：
| 参数 | 用途 | 默认值 |
|---|---|---|
data | 包含数据的 DataFrame | 必填 |
x / y | 类别轴和数值轴的列名 | 必填 |
hue | 按颜色分组柱子的列 | None |
estimator | 聚合函数（均值、中位数、总和等） | mean |
errorbar | 误差线类型（"ci"、"sd"、"se"、"pi" 或 None） | ("ci", 95) |
order | 显式类别顺序 | None（数据顺序） |
palette | 配色方案 | None（seaborn 默认） |
orient | 柱子方向（"v" 或 "h"） | 自动检测 |
width | 每个柱子的宽度 | 0.8 |
saturation | 颜色饱和度级别 | 0.75 |
ax | 用于绑图的 Matplotlib Axes | 当前 Axes |
简单的垂直柱状图
从内置的 tips 数据集开始。这个 DataFrame 记录了餐厅账单、小费和顾客属性。
import seaborn as sns
import matplotlib.pyplot as plt
tips = sns.load_dataset("tips")
plt.figure(figsize=(8, 5))
sns.barplot(data=tips, x="day", y="total_bill")
plt.title("Average Total Bill by Day")
plt.ylabel("Average Total Bill ($)")
plt.xlabel("Day of Week")
plt.tight_layout()
plt.show()每个柱子显示该天的 total_bill 均值。顶部的黑线是 95% 置信区间，让你了解均值可能的变动范围。周四的平均账单最低，而周日往往更高。
要更改聚合函数，传入 estimator：
import numpy as np
sns.barplot(data=tips, x="day", y="total_bill", estimator=np.median)
plt.title("Median Total Bill by Day")
plt.show()水平柱状图
当类别标签较长或类别较多时，水平柱状图效果更好。有两种方法创建水平柱状图。
方法一：交换 x 和 y。
plt.figure(figsize=(8, 5))
sns.barplot(data=tips, x="total_bill", y="day")
plt.title("Average Total Bill by Day (Horizontal)")
plt.xlabel("Average Total Bill ($)")
plt.ylabel("")
plt.tight_layout()
plt.show()当数值列在 x 轴、类别列在 y 轴时，seaborn 会自动绘制水平柱子。
方法二：使用 orient 参数。
sns.barplot(data=tips, x="total_bill", y="day", orient="h")
plt.show()两种方法产生相同的结果。交换 x 和 y 是更常见的模式。
分组（Hue）柱状图
hue 参数根据第二个类别变量将每个类别柱子分成子柱子。这对于并排比较子组至关重要。
plt.figure(figsize=(9, 5))
sns.barplot(data=tips, x="day", y="total_bill", hue="sex")
plt.title("Average Total Bill by Day and Gender")
plt.ylabel("Average Total Bill ($)")
plt.legend(title="Gender")
plt.tight_layout()
plt.show()现在每天显示两个柱子——一个是男性，一个是女性。图例将颜色映射到组。你可以立即看到大多数日子里男性顾客的平均账单往往略高。
当 hue 级别达到三个或更多时，柱子会变窄。如果可读性受影响，可以考虑使用 sns.catplot() 的分面方法：
g = sns.catplot(data=tips, x="day", y="total_bill", hue="sex",
col="time", kind="bar", height=4, aspect=1.2)
g.set_axis_labels("Day", "Average Total Bill ($)")
g.set_titles("{col_name}")
plt.tight_layout()
plt.show()这将为午餐和晚餐创建单独的面板，每个面板都有按性别分组的柱子——当有多个分组维度时更容易阅读。
使用调色板自定义颜色
palette 参数控制配色方案。Seaborn 附带了许多内置调色板。
plt.figure(figsize=(8, 5))
sns.barplot(data=tips, x="day", y="total_bill", hue="sex",
palette="Set2")
plt.title("Custom Palette: Set2")
plt.tight_layout()
plt.show()常用调色板选择：
| 调色板 | 风格 | 最适合 |
|---|---|---|
"Set2" | 柔和、区分度高 | 类别比较 |
"pastel" | 柔和色调 | 演示文稿、浅色背景 |
"deep" | 丰富、饱和 | seaborn 默认外观 |
"viridis" | 感知均匀 | 无障碍友好 |
"coolwarm" | 发散型蓝红 | 对比两个组 |
"husl" | 均匀分布的色调 | 多个类别 |
你也可以传入特定十六进制颜色的列表：
sns.barplot(data=tips, x="day", y="total_bill",
palette=["#2ecc71", "#e74c3c", "#3498db", "#f39c12"])
plt.show()或使用字典将特定类别映射到颜色：
day_colors = {"Thur": "#636e72", "Fri": "#e17055",
"Sat": "#0984e3", "Sun": "#6c5ce7"}
sns.barplot(data=tips, x="day", y="total_bill", palette=day_colors)
plt.show()误差线和置信区间
默认情况下，sns.barplot() 显示 95% 置信区间。这是围绕均值的自举 CI。你可以完全控制显示内容。
import matplotlib.pyplot as plt
import seaborn as sns
tips = sns.load_dataset("tips")
fig, axes = plt.subplots(1, 4, figsize=(18, 4), sharey=True)
# 95% CI (default)
sns.barplot(data=tips, x="day", y="total_bill", errorbar=("ci", 95), ax=axes[0])
axes[0].set_title("95% CI (default)")
# Standard deviation
sns.barplot(data=tips, x="day", y="total_bill", errorbar="sd", ax=axes[1])
axes[1].set_title("Standard Deviation")
# Standard error
sns.barplot(data=tips, x="day", y="total_bill", errorbar="se", ax=axes[2])
axes[2].set_title("Standard Error")
# No error bars
sns.barplot(data=tips, x="day", y="total_bill", errorbar=None, ax=axes[3])
axes[3].set_title("No Error Bars")
plt.tight_layout()
plt.show()| errorbar 值 | 显示内容 | 使用场景 |
|---|---|---|
("ci", 95) | 95% 自举置信区间 | 默认值；适用于统计推断 |
"sd" | 标准差 | 显示数据散布，而非估计不确定性 |
"se" | 均值标准误 | 科学论文中常用 |
("pi", 95) | 95% 百分位区间 | 显示覆盖 95% 观测值的范围 |
None | 无误差线 | 不确定性不是重点时的简洁视觉效果 |
注意： 在较早版本的 seaborn（0.12 之前），该参数名为
ci而非errorbar。如果你在旧代码中看到ci=95，它的功能相同。现代 seaborn 使用errorbar以获得更大的灵活性。
排列柱子顺序
默认情况下，柱子按类别在数据中出现的顺序排列。使用 order 参数显式控制。
plt.figure(figsize=(8, 5))
sns.barplot(data=tips, x="day", y="total_bill",
order=["Thur", "Fri", "Sat", "Sun"])
plt.title("Bars in Chronological Order")
plt.tight_layout()
plt.show()要按值排列柱子（从大到小），先计算均值：
day_order = tips.groupby("day")["total_bill"].mean().sort_values(ascending=False).index
plt.figure(figsize=(8, 5))
sns.barplot(data=tips, x="day", y="total_bill", order=day_order)
plt.title("Days Ordered by Average Bill (Descending)")
plt.tight_layout()
plt.show()这种模式——按聚合指标排序——是使柱状图立即具有信息量的最常见方法之一。
sns.barplot() 与 sns.countplot()——何时使用哪个
这两个函数看起来相似，但用途不同。选错是常见的混淆来源。
| 特性 | sns.barplot() | sns.countplot() |
|---|---|---|
| 绑图内容 | 每个类别的数值变量的聚合指标（均值、中位数、总和） | 每个类别的观测数量 |
| 需要数值 y 吗？ | 是 | 否（只需一个类别变量） |
| 默认统计量 | 均值 | 计数 |
| 误差线 | 有（默认为置信区间） | 无 |
| 使用场景 | "每天的平均小费是多少？" | "每天提供了多少餐？" |
| 语法 | sns.barplot(x="day", y="tip", data=tips) | sns.countplot(x="day", data=tips) |
| 等同于 | df.groupby("day")["tip"].mean() 的柱状图 | df["day"].value_counts() 的柱状图 |
经验法则： 如果你有一个要聚合的数值列，使用 barplot。如果你只想计算每个类别中有多少行，使用 countplot。
fig, axes = plt.subplots(1, 2, figsize=(14, 5))
# barplot: average tip per day
sns.barplot(data=tips, x="day", y="tip", ax=axes[0])
axes[0].set_title("sns.barplot() -- Average Tip by Day")
axes[0].set_ylabel("Average Tip ($)")
# countplot: number of records per day
sns.countplot(data=tips, x="day", ax=axes[1])
axes[1].set_title("sns.countplot() -- Meals per Day")
axes[1].set_ylabel("Count")
plt.tight_layout()
plt.show()使用 Matplotlib 自定义
由于 seaborn 建立在 matplotlib 之上，你可以完全访问 matplotlib 的自定义层。以下是如何添加标题、旋转标签、调整字体和注释柱子的方法。
标题、标签和旋转
plt.figure(figsize=(8, 5))
ax = sns.barplot(data=tips, x="day", y="total_bill", palette="muted")
ax.set_title("Average Total Bill by Day", fontsize=16, fontweight="bold")
ax.set_xlabel("Day of the Week", fontsize=12)
ax.set_ylabel("Average Bill ($)", fontsize=12)
ax.tick_params(axis='x', rotation=45)
plt.tight_layout()
plt.show()在柱子上添加数值标签
plt.figure(figsize=(8, 5))
ax = sns.barplot(data=tips, x="day", y="total_bill", errorbar=None,
palette="Blues_d",
order=["Thur", "Fri", "Sat", "Sun"])
# Annotate each bar with its value
for container in ax.containers:
ax.bar_label(container, fmt="%.1f", fontsize=11, padding=3)
ax.set_title("Average Total Bill by Day")
ax.set_ylabel("Average Bill ($)")
ax.set_ylim(0, 25)
plt.tight_layout()
plt.show()ax.bar_label() 方法（在 matplotlib 3.4 中添加）是添加数值注释的最简洁方式。padding 参数控制与柱子顶部的距离。
堆叠柱状图（变通方案）
Seaborn 原生不支持堆叠柱状图。这是一个刻意的设计决定——堆叠柱子使比较单个段的大小变得更困难。不过，如果你的使用场景需要，可以使用 pandas 绑图或手动 matplotlib 方法来实现。
使用 Pandas .plot(kind="bar", stacked=True)
import pandas as pd
import matplotlib.pyplot as plt
tips = pd.read_csv("https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv")
# Pivot to get counts per day and time
pivot = tips.groupby(["day", "time"]).size().unstack(fill_value=0)
# Reorder days
pivot = pivot.loc[["Thur", "Fri", "Sat", "Sun"]]
pivot.plot(kind="bar", stacked=True, figsize=(8, 5),
color=["#3498db", "#e74c3c"], edgecolor="white")
plt.title("Meal Count by Day (Stacked by Lunch/Dinner)")
plt.ylabel("Number of Meals")
plt.xlabel("Day")
plt.xticks(rotation=0)
plt.legend(title="Time")
plt.tight_layout()
plt.show()使用 Matplotlib 手动堆叠
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
tips = sns.load_dataset("tips")
pivot = tips.groupby(["day", "time"])["total_bill"].mean().unstack(fill_value=0)
pivot = pivot.loc[["Thur", "Fri", "Sat", "Sun"]]
days = pivot.index
lunch = pivot["Lunch"].values
dinner = pivot["Dinner"].values
x = np.arange(len(days))
width = 0.6
fig, ax = plt.subplots(figsize=(8, 5))
ax.bar(x, lunch, width, label="Lunch", color="#3498db")
ax.bar(x, dinner, width, bottom=lunch, label="Dinner", color="#e74c3c")
ax.set_xticks(x)
ax.set_xticklabels(days)
ax.set_ylabel("Average Total Bill ($)")
ax.set_title("Average Bill by Day (Stacked: Lunch + Dinner)")
ax.legend()
plt.tight_layout()
plt.show()两种方法都有效。pandas 方法更简洁；matplotlib 方法让你对定位和样式有更多控制。
使用 PyGWalker 创建交互式柱状图
静态柱状图非常适合报告和论文。但在探索性分析过程中，你经常想要切换轴、尝试不同的聚合方式、过滤数据、比较图表类型——而且不用每次都重写代码。
PyGWalker (opens in a new tab)（Graphic Walker 的 Python 绑定）可以将任何 pandas DataFrame 直接在 Jupyter Notebook 中转换为类似 Tableau 的交互式可视化界面。你可以通过拖放字段来构建柱状图、分组柱状图和数十种其他图表类型。
pip install pygwalkerimport pandas as pd
import pygwalker as pyg
tips = pd.read_csv("https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv")
walker = pyg.walk(tips)界面加载后，你可以：
- 将
day拖到 X 轴、total_bill拖到 Y 轴，立即创建柱状图。 - 将
sex或time拖入颜色通道，获得分组柱状图。 - 单击即可将聚合从均值切换为总和、中位数或计数。
- 应用过滤器（例如仅显示周六和周日）无需编写 pandas 代码。
- 导出图表配置以便复现。
这在探索阶段特别有用——快速测试哪些分组和聚合方式能揭示最多的洞察，然后使用 sns.barplot() 锁定最终的静态可视化以供分享。
常见问题
如何更改 sns.barplot() 中单个柱子的颜色？
将颜色列表传给 palette 参数。列表长度应与类别数量匹配。例如：sns.barplot(data=tips, x="day", y="total_bill", palette=["#e74c3c", "#3498db", "#2ecc71", "#f39c12"])。你也可以传入字典将类别名称映射到颜色，实现显式控制。
sns.barplot() 和 plt.bar() 有什么区别？
sns.barplot() 直接处理 DataFrame，自动计算聚合统计量（默认：均值）并绘制置信区间。matplotlib 的 plt.bar() 需要预先计算的柱子高度和位置——它完全按照你给的数据绘制，不进行聚合。使用 sns.barplot() 进行快速统计摘要，使用 plt.bar() 进行完全手动控制。
如何移除 seaborn barplot 中的误差线？
在函数调用中设置 errorbar=None：sns.barplot(data=tips, x="day", y="total_bill", errorbar=None)。在 seaborn 0.12 之前的版本中，使用 ci=None 代替。
sns.barplot() 能显示总和而非均值吗？
可以。向函数传入 estimator=sum：sns.barplot(data=tips, x="day", y="total_bill", estimator=sum)。你可以使用任何接受数组并返回标量的函数，包括 numpy.median、numpy.std 或自定义 lambda。
如何在 seaborn 中创建水平柱状图？
将数值列放在 x 轴、类别列放在 y 轴：sns.barplot(data=tips, x="total_bill", y="day")。Seaborn 会自动检测方向。你也可以显式设置 orient="h"。
总结
seaborn barplot 是在 Python 中可视化类别间聚合指标的最快方式。从显示带置信区间的均值的单行代码，到使用 hue 的分组比较，再到带数值注释的完全定制图表——sns.barplot() 涵盖了柱状图需求的全部范围。
从简单开始：传入你的 DataFrame，选择 x 和 y 列，让 seaborn 处理聚合和样式。然后根据需要叠加自定义——按值排列柱子、切换为水平布局以适应长标签，或关闭误差线以获得更简洁的演示幻灯片。
当你需要堆叠柱子时，直接使用 pandas 或 matplotlib。当你想在确定特定图表配置之前交互式地探索数据时，PyGWalker (opens in a new tab) 提供了一个在 Jupyter 中无需额外代码即可使用的拖放界面。
本指南中的所有代码示例都可以直接复制运行。选择最接近你使用场景的模式，换入你的数据，不到一分钟就能获得一个清晰、信息丰富的柱状图。