Barchart matplotlib - 001

import matplotlib.pyplot as plt
ejex=[4,6,8]
ejey=[11,7,14]
colores=["orange","blue","purple"]
plt.bar(ejex,ejey,color=colores)
plt.title("Número de cilindros")
plt.xlabel("Cilindros")
plt.ylabel("Frecuencias")
plt.show()

Barchart de tipo horizontal - 002

import matplotlib.pyplot as plt
eje_x=["programación","Ciencia de datos",'matemáticas','ingeniería']
eje_y=[76,31,45,57]
plt.barh(eje_x,eje_y,color="green")
plt.ylabel("Número de empleados")
plt.xlabel("habilidades")
plt.title("Empleados con habilidades")
plt.show()

Gráfica de barras agrupadas - 003

import numpy as np
import matplotlib.pyplot as plt
 
serie_1 = [406, 387, 442, 457, 485]
serie_2 = [421, 453, 435, 478, 512]
numero_de_grupos = len(serie_1)
indice_barras = np.arange(numero_de_grupos)
ancho_barras =0.35
plt.bar(indice_barras, serie_1, width=ancho_barras, label='Hombres')
plt.bar(indice_barras + ancho_barras, serie_2, width=ancho_barras,label='Mujeres')
plt.legend(loc='best')
## Se colocan los indicadores en el eje x
plt.xticks(indice_barras + ancho_barras, ('2017', '2018', '2019', '2020','2021'))
plt.ylabel('Numero de habitantes')
plt.xlabel('Año')
plt.title('Numero de habitantes por genero')
plt.show()

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