Bar Chart - Matplotlib_001

import matplotlib.pyplot as plt

eje_x=[4,6,8]

eje_y=[11,7,14]

colores=['orange','blue','purple']

plt.bar(eje_x,eje_y,color=colores)

plt.title('Número de Cilindros')

plt.xlabel("Cilindros")

plt.ylabel("Frecuencias")

plt.show()

Bar Chart - Matplotlib_002

import matplotlib.pyplot as plt
 
eje_x = ['Programacion', 'Ciencia de datos', 'Matematicas', 'Ingenieria']
 
eje_y = [76,31,45,57]
 
plt.barh(eje_x, eje_y, color="green")
plt.ylabel('Numero de Empleados')
plt.xlabel('Habilidades')
plt.title('Empleados con habilidades')
plt.show()

Bar Chart - Matplotlib_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')

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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