BarChart_001
import matplotlib.pyplot as plt
eje_x = ['Python', 'R', 'Node.js', 'PHP']
eje_y = [50,20,35,47]
plt.bar(eje_x, eje_y)
plt.ylabel('Cantidad de usuarios')
plt.xlabel('Lenguajes de programación')
plt.title('Usuarios de lenguajes de programación')
plt.show()

BarCharts_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()

BarCharts_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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