Bar Chat - 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 Chat - 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.title('Empleados con habilidades')
plt.xlabel("Habilidades")
plt.ylabel('Número de empleados')
plt.show()

Bar Chat - 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')
## 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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