Matplotllib_001
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()

Matplotlib_002
eje_x = ['Prog.', 'Ciencia', 'Mat.', 'Ing.']
eje_y = [76,31,45,57]
## Creamos Gráfica y ponesmos las barras de color verde
plt.barh(eje_x, eje_y, color="green")
plt.ylabel('Empleados')
plt.xlabel('Habilidades')
plt.title('Habilidades')
plt.show()

Matplotlib_003
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()

LS0tDQp0aXRsZTogIkxlbmd1YWplIGRlIE1hcmNhZG8gTGlnZXJvIC0gTWFya2Rvd24iDQphdXRob3I6ICJSZW56byBDw6FjZXJlcyBSb3NzaSINCmRhdGU6ICIyMDIyLzAyLzIxIg0Kc3VidGl0bGU6IE1hcmtkb3duIC0gUk1hcmtkb3duDQpvdXRwdXQ6DQogIGh0bWxfZG9jdW1lbnQ6DQogICAgY29kZV9kb3dubG9hZDogVFJVRQ0KICAgIHRvYzogVFJVRQ0KICAgIHRvY19mbG9hdDogVFJVRQ0KLS0tDQoNCg0KYGBge3B5dGhvbixpbmNsdWRlPUZBTFNFfQ0KDQppbXBvcnQgbWF0cGxvdGxpYi5weXBsb3QgYXMgcGx0DQoNCmltcG9ydCBzZWFib3JuIGFzIHNucw0KDQppbXBvcnQgbnVtcHkgYXMgbnANCg0KDQpgYGANCg0KDQojIyBNYXRwbG90bGxpYl8wMDENCg0KYGBge3B5dGhvbixmaWcuYWxpZ249J2NlbnRlcicscmVzdWx0cz0naGlkZScsY29sbGFwc2U9VFJVRX0NCmVqZV94ID0gWydQeXRob24nLCAnUicsICdOb2RlLmpzJywgJ1BIUCddDQogDQoNCmVqZV95ID0gWzUwLDIwLDM1LDQ3XQ0KIA0KDQpwbHQuYmFyKGVqZV94LCBlamVfeSkNCiANCg0KcGx0LnlsYWJlbCgnQ2FudGlkYWQgZGUgdXN1YXJpb3MnKQ0KIA0KDQpwbHQueGxhYmVsKCdMZW5ndWFqZXMgZGUgcHJvZ3JhbWFjacOzbicpDQogDQoNCnBsdC50aXRsZSgnVXN1YXJpb3MgZGUgbGVuZ3VhamVzIGRlIHByb2dyYW1hY2nDs24nKQ0KIA0KDQpwbHQuc2hvdygpDQoNCmBgYA0KDQoNCiMjIE1hdHBsb3RsaWJfMDAyDQoNCmBgYHtweXRob24sIGZpZy5hbGlnbj0nY2VudGVyJyxyZXN1bHRzPSdoaWRlJyxjb2xsYXBzZT1UUlVFfQ0KZWplX3ggPSBbJ1Byb2cuJywgJ0NpZW5jaWEnLCAnTWF0LicsICdJbmcuJ10NCiANCg0KZWplX3kgPSBbNzYsMzEsNDUsNTddDQogDQojIyBDcmVhbW9zIEdyw6FmaWNhIHkgcG9uZXNtb3MgbGFzIGJhcnJhcyBkZSBjb2xvciB2ZXJkZQ0KcGx0LmJhcmgoZWplX3gsIGVqZV95LCBjb2xvcj0iZ3JlZW4iKQ0KcGx0LnlsYWJlbCgnRW1wbGVhZG9zJykNCnBsdC54bGFiZWwoJ0hhYmlsaWRhZGVzJykNCnBsdC50aXRsZSgnSGFiaWxpZGFkZXMnKQ0KcGx0LnNob3coKQ0KDQpgYGANCg0KDQojIyBNYXRwbG90bGliXzAwMw0KDQpgYGB7cHl0aG9uLGZpZy5hbGlnbj0nY2VudGVyJyxyZXN1bHRzPSdoaWRlJyxjb2xsYXBzZT1UUlVFfQ0Kc2VyaWVfMSA9IFs0MDYsIDM4NywgNDQyLCA0NTcsIDQ4NV0NCnNlcmllXzIgPSBbNDIxLCA0NTMsIDQzNSwgNDc4LCA1MTJdDQogDQogDQpudW1lcm9fZGVfZ3J1cG9zID0gbGVuKHNlcmllXzEpDQppbmRpY2VfYmFycmFzID0gbnAuYXJhbmdlKG51bWVyb19kZV9ncnVwb3MpDQphbmNob19iYXJyYXMgPTAuMzUNCiANCnBsdC5iYXIoaW5kaWNlX2JhcnJhcywgc2VyaWVfMSwgd2lkdGg9YW5jaG9fYmFycmFzLCBsYWJlbD0nSG9tYnJlcycpDQpwbHQuYmFyKGluZGljZV9iYXJyYXMgKyBhbmNob19iYXJyYXMsIHNlcmllXzIsIHdpZHRoPWFuY2hvX2JhcnJhcywgbGFiZWw9J011amVyZXMnKQ0KcGx0LmxlZ2VuZChsb2M9J2Jlc3QnKQ0KIyMgU2UgY29sb2NhbiBsb3MgaW5kaWNhZG9yZXMgZW4gZWwgZWplIHgNCnBsdC54dGlja3MoaW5kaWNlX2JhcnJhcyArIGFuY2hvX2JhcnJhcywgKCcyMDE3JywgJzIwMTgnLCAnMjAxOScsICcyMDIwJywnMjAyMScpKQ0KIA0KcGx0LnlsYWJlbCgnTnVtZXJvIGRlIGhhYml0YW50ZXMnKQ0KcGx0LnhsYWJlbCgnQcOxbycpDQpwbHQudGl0bGUoJ051bWVybyBkZSBoYWJpdGFudGVzIHBvciBnZW5lcm8nKQ0KIA0KcGx0LnNob3coKQ0KYGBgDQoNCg0KDQo8ZGl2IGNsYXNzPSJ0b2NpZnktZXh0ZW5kLXBhZ2UiIGRhdGEtdW5pcXVlPSJ0b2NpZnktZXh0ZW5kLXBhZ2UiIHN0eWxlPSJoZWlnaHQ6IDA7Ij48L2Rpdj4NCg0KDQo=