Bar Charts_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()

Bar Charts_002


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()

Bar Charts_03

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()

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