Makie.jl 中堆叠条形图的数值标签显示技巧
2025-06-30 06:47:28作者:宣海椒Queenly
在数据可视化中,堆叠条形图(Stacked Bar Plot)是一种常见的展示分类数据组成结构的图表类型。Makie.jl作为Julia生态中强大的可视化工具,提供了灵活的条形图绘制功能。本文将详细介绍如何在Makie.jl中为堆叠条形图的每个部分添加正确的数值标签。
基础堆叠条形图绘制
使用Makie.jl绘制基础堆叠条形图非常简单。以下是一个基本示例:
using CairoMakie
fig, ax, plt = barplot([1,1,2,2], [5,7,3,12];
stack=[1,2,1,2],
color=[1,2,1,2]
)
fig
这段代码会创建一个包含两个主类别(1和2)的堆叠条形图,每个主类别由两个子类别组成。默认情况下,Makie会为每个条形堆叠部分使用不同的颜色。
添加数值标签的挑战
当尝试为堆叠条形图添加数值标签时,初学者可能会遇到一个常见问题:默认的:y标签模式显示的是堆叠后的累计值,而不是每个堆叠部分的实际值。
例如,使用以下代码:
barplot([1,1,2,2], [5,7,3,12];
stack=[1,2,1,2],
color=[1,2,1,2],
bar_labels = :y
)
这种情况下,标签显示的是堆叠后的总高度(第一个条形显示12=5+7,第二个显示15=3+12),而不是每个部分的原始值(5、7、3、12)。
解决方案:自定义标签数组
要显示每个堆叠部分的实际值,我们需要直接传递包含原始值的数组给bar_labels参数:
barplot([1,1,2,2], [5,7,3,12];
stack=[1,2,1,2],
color=[1,2,1,2],
bar_labels = [5,7,3,12]
)
这种方法可以精确控制每个堆叠部分显示的标签内容。
进阶技巧:标签位置控制
Makie.jl还提供了标签位置控制的选项。最新版本中新增了label_position = :center参数,可以将标签放置在堆叠部分的中心位置:
barplot([1,1,2,2], [5,7,3,12];
stack=[1,2,1,2],
color=[1,2,1,2],
bar_labels = [5,7,3,12],
label_position = :center
)
此外,还可以通过label_offset和label_size等参数进一步调整标签的显示样式:
barplot([1,1,2,2], [5,7,3,12];
stack=[1,2,1,2],
color=[1,2,1,2],
bar_labels = [5,7,3,12],
label_offset = -25,
label_size = 20,
label_color = :grey
)
实际应用建议
在实际应用中,建议考虑以下几点:
- 当堆叠部分较小时,可以考虑省略标签或使用更小的字体,避免视觉混乱
- 对于负值数据,需要特别注意标签位置,可能需要单独调整
- 可以结合
dodge参数创建分组条形图,根据数据特点选择最合适的展示方式 - 使用颜色图例说明每个堆叠部分的含义,增强图表的可读性
通过灵活运用这些技巧,可以创建出既美观又信息丰富的堆叠条形图,有效传达数据的组成结构信息。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218