Matplotlib堆积图完全指南：从原理到实战的避坑手册

1. 为什么堆积图值得单独拎出来讲

很多人刚接触 Matplotlib 的时候，画折线图、散点图、柱状图都挺顺手，唯独一到堆积图就开始犯迷糊：数据该准备成什么形状？bar和barh到底用哪个？bottom参数怎么传才不会错位？图例为什么总是对不上颜色？我自己在带新人的时候，发现堆积图是"看起来简单、写起来全是坑"的典型代表。它不像折线图那样把两组数据往plot()里一塞就完事，堆积图的核心在于层与层之间的叠加关系，一旦某一层的顺序、颜色、数据长度对不上，整张图就会传达错误的信息。

这篇文章就是围绕"用 Matplotlib 画堆积图"这一件事，把从数据准备、方向选择、颜色搭配、标签标注到导出保存的完整链路拆开讲清楚。不管你是刚学完plt.plot()想进阶的初学者，还是已经能画图但总在细节上翻车的开发者，都能从里面找到可以直接抄走的代码和踩坑经验。我会尽量把每个参数背后的逻辑讲透，而不是甩一段代码让你自己猜。

堆积图本质上解决的是"部分与整体随时间或其他维度变化"的表达问题。比如某产品三个渠道的日活占比、某项目四个阶段的工时分配、某地区三类支出的年度构成，这些场景用普通柱状图会显得割裂，用饼图又只能看单一时点，堆积图刚好补上这个空档。理解了它要回答的问题，后面所有的参数选择都会变得有据可依。

2. 堆积图的核心原理与两种方向

2.1 堆积图到底"堆"的是什么

先把这个概念说透。堆积图（Stacked Chart）是在同一个类别位置上，把多个数据系列的值依次累加后绘制出来的图形。以柱状堆积图为例，假设类别是"第一季度、第二季度"，系列是"A产品、B产品、C产品"，那么第一根柱子的总高度是三个产品在第一季度的销量之和，其中每一段的高度代表单个产品的销量。

这里有个关键点容易被忽略：堆积图里每一层的起点不是 0，而是它下面所有层的累加值。这就是bottom参数存在的意义。很多人第一次画堆积图时，直接把三组数据分别bar()三次，结果三根柱子完全重叠在一起，只看到最后一组——这就是没传bottom的典型症状。

用生活化的类比：想象你在往一个透明杯子里依次倒蜂蜜、牛奶、果汁，蜂蜜在最底下，牛奶压在蜂蜜上面，果汁又压在牛奶上面。每一层的"底部位置"取决于它下面已经倒了多少。Matplotlib 的bottom参数就是告诉它"这一层从多高的位置开始画"。

2.2 垂直堆积与水平堆积怎么选

Matplotlib 提供了两个函数来画堆积柱状图：

选择逻辑其实很朴素：类别名越长、类别数量越多，越应该用水平堆积图。因为垂直柱状图的 x 轴标签一旦变长就得旋转，旋转之后阅读体验直线下降；而水平堆积图的 y 轴标签天然是横排的，长文本也能完整显示。

我个人的经验判断线是：类别名超过 4 个汉字，或者类别数量超过 6 个，就优先考虑barh。这不是硬性规定，但从可读性角度看，这个阈值基本能覆盖大多数实际场景。

还有一个容易混淆的点：barh的堆积参数叫left而不是bottom。因为水平方向的"起点"是从左往右算的，逻辑上叫left更准确。刚上手的人经常在这里写错参数名，报错信息又不够直观，白白浪费时间。

2.3 数据该准备成什么形状

堆积图对数据形状有隐含要求：每个系列的数据长度必须一致，且顺序要和类别顺序严格对应。假设你有三个渠道、四个季度的数据，最稳妥的组织方式是：

import numpy as np categories = ['第一季度', '第二季度', '第三季度', '第四季度'] channel_a = np.array([120, 135, 150, 160]) channel_b = np.array([80, 95, 110, 105]) channel_c = np.array([60, 70, 85, 90])

用np.array而不是普通 list 有个实际好处：后面做累加计算（比如算bottom）时可以直接向量化运算，不用写循环。如果你手上是 pandas 的 DataFrame，那更省事，直接按列取出来就是对齐好的数组，但要注意列的顺序决定了堆积的顺序，别拿到数据就无脑堆。

提示：数据里如果有缺失值（NaN），堆积图会直接画断或者报错。画之前务必用df.isnull().sum()检查一遍，该填充填充，该剔除剔除。

3. 从零画出一张能看的堆积柱状图

3.1 最小可运行版本

先把最核心的骨架搭起来。下面这段代码是垂直堆积柱状图的最小实现，我特意把每一步拆开写，方便你对照理解：

import matplotlib.pyplot as plt import numpy as np # 解决中文显示问题 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False categories = ['第一季度', '第二季度', '第三季度', '第四季度'] channel_a = np.array([120, 135, 150, 160]) channel_b = np.array([80, 95, 110, 105]) channel_c = np.array([60, 70, 85, 90]) x = np.arange(len(categories)) width = 0.5 fig, ax = plt.subplots(figsize=(9, 6)) # 第一层：从 0 开始 ax.bar(x, channel_a, width, label='渠道A', color='#4C72B0') # 第二层：从 channel_a 的高度开始 ax.bar(x, channel_b, width, bottom=channel_a, label='渠道B', color='#DD8452') # 第三层：从 channel_a + channel_b 的高度开始 ax.bar(x, channel_c, width, bottom=channel_a + channel_b, label='渠道C', color='#55A868') ax.set_xticks(x) ax.set_xticklabels(categories) ax.set_ylabel('销量（件）') ax.set_title('各渠道季度销量堆积图') ax.legend() plt.tight_layout() plt.show()

这段代码里有三个地方值得单独说：

第一，bottom的传参方式。第一层不传bottom（默认 0），第二层传channel_a，第三层传channel_a + channel_b。规律很清楚：第 n 层的 bottom 等于前 n-1 层数据之和。层数多了以后手写加法容易出错，可以用np.cumsum配合切片自动算，后面会讲。

第二，width参数。垂直柱状图的宽度默认是 0.8，堆积图我一般调到 0.5 到 0.6 之间。原因很简单：堆积图本身信息密度就高，柱子太宽会显得笨重，留白多一点视觉上更透气。

第三，中文字体设置。SimHei是 Windows 上常见的黑体，Mac 上可能没有，需要换成Arial Unicode MS或PingFang SC。如果图里出现方框乱码，八成就是字体没配对。axes.unicode_minus = False这行是解决负号显示成方块的问题，虽然堆积图一般用不到负数，但养成习惯没坏处。

3.2 用 cumsum 自动计算 bottom

三层数据手写加法还行，五层、八层就很容易写错。更稳妥的做法是用np.cumsum自动累加：

data = np.array([channel_a, channel_b, channel_c]) colors = ['#4C72B0', '#DD8452', '#55A868'] labels = ['渠道A', '渠道B', '渠道C'] fig, ax = plt.subplots(figsize=(9, 6)) # 计算每一层的 bottom：第一层为 0，之后为前面所有层的累加 cumsum = np.cumsum(data, axis=0) for i in range(len(data)): bottom = cumsum[i - 1] if i > 0 else np.zeros_like(data[0]) ax.bar(x, data[i], width, bottom=bottom, label=labels[i], color=colors[i])

这里np.cumsum(data, axis=0)会沿着"层"的方向累加，得到每一层顶部的绝对高度。第 i 层的bottom就是第 i-1 层的累加值，第一层特殊处理为全 0。这种写法在层数动态变化时特别有用，比如你的数据系列是从配置里读出来的，层数不固定，用循环就一劳永逸了。

注意：np.zeros_like(data[0])比np.zeros(len(categories))更稳妥，因为它自动匹配数据类型和形状，不会因为 dtype 不一致引发隐式转换的坑。

3.3 水平堆积图的写法差异

把上面的逻辑平移到barh，主要改三个地方：函数名、bottom换成left、x/y 轴的角色互换。

fig, ax = plt.subplots(figsize=(9, 6)) cumsum = np.cumsum(data, axis=0) for i in range(len(data)): left = cumsum[i - 1] if i > 0 else np.zeros_like(data[0]) ax.barh(y, data[i], height, left=left, label=labels[i], color=colors[i]) ax.set_yticks(y) ax.set_yticklabels(categories) ax.set_xlabel('销量（件）')

注意barh的宽度参数叫height而不是width，这个命名有点反直觉，但记住"水平柱子的粗细是高度"就好理解了。另外set_xticks和set_yticks的角色也互换了，类别标签现在挂在 y 轴上。

水平堆积图有个额外好处：当类别名很长时，不需要旋转标签。垂直图里那些斜着 45 度的标签，读起来脖子都酸，水平图直接横排，清爽很多。

4. 颜色、标签与细节打磨

4.1 配色不是随便挑几个好看的颜色

堆积图的配色有个硬性要求：相邻层的颜色必须有足够的对比度。因为层与层之间是紧贴的，如果两个颜色太接近，边界就糊在一起，读者根本分不清哪里是第一层结束、第二层开始。

我常用的几套配色方案：

这些色值来自 ColorBrewer 和 Seaborn 的经典调色板，经过大量实际项目验证，对比度和美观度都过关。如果你懒得记色值，可以直接用 Matplotlib 内置的 colormap：

import matplotlib.cm as cm colors = cm.Set2(np.linspace(0, 1, len(data)))

Set2、Paired、tab10这几个 colormap 都适合分类数据，取色均匀，不会出现两个层颜色撞车的情况。但要注意tab10在层数超过 10 时会循环取色，超过 10 层的堆积图本身就不建议画了，信息密度太高，读者根本消化不了。

4.2 数据标签怎么加才不打架

堆积图加数据标签是个技术活。垂直堆积图里，如果每层都标数值，层高不够的时候文字会重叠。我的处理策略是：

• 层高足够（占比 > 8%）：在层中央标注数值
• 层高不足：只在图例或表格里体现，图上不标
• 总量重要：在柱子顶部标注总和

for i in range(len(data)): bottom = cumsum[i - 1] if i > 0 else np.zeros_like(data[0]) bars = ax.bar(x, data[i], width, bottom=bottom, label=labels[i], color=colors[i]) for j, bar in enumerate(bars): height = bar.get_height() if height / cumsum[-1][j] > 0.08: # 占比超过 8% 才标注 ax.text(bar.get_x() + bar.get_width() / 2, bar.get_y() + height / 2, f'{int(height)}', ha='center', va='center', fontsize=9, color='white')

这里bar.get_y()拿到的是这一层的底部位置，加上height / 2就是层中央。文字颜色用白色是因为深色填充上白字更清晰，但如果你的配色偏浅，就得改成深色字。这个判断逻辑可以再细化，比如根据颜色的亮度自动选黑字还是白字，不过实际项目里手动指定往往更省事。

4.3 图例位置与顺序的讲究

图例的顺序默认和绘制顺序一致，也就是从底层到顶层。这个顺序符合直觉，一般不用改。但图例的位置需要根据图形方向调整：

• 垂直堆积图：图例放右侧或顶部，别放底部（会和 x 轴标签挤在一起）
• 水平堆积图：图例放顶部或右侧，别放左侧（会和 y 轴标签冲突）

ax.legend(loc='upper right', bbox_to_anchor=(1.15, 1), frameon=False)

bbox_to_anchor可以把图例挪到绘图区域外面，避免遮挡数据。frameon=False去掉图例边框，视觉上更干净。如果图例项太多，可以用ncol=2排成两列，节省纵向空间。

实操心得：图例的标签顺序如果和堆积顺序不一致，读者会看得很困惑。我一般会在代码里把labels列表和data的行顺序绑定在一起维护，改数据的时候顺手改标签，避免两者脱节。

5. 进阶技巧与性能优化

5.1 百分比堆积图：让占比一目了然

当各分类的总量差异很大时，绝对值的堆积图会让小分类几乎看不见。这时候应该转成百分比堆积图，每一根柱子总高度都是 100%，各层显示占比。

# 归一化：每列除以该列总和 data_pct = data / data.sum(axis=0) * 100 cumsum_pct = np.cumsum(data_pct, axis=0) fig, ax = plt.subplots(figsize=(9, 6)) for i in range(len(data_pct)): bottom = cumsum_pct[i - 1] if i > 0 else np.zeros_like(data_pct[0]) ax.bar(x, data_pct[i], width, bottom=bottom, label=labels[i], color=colors[i]) ax.set_ylim(0, 100) ax.set_ylabel('占比（%）')

关键就一行data / data.sum(axis=0) * 100。axis=0表示沿着"层"的方向求和，得到每个类别的总量，然后逐元素相除。这样每列加起来正好是 100。

百分比堆积图有个细节要注意：浮点数累加可能有微小误差，导致最顶层的柱子差那么零点零几个百分点没到 100。视觉上几乎看不出来，但如果你的代码里有断言检查，记得留个容差。

5.2 大数据量下的渲染优化

堆积图的数据量一般不会太大，但如果类别数上百、层数十几个，渲染就会变慢。几个优化方向：

第一，用ax.bar的批量绘制能力。与其循环调用bar，不如把同层数据一次性传入。不过堆积图因为每层bottom不同，很难完全批量，但至少可以避免在循环里做重复的样式计算。

第二，关闭不必要的抗锯齿。antialiased=False在柱子边缘是直线时能省一点渲染时间，但视觉上会有轻微锯齿，看场景取舍。

第三，如果只是预览，把dpi调低。fig = plt.figure(dpi=80)比默认的 100 快不少，最终导出时再调回 150 或 300。

5.3 导出与保存的常见坑

保存图片看起来简单，但有几个坑我踩过不止一次：

plt.savefig('stacked_bar.png', dpi=300, bbox_inches='tight', facecolor='white')

• bbox_inches='tight'会裁掉多余白边，但有时候会把图例或标签裁掉一部分，需要配合pad_inches微调
• facecolor='white'确保背景是白色，否则某些主题下导出的是透明背景，贴到文档里会变黑
• dpi=300适合印刷，屏幕展示 150 就够，文件大小差好几倍

还有一个高频问题：保存的图和plt.show()显示的不一样。这通常是因为savefig在show之前调用，或者反过来导致画布被清空。正确顺序是先savefig再show，或者用面向对象写法，在fig对象上操作，避免全局状态干扰。

提示：如果你要保存的是动画（比如堆积图随时间变化），savefig就不够用了，得用matplotlib.animation模块。核心是FuncAnimation配合PillowWriter或FFMpegWriter，前者导出 GIF，后者导出 MP4。GIF 体积大但兼容性好，MP4 体积小但需要额外的编码器支持，按发布平台选。

6. 常见问题排查速查表

堆积图的问题大多集中在"显示不对"和"报错"两类。我把实际遇到过的典型情况整理成表，方便对照排查：

除了表里这些，还有一个隐蔽的坑：数据里混入了字符串。比如从 CSV 读进来的时候某列被识别成 object 类型，np.cumsum会直接报错或者产生奇怪的结果。画图前用data.dtype确认一下，是float64或int64才放心。

另一个经验是：别在循环里反复调用plt.legend()。图例只需要在最后调用一次，循环里调用会导致图例重复叠加，显示出一堆重复项。这个错误在新手里挺常见，因为每画一层就想着"顺手把图例加上"。

7. 一个完整的实战案例

把前面所有知识点串起来，做一个完整的例子：某项目四个阶段的工时分配，按三个团队统计，画成水平百分比堆积图，带数据标签和优化后的图例。

import matplotlib.pyplot as plt import numpy as np plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False stages = ['需求分析', '方案设计', '编码实现', '测试验收'] team_a = np.array([40, 60, 120, 50]) team_b = np.array([30, 45, 90, 40]) team_c = np.array([20, 35, 70, 30]) data = np.array([team_a, team_b, team_c]) labels = ['团队A', '团队B', '团队C'] colors = ['#4C72B0', '#DD8452', '#55A868'] # 转百分比 data_pct = data / data.sum(axis=0) * 100 cumsum = np.cumsum(data_pct, axis=0) y = np.arange(len(stages)) height = 0.5 fig, ax = plt.subplots(figsize=(10, 6)) for i in range(len(data_pct)): left = cumsum[i - 1] if i > 0 else np.zeros_like(data_pct[0]) bars = ax.barh(y, data_pct[i], height, left=left, label=labels[i], color=colors[i]) for j, bar in enumerate(bars): w = bar.get_width() if w > 8: # 占比超过 8% 才标注 ax.text(bar.get_x() + w / 2, bar.get_y() + bar.get_height() / 2, f'{w:.1f}%', ha='center', va='center', fontsize=9, color='white') ax.set_yticks(y) ax.set_yticklabels(stages) ax.set_xlim(0, 100) ax.set_xlabel('工时占比（%）') ax.set_title('各团队阶段工时占比堆积图') ax.legend(loc='upper center', bbox_to_anchor=(0.5, -0.12), ncol=3, frameon=False) plt.tight_layout() plt.savefig('stacked_pct.png', dpi=200, bbox_inches='tight', facecolor='white') plt.show()

这个例子里有几个值得注意的决策：用水平方向是因为阶段名是四个汉字，横排更舒服；转百分比是因为三个团队的总工时不同，绝对值对比不公平；图例放底部横排是因为顶部要留给标题，右侧空间又不够；标签阈值设 8% 是经验值，低于这个比例的文字会挤在一起。

跑出来的图，四个阶段各占一行，每行被三个团队按占比切分，颜色分明，标签清晰。这种图放在项目汇报里，比一张密密麻麻的表格直观得多。

8. 我踩过的几个真实坑

最后分享几个文档里不会写、但实际做项目时一定会遇到的坑。

第一个是数据顺序的隐性依赖。有次我从数据库查出来的数据，字段顺序和我想的不一样，结果堆积图里"团队A"的颜色对应到了"团队C"的数据上，图看起来没报错，但结论完全反了。后来我养成了习惯：拿到数据先print(data.head())确认列序，再动手画图。

第二个是图例遮挡数据。默认的loc='best'会找一个"最不碍事"的位置，但堆积图数据铺满整个绘图区，best经常选到柱子上面。我的做法是直接把图例挪到绘图区外面，用bbox_to_anchor定位，虽然多写一个参数，但一劳永逸。

第三个是导出分辨率的选择。一开始我图省事，所有图都导出 300 dpi，结果一个报告里十几张图，文件几十兆，邮件都发不出去。后来按用途区分：屏幕展示 150 dpi，印刷 300 dpi，网页嵌入 96 dpi 就够。这个习惯帮我省了不少传输时间。

第四个是颜色在黑白打印下的区分度。有次报告要打印，彩色图变成灰度后，相邻两层几乎一个色，完全分不清。后来我在需要打印的场景里，会额外给每层加不同的纹理（hatch参数），比如斜线、点状、网格，这样即使灰度也能区分。hatch='//'、hatch='..'、hatch='xx'都是可选项，代价是渲染稍慢，但值得。

堆积图这个工具，说难不难，说简单也不简单。真正拉开差距的不是会不会调bar()，而是有没有想清楚"这张图要回答什么问题"，然后让每一个参数选择都服务于这个目标。颜色、方向、标签、图例，每一个细节都在影响读者能不能在三秒内看懂你想表达的东西。