Ehrliche und irreführende Diagramme in Python

Problem

„Der September ist eingebrochen“

Ein Kollege schickt ein Diagramm für das Treffen mit dem Chef: der Umsatz der letzten vier Monate. Der Balken des Septembers ist fast weg. Es sieht aus wie eine Katastrophe.

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
last = monthly['2026-07-01':]
fig, ax = plt.subplots()
ax.bar(last.index.strftime('%Y-%m'), last)
ax.set_ylim(7000, 10000)
ax.set_title('Umsatz nach Monat, €')
last.round(2)

Der September ist wirklich schwächer: 7.128,80 € gegen 8.812,70 € im August. Warum, finden wir im Projekt am Ende des Kurses heraus. Hier ist die Frage eine andere: Wie viel schwächer sieht er im Diagramm aus, und wie viel schwächer ist er wirklich?

Die Idee

Balken beginnen bei null

Das Auge liest einen Balken an seiner Länge: Ein doppelt so langer Balken bedeutet doppelt so viel. Also muss die Länge die Zahl selbst sein. Das Diagramm des Kollegen beginnt bei 7.000 (set_ylim(7000, 10000)), und das heißt abgeschnittene Achse. Hier dieselben Zahlen mit einer Achse ab 7.000 und ab 0:

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
last = monthly['2026-07-01':]
labels = last.index.strftime('%Y-%m')
fig, (left, right) = plt.subplots(1, 2, figsize=(10, 4))
left.bar(labels, last)
left.set_ylim(7000, 10000)
left.set_title('Die Achse beginnt bei 7000')
right.bar(labels, last)
right.set_ylim(0, 10000)
right.set_title('Die Achse beginnt bei 0')
fig.suptitle('Dieselben vier Monate')
fig.tight_layout()
aug = last['2026-08-01']
sep = last['2026-09-01']
real = (aug - sep) / aug * 100
seen = (aug - sep) / (aug - 7000) * 100
print(round(real, 1), round(seen, 1), round(seen / real, 1))

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
last = monthly['2026-07-01':]
labels = last.index.strftime('%Y-%m')
fig, (left, right) = plt.subplots(1, 2, figsize=(10, 4))
left.bar(labels, last)
left.set_ylim(7000, 10000)
left.set_title('Die Achse beginnt bei 7000')
right.bar(labels, last)
right.set_ylim(0, 10000)
right.set_title('Die Achse beginnt bei 0')
fig.suptitle('Dieselben vier Monate')
fig.tight_layout()
aug = last['2026-08-01']
sep = last['2026-09-01']
real = (aug - sep) / aug * 100
seen = (aug - sep) / (aug - 7000) * 100
print(round(real, 1), round(seen, 1), round(seen / real, 1))

Der wirkliche Rückgang von August auf September ist 19,1 %. Links ist der Balken des Septembers 92,9 % kürzer als der des Augusts: Der Rückgang sieht 4,9-mal größer aus. Die abgeschnittene Achse entfernt die unteren 7.000 €, die sich die zwei Monate teilen, und lässt nur den Unterschied übrig.

matplotlib beginnt Balken von selbst bei 0. Eine abgeschnittene Achse kommt von set_ylim oder von Werkzeugen, die die Achse von allein „heranzoomen“. Wenn man den Unterschied zwischen den Balken ab 0 nicht sieht, ist er klein. Auch das ist eine Antwort.

Genauer, für Neugierige

Eine Linie ist anders: Sie liest man an ihrer Steigung und daran, wann sie steigt und fällt, nicht an der Länge. Die Achse einer Linie darf woanders als bei 0 beginnen, wenn sie beschriftet ist. Eine Linie, die sich um ein paar Prozent ändert, sieht auf einer Achse ab 0 fast flach aus, und die Veränderung ist nicht zu sehen.

Probier es aus

Das Diagramm korrigieren

Jemand hat den Umsatz nach Monat mit einer Achse ab 7.000 gezeichnet. Korrigiere das Diagramm: 12 Balken mit dem Umsatz jedes Monats (monthly, ohne die stornierten Bestellungen) und die y-Achse beginnend bei 0 und über den Dezember hinaus reichend.

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
fig, ax = plt.subplots(figsize=(9, 4))
ax.bar(..., ...)
ax.set_ylim(7000, 17000)
ax.set_title('Umsatz nach Monat, €')
ax.tick_params(axis='x', rotation=90)

Lösung

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
fig, ax = plt.subplots(figsize=(9, 4))
ax.bar(months, monthly)
ax.set_ylim(0, 17000)
ax.set_title('Umsatz nach Monat, €')
ax.tick_params(axis='x', rotation=90)
print(monthly.min().round(2), monthly.max().round(2))

Die Idee

Zwei y-Achsen

Der Umsatz liegt in Tausenden Euro, und die Bestellungen liegen in Hunderten. Um sie in ein Diagramm zu bringen, geben Leute der zweiten Linie oft eine eigene Achse rechts: ax.twinx() macht eine neue y-Achse, die sich die x-Achse mit der ersten teilt. Aber die Skala jeder Achse wird getrennt gewählt, und jede Linie dehnt sich, um ihre eigene zu füllen. So können zwei Linien verschmolzen oder auseinander aussehen, wie der Autor es will.

Die ehrliche Alternative ist ein Index: jeden Monat durch den ersten teilen und mit 100 multiplizieren. by_month / by_month.iloc[0] * 100 macht das für beide Spalten auf einmal (Broadcasting über die Spalten). Dann liegen beide Linien auf einer Achse und beginnen bei 100:

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
by_month = sold.set_index('ordered_at').resample('MS').agg(revenue=('revenue', 'sum'), orders=('id', 'size'))
fig, (left, right) = plt.subplots(1, 2, figsize=(11, 4))
left.plot(months, by_month['revenue'], color='#0072B2')
left.set_ylabel('Umsatz, €')
other = left.twinx()
other.plot(months, by_month['orders'], color='#E69F00')
other.set_ylabel('Bestellungen')
left.set_title('Zwei Achsen: Die Linien verschmelzen')
index = by_month / by_month.iloc[0] * 100
right.plot(months, index['revenue'], color='#0072B2', label='Umsatz')
right.plot(months, index['orders'], color='#E69F00', label='Bestellungen')
right.set_title('Eine Achse: November = 100')
right.legend()
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Umsatz und Anzahl der Bestellungen')
fig.tight_layout()
index.loc['2025-12-01'].round(1)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
by_month = sold.set_index('ordered_at').resample('MS').agg(revenue=('revenue', 'sum'), orders=('id', 'size'))
fig, (left, right) = plt.subplots(1, 2, figsize=(11, 4))
left.plot(months, by_month['revenue'], color='#0072B2')
left.set_ylabel('Umsatz, €')
other = left.twinx()
other.plot(months, by_month['orders'], color='#E69F00')
other.set_ylabel('Bestellungen')
left.set_title('Zwei Achsen: Die Linien verschmelzen')
index = by_month / by_month.iloc[0] * 100
right.plot(months, index['revenue'], color='#0072B2', label='Umsatz')
right.plot(months, index['orders'], color='#E69F00', label='Bestellungen')
right.set_title('Eine Achse: November = 100')
right.legend()
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Umsatz und Anzahl der Bestellungen')
fig.tight_layout()
index.loc['2025-12-01'].round(1)

Links fallen die Linien fast zusammen, und Umsatz und Bestellungen scheinen sich gemeinsam zu bewegen. Rechts siehst du den Unterschied: Im Dezember ist der Umsatz 171,2 und die Bestellungen 136,7. Der Umsatz ist viel stärker gewachsen als die Bestellungen, weil die Bestellungen im Dezember auch größer sind. Das hast du auch in den Boxplots der vorigen Lektion gesehen.

Ein anderer ehrlicher Weg sind zwei Diagramme untereinander, jedes mit eigener Achse und Beschriftung: plt.subplots(2, 1, sharex=True).

Die Idee

3D, Kreisdiagramme und Bilder

Drei Dinge, die beeindruckend aussehen und in die Irre führen:

3D-Balken und 3D-Kreisdiagramme. Die Perspektive macht das Nahe größer als das Ferne. Die dritte Dimension trägt keine Daten; sie verzerrt nur.
Kreisdiagramme. Das Auge vergleicht Winkel und Flächen viel schlechter als Längen. Du hast es in der Lektion über die Wahl des Diagramms gesehen: Sortierte Balken sagen dasselbe klarer.
Ein Wert in der Größe eines Bildes. Wenn das Bild in Höhe und Breite wächst, wächst seine Fläche mit dem Quadrat: Doppelt so viel sieht aus wie viermal so viel.

1. Der Umsatz eines Monats ist doppelt so hoch wie der eines anderen. In einer Präsentation wird er als Geldsack gezeichnet, doppelt so hoch und doppelt so breit wie der andere. Wie viel größer sieht er aus?Doppelt, wie in den DatenGleich, weil die Säcke dasselbe Bild sindEtwa viermal: Das Auge vergleicht die Fläche, und sie wächst in der Höhe und in der Breite

Die Idee

Farbe für die Antwort

Farbe ist keine Dekoration: Sie sagt dir, wohin du sehen sollst. Eine Farbe für das, was zählt, und Grau für den Rest ist am klarsten. Hier der Umsatz nach Monat zweimal: links sind alle Balken gleich, rechts ist der Dezember gefärbt:

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
share = monthly['2025-12-01'] / monthly.sum() * 100
colors = np.where(monthly.index.month == 12, '#E69F00', 'lightgray')
fig, (left, right) = plt.subplots(1, 2, figsize=(11, 4))
left.bar(months, monthly)
left.set_title('Umsatz nach Monat, €')
right.bar(months, monthly, color=colors)
right.set_title(f'Der Dezember bringt {share:.0f} % des Jahresumsatzes')
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Ohne die Antwort und mit ihr')
fig.tight_layout()
print(round(share, 1))

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
share = monthly['2025-12-01'] / monthly.sum() * 100
colors = np.where(monthly.index.month == 12, '#E69F00', 'lightgray')
fig, (left, right) = plt.subplots(1, 2, figsize=(11, 4))
left.bar(months, monthly)
left.set_title('Umsatz nach Monat, €')
right.bar(months, monthly, color=colors)
right.set_title(f'Der Dezember bringt {share:.0f} % des Jahresumsatzes')
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Ohne die Antwort und mit ihr')
fig.tight_layout()
print(round(share, 1))

np.where(monthly.index.month == 12, '#E69F00', 'lightgray') liefert eine Farbe pro Monat: Orange für den Dezember, Grau für die anderen. color=colors legt sie auf die Balken.

Auch der Titel rechts wirkt: nicht „Umsatz nach Monat“, sondern die Schlussfolgerung: „Der Dezember bringt 14 % des Jahresumsatzes“ (genau 14,3 %). Der Leser versteht es, bevor er auf die Achsen schaut.

Das Orange #E69F00 stammt aus der Okabe-Ito-Palette: acht Farben, die auch Menschen unterscheiden können, die manche Farben nicht sehen. Viele Menschen können Rot nicht von Grün unterscheiden. Trenne also nie zwei Dinge nur durch Rot und Grün. Wenn du mehr Farben brauchst, ist auch die Palette tab10 von matplotlib (die Standardfarben, C0 bis C9) ein guter Anfang.

Die Idee

Beschriftungen statt Legende

Sechs Linien in sechs Farben und eine Legende in der Ecke: Das Auge springt zwischen Linie und Legende, um herauszufinden, welche welche ist. Eine Beschriftung direkt an der Linie spart das. Hier der Umsatz nach Kategorie, links mit einer Legende und rechts mit Beschriftungen:

PythonDaten: die Tabellen des Shops

import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
products = pd.read_csv('products.csv').rename(columns={'id': 'product_id'})
categories = pd.read_csv('categories.csv').set_index('id')['name']
items['revenue'] = items['quantity'] * items['unit_price']
lines = items.merge(orders[['id', 'ordered_at', 'status']], left_on='order_id', right_on='id', validate='many_to_one')
lines = lines[lines['status'] != 'cancelled']
lines = lines.merge(products[['product_id', 'category_id']], on='product_id', validate='many_to_one')
lines['category'] = lines['category_id'].map(categories)
lines['month'] = lines['ordered_at'].dt.strftime('%Y-%m')
# Die Geschenkkarte hat keine Kategorie, und pivot_table lässt sie weg.
table = lines.pivot_table(index='month', columns='category', values='revenue', aggfunc='sum')
times = table.loc['2025-12', 'Küche'] / table['Küche'].drop('2025-12').mean()
fig, (left, right) = plt.subplots(1, 2, figsize=(12, 5))
table.plot(ax=left)
left.set_title('Umsatz nach Kategorie, €')
for name in table.columns.drop('Küche'):
    right.plot(table.index, table[name], color='lightgray')
    right.text(len(table) - 0.8, table[name].iloc[-1], name, color='gray', va='center')
right.plot(table.index, table['Küche'], color='#0072B2', linewidth=2)
right.text(1.3, table.loc['2025-12', 'Küche'], 'Küche', color='#0072B2', va='center')
right.set_title(f'Im Dezember verkauft die Küche {times:.0f}-mal so viel')
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Eine Legende oder Beschriftungen an den Linien')
fig.tight_layout()
print(table.loc['2025-12', 'Küche'].round(2), round(times, 1))

import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
products = pd.read_csv('products.csv').rename(columns={'id': 'product_id'})
categories = pd.read_csv('categories.csv').set_index('id')['name']
items['revenue'] = items['quantity'] * items['unit_price']
lines = items.merge(orders[['id', 'ordered_at', 'status']], left_on='order_id', right_on='id', validate='many_to_one')
lines = lines[lines['status'] != 'cancelled']
lines = lines.merge(products[['product_id', 'category_id']], on='product_id', validate='many_to_one')
lines['category'] = lines['category_id'].map(categories)
lines['month'] = lines['ordered_at'].dt.strftime('%Y-%m')
# Die Geschenkkarte hat keine Kategorie, und pivot_table lässt sie weg.
table = lines.pivot_table(index='month', columns='category', values='revenue', aggfunc='sum')
times = table.loc['2025-12', 'Küche'] / table['Küche'].drop('2025-12').mean()
fig, (left, right) = plt.subplots(1, 2, figsize=(12, 5))
table.plot(ax=left)
left.set_title('Umsatz nach Kategorie, €')
for name in table.columns.drop('Küche'):
    right.plot(table.index, table[name], color='lightgray')
    right.text(len(table) - 0.8, table[name].iloc[-1], name, color='gray', va='center')
right.plot(table.index, table['Küche'], color='#0072B2', linewidth=2)
right.text(1.3, table.loc['2025-12', 'Küche'], 'Küche', color='#0072B2', va='center')
right.set_title(f'Im Dezember verkauft die Küche {times:.0f}-mal so viel')
for ax in (left, right):
    ax.tick_params(axis='x', rotation=90)
fig.suptitle('Eine Legende oder Beschriftungen an den Linien')
fig.tight_layout()
print(table.loc['2025-12', 'Küche'].round(2), round(times, 1))

ax.text(x, y, 'Küche') schreibt Text an den Punkt (x, y) der Daten. Die Monate sind Text, und matplotlib setzt sie auf die Positionen 0, 1, 2…, also liegt len(table) - 0.8 knapp rechts vom letzten Monat und 1.3 neben dem Dezember. Die Beschriftung der Küche hat das Blau ihrer Linie, und die Küche wird zuletzt und dicker gezeichnet, also liegt sie oben.

Im Dezember verkauft die Küche für 3.240,60 €, 4,4-mal so viel wie in ihrem durchschnittlichen Monat im Rest des Jahres. Meist verkaufen sich Pfannen und Messer, wahrscheinlich als Geschenke. Im linken Diagramm ist das eine von sechs Linien, im rechten ist es das Erste, was du siehst. Die Geschenkkarte hat keine Kategorie, deshalb ist sie nicht dabei.

Probier es aus

Farben

1. In einem Diagramm ist Wachstum grün und Rückgang rot, ohne anderen Unterschied. Was ist das Problem?Rot und Grün drucken nichtNichts, das ist die übliche Bedeutung der FarbenViele Menschen können Rot nicht von Grün unterscheiden, und für sie sind die zwei Linien gleich

2. Warum sind im Kategoriendiagramm die anderen fünf Linien grau und die Küche blau?Weil matplotlib nur zwei Farben hatWeil Grau schöner aussiehtFarbe lenkt das Auge zur Antwort; Grau behält den Zusammenhang, ohne mit ihr zu konkurrieren

Übung

Das Diagramm für den Jahresbericht

Der Chef will ein Diagramm für den Jahresbericht: den Umsatz nach Monat (monthly), den Dezember in Farbe, die anderen Monate grau, die Achse ab 0 und einen Titel, der sagt, wie viel vom Jahresumsatz der Dezember bringt. Leg den Anteil in share ab und die Farben in colors.

PythonDaten: die Tabellen des Shops

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
share = ...
colors = ...
fig, ax = plt.subplots(figsize=(9, 4))
ax.bar(months, monthly, color=colors)
ax.set_title(...)

Lösung

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

orders = pd.read_csv('year_orders.csv', parse_dates=['ordered_at'])
items = pd.read_csv('year_items.csv')
items['revenue'] = items['quantity'] * items['unit_price']
per_order = items.groupby('order_id', as_index=False)['revenue'].sum()
orders = orders.merge(per_order, left_on='id', right_on='order_id', how='left', validate='one_to_one')
# Der Umsatz lässt die stornierten Bestellungen weg.
sold = orders[orders['status'] != 'cancelled']
monthly = sold.set_index('ordered_at')['revenue'].resample('MS').sum()
months = monthly.index.strftime('%Y-%m')
share = monthly['2025-12-01'] / monthly.sum() * 100
colors = np.where(monthly.index.month == 12, '#E69F00', 'lightgray')
fig, ax = plt.subplots(figsize=(9, 4))
ax.bar(months, monthly, color=colors)
ax.set_ylim(0, 17000)
ax.set_title(f'Der Dezember bringt {share:.0f} % des Jahresumsatzes')
ax.tick_params(axis='x', rotation=90)

Test

Teste dich

1. Der Umsatz fällt von August auf September um 19,1 %. Bei Balken mit einer Achse ab 7.000 sieht der Rückgang wie 92,9 % aus. Warum?Das Auge vergleicht die Längen der Balken, und die abgeschnittene Achse entfernt den gemeinsamen unteren Teil, der für beide 7.000 € istWeil matplotlib die Werte rundetWeil der September weniger Tage hat

2. Eine Linie zeigt den Durchschnittspreis des Kaffees nach Monat: 13,90 € bis Februar und 14,90 € ab März. Muss die y-Achse der Linie bei 0 beginnen?Nein, und sie kann beginnen, wo du willst, ohne BeschriftungNicht unbedingt: Eine Linie liest man an Steigung und Lage, nicht an der Länge; wichtig ist, dass die Achse beschriftet ist und nicht absichtlich übertreibtJa, jede Achse beginnt bei 0

3. Was ist gefährlich an zwei y-Achsen (twinx) in einem Diagramm?matplotlib kann sie nicht beschriftenDie Skala jeder Achse wird frei gewählt, sodass die Linien verschmolzen oder auseinander aussehen können, wie der Autor es willNichts, es spart Platz

4. Welcher Titel ist besser für das Diagramm des Umsatzes nach Monat mit gefärbtem Dezember?„Umsatz nach Monat“„Diagramm 3“„Der Dezember bringt 14 % des Jahresumsatzes“

Ehrliche Diagramme

Cookies