在我们开始之前，让我提一下matplotlib要求误差是相对于数据的，而不是绝对的边界。因此，我们将修改数据框架以通过减去相应的列来考虑这一点。

u = u"""grp1 grp2 variables  lb     m       ub
A   A1      V1     1.00   1.50    2.5           
A   A2      V2     1.50   2.50    3.5         
B   A1      V1     7.50   14.50   20.5           
B   A2      V2     0.25   0.75    1.0
A   A2      V1     1.00   6.50    8.5           
A   A1      V2     1.50   3.50    6.5         
B   A2      V1     3.50   4.50   15.5           
B   A1      V2     8.25   12.75  13.9"""

import io
import pandas as pd

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

现在有两种解决方案，它们本质上是相同的。让我们从一个不使用seaborn的解决方案开始，而是使用pandas绘图 Package 器（稍后会清楚原因）。

未使用Seaborn

Pandas允许通过使用数据框架绘制分组条形图，其中每个列属于或组成一个组。因此，要采取的步骤是
1.根据不同variables的数量创建多个子图。

1. groupby由variables
   1.对于每个组，创建一个透视 Dataframe ，该 Dataframe 的值为grp1作为列，值为m。对两个错误列执行同样的操作。
   1.应用How add asymmetric errorbars to Pandas grouped barplot?中的解决方案
   代码看起来像是：

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

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

def func(x,y,h,lb,ub, **kwargs):
    data = kwargs.pop("data")
    # from https://stackoverflow.com/a/37139647/4124317
    errLo = data.pivot(index=x, columns=h, values=lb)
    errHi = data.pivot(index=x, columns=h, values=ub)
    err = []
    for col in errLo:
        err.append([errLo[col].values, errHi[col].values])
    err = np.abs(err)
    p = data.pivot(index=x, columns=h, values=y)
    p.plot(kind='bar',yerr=err,ax=plt.gca(), **kwargs)

fig, axes = plt.subplots(ncols=len(df.variables.unique()))
for ax, (name, group) in zip(axes,df.groupby("variables")):
    plt.sca(ax)
    func("grp2", "m", "grp1", "lb", "ub", data=group, color=["limegreen", "indigo"])
    plt.title(name)

plt.show()

使用Seaborn

Seaborn factorplot不允许自定义错误条。因此需要使用FaceGrid方法。为了不使条形堆叠，可以在map调用中放入hue参数。因此，以下内容相当于问题中的sns.factorplot调用。

g = sns.FacetGrid(data=df, col="variables", size=4, aspect=.7 ) 
g.map(sns.barplot, "grp2", "m", "grp1", order=["A1","A2"] )

现在的问题是，我们无法从外部将误差条导入条形图，更重要的是，我们无法将分组条形图的误差值提供给seaborn.barplot。对于非分组条形图，可以通过yerr参数提供错误，该参数被传递到matplotlib plt.bar图中。这个概念在this question中显示。但是，由于seaborn.barplot多次调用plt.bar，每个hue调用一次，每次调用中的错误都是相同的（或者它们的维度不匹配）。
因此，我看到的唯一选择是使用FacetGrid并将上面使用的函数完全Map到它。这在某种程度上使seaborn的使用过时了，但为了完整起见，这里是FacetGrid的解决方案。

import io
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

def func(x,y,h,lb,ub, **kwargs):
    data = kwargs.pop("data")
    # from https://stackoverflow.com/a/37139647/4124317
    errLo = data.pivot(index=x, columns=h, values=lb)
    errHi = data.pivot(index=x, columns=h, values=ub)
    err = []
    for col in errLo:
        err.append([errLo[col].values, errHi[col].values])
    err = np.abs(err)
    p = data.pivot(index=x, columns=h, values=y)
    p.plot(kind='bar',yerr=err,ax=plt.gca(), **kwargs)

g = sns.FacetGrid(df, col="variables", size=4, aspect=.7,  ) 
g.map_dataframe(func, "grp2", "m", "grp1", "lb", "ub" , color=["limegreen", "indigo"]) 
g.add_legend()

plt.show()