Python:在一个图形中绘制所有分类子集组合
Python:在一个图形中绘制所有分类子集组合
提问于 2018-07-16 08:39:20
我想生成曲线图，显示不同组和子组的平均速率是如何随时间变化的。我可以手动完成，创建每个分组，定义每个y值集，并手动调用每个图。问题是，对组/子组的所有组合执行此操作是不切实际的。然而，我不确定如何概括这个过程。
我的数据有一个year、几个分类变量和一个数值rate。它看起来像这样，尽管实际上有更多的分类变量：
df.head()
Out [33]:
year gender race state rate
0 2015 F White AL 0.01
1 2013 F White NC 0.48
2 2013 F White IN 0.07
3 2013 M White NJ 0.95
4 2013 F White NY 0.09我想覆盖不同的组和子组：
有没有一种更优雅的方法来子化/自动化这个/这些图的生成？
import pandas as pd
import matplotlib.pyplot as plt
raw_data = {'year' : [2015 , 2013 , 2013 , 2013 , 2013 , 2013 , 2014 , 2013 , 2013 , 2013 , 2017 , 2013 , 2016 , 2017 , 2016 , 2015 , 2014 , 2014 , 2013 , 2013 , 2017 , 2014 , 2013 , 2016 , 2014 , 2016 , 2015 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2013 , 2017 , 2015 , 2015 , 2013 , 2013 , 2014]
, 'gender' : ['F' , 'F' , 'F' , 'M' , 'F' , 'F' , 'F' , 'M' , 'F' , 'M' , 'F' , 'M' , 'F' , 'M' , 'M' , 'M' , 'M' , 'M' , 'M' , 'M' , 'F' , 'M' , 'F' , 'M' , 'M' , 'M' , 'F' , 'M' , 'F' , 'F' , 'F' , 'M' , 'F' , 'M' , 'F' , 'F' , 'F' , 'F' , 'M' , 'M' , 'M' , 'F' , 'M' , 'M' , 'F' , 'M' , 'F' , 'M' , 'F']
, 'race' : ['White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'Black' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'Black' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'White' , 'Hispanic' , 'White' , 'Multiple' , 'White' , 'White' , 'Black' , 'Asian/Hawaii/PI' , 'Asian/Hawaii/PI' , 'Black' , 'Black' , 'Black' , 'Hispanic' , 'Black' , 'Black' , 'Black' , 'Black' , 'White' , 'White' , 'White' , 'White' , 'Black' , 'Multiple' , 'White' , 'White' , 'Black']
, 'state' : ['AL' , 'NC' , 'IN' , 'NJ' , 'NY' , 'NY' , 'NY' , 'ME' , 'MD' , 'NC' , 'NC' , 'NC' , 'AL' , 'IN' , 'MD' , 'MD' , 'ME' , 'IN' , 'AL' , 'NC' , 'IN' , 'NJ' , 'NY' , 'AL' , 'IN' , 'MD' , 'MD' , 'ME' , 'IN' , 'AL' , 'NC' , 'IN' , 'NJ' , 'ME' , 'MD' , 'NC' , 'NC' , 'NC' , 'AL' , 'IN' , 'MD' , 'ME' , 'MD' , 'NC' , 'NC' , 'NC' , 'AL' , 'IN' , 'MD']
, 'rate' : [0.01 , 0.48 , 0.07 , 0.95 , 0.09 , 0.09 , 0.08 , 0.89 , 0.55 , 0.38 , 0.23 , 0.66 , 0.46 , 0.24 , 0.07 , 0.75 , 0.67 , 0.60 , 0.36 , 0.18 , 0.56 , 0.27 , 0.98 , 0.89 , 0.17 , 0.72 , 0.23 , 0.10 , 0.81 , 0.04 , 0.41 , 0.16 , 0.39 , 0.12 , 0.95 , 0.99 , 0.16 , 0.52 , 0.74 , 0.31 , 0.36 , 0.16 , 0.02 , 0.22 , 0.33 , 0.30 , 0.90 , 0.14 , 0.16]}
df = pd.DataFrame(raw_data, columns= ['year', 'gender', 'race', 'state', 'rate'])
gb_overall = df.groupby(['year'])['rate'].mean()
gb_gender = df.groupby(['year', 'gender'])['rate'].mean()
gb_gender_race = df.groupby(['year', 'gender', 'race'])['rate'].mean()
x = gb_overall.index
y_overall = gb_overall.values
y_f = gb_gender.xs('F', level=1)
y_m = gb_gender.xs('M', level=1)
y_f_r = gb_gender_race.xs(('F', 'White'), level=['gender', 'race'])
fig = plt.subplots(figsize=(12, 8))
plt.plot(x, y_overall, marker = 'o')
plt.plot(x, y_f, marker = 'o')
plt.plot(x, y_m, marker = 'o')
plt.plot(x, y_f_r, marker = 'o')
axes = plt.gca()
axes.set_xlim(left=2012.5)
axes.set_title('Year vs. Average Rate', fontsize= 24)
axes.set_xlabel('Year', fontsize= 16)
axes.set_ylabel('Average Rate', fontsize= 16)
axes.legend(['Overall', 'F', 'M', 'White F'], fontsize=14, loc= 'best', frameon= True, edgecolor= 'black')
plt.show()回答 2
Stack Overflow用户
发布于 2018-07-16 09:08:14
我喜欢为使用熊猫图而构建一个形状和组织的单一数据框架。
white_f = gb_gender_race.xs(('F','White'), level=['gender','race']).rename('White F')
gender = gb_gender.unstack()
overall = gb_overall.rename('Overall')
df_chart = pd.concat([white_f, gender, overall], axis=1)
axes = df_chart.plot(marker = 'o')
axes.set_xlim(left=2012.5)
axes.set_title('Year vs. Average Rate', fontsize= 24)
axes.set_xlabel('Year', fontsize= 16)
axes.set_ylabel('Average Rate', fontsize= 16)
axes.legend(['Overall', 'F', 'M', 'White F'], fontsize=14, loc= 'best', frameon= True, edgecolor= 'black')输出：
Stack Overflow用户
发布于 2018-07-16 09:37:35
使用字典，可以半自动打印各种条件。我省略了代码中的图形样式部分，将重点放在了要点上。
# overall plot
df.groupby('year').rate.mean().plot(label='Overall', marker='o')
# a dictionary to store various labels(keys) and conditions(values).
# by editing/adding conditions, you can customise your plots.
conds = {}
conds['F'] = (df.gender == 'F')
conds['M'] = (df.gender == 'M')
conds['White F'] = (df.gender == 'F') & (df.race == 'White')
# plot for each condition
for key, value in conds.items():
df.loc[value].groupby('year').rate.mean().plot(label=key, marker='o')
plt.legend()
plt.show()页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/51353314
复制相关文章
相似问题
腾讯云开发者
