如何在子图中绘制多个数据框-IT科技

摘要：问题描述：我有几个 Pandas DataFrames 共享相同的值标度，但具有不同的列和索引。调用时df.plot()，我得到单独的绘图图像。我真正想要的是将它们全部放在同一个绘图中作为子图，但不幸的是，我无法想出解决方案，非常感谢您的帮助。解决方案 1：您可以使用 matplotlib 手动创建子图，然后...

问题描述：

我有几个 Pandas DataFrames 共享相同的值标度，但具有不同的列和索引。调用时df.plot()，我得到单独的绘图图像。我真正想要的是将它们全部放在同一个绘图中作为子图，但不幸的是，我无法想出解决方案，非常感谢您的帮助。

解决方案 1：

您可以使用 matplotlib 手动创建子图，然后使用关键字在特定子图上绘制数据框ax。例如，对于 4 个子图（2x2）：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(nrows=2, ncols=2)

df1.plot(ax=axes[0,0])
df2.plot(ax=axes[0,1])
...

这axes是一个包含不同子图轴的数组，您只需索引即可访问其中一个axes。

如果您想要一个共享的 x 轴，则可以提供sharex=True给plt.subplots。

解决方案 2：

您可以在文档中看到例如演示 joris 答案的内容。同样从文档中，您还可以在 pandas函数中设置subplots=True和： layout=(,)`plot`

df.plot(subplots=True, layout=(1,2))

您还可以使用fig.add_subplot()采用子图网格参数（例如 221、222、223、224 等）的函数，如此处的帖子所述。在此 ipython 笔记本中可以看到在 pandas 数据框上绘图的很好示例（包括子图）。

解决方案 3：

您可以使用 matplotlib 绘制多个 pandas 数据框的多个子图，只需简单列出所有数据框即可。然后使用 for 循环绘制子图。

工作代码：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# dataframe sample data
df1 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df2 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df3 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df4 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df5 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])
df6 = pd.DataFrame(np.random.rand(10,2)*100, columns=['A', 'B'])

#define number of rows and columns for subplots
nrow=3
ncol=2

# make a list of all dataframes 
df_list = [df1 ,df2, df3, df4, df5, df6]
fig, axes = plt.subplots(nrow, ncol)

# plot counter
count=0
for r in range(nrow):
    for c in range(ncol):
        df_list[count].plot(ax=axes[r,c])
        count+=1

在此处输入图片描述

使用此代码，您可以以任何配置绘制子图。您需要定义行数nrow和列数ncol。此外，您还需要列出df_list要绘制的数据框。

解决方案 4：

您可以使用熟悉的 Matplotlib 样式调用figure和subplot，但您只需使用指定当前轴plt.gca()。示例：

plt.figure(1)
plt.subplot(2,2,1)
df.A.plot() #no need to specify for first axis
plt.subplot(2,2,2)
df.B.plot(ax=plt.gca())
plt.subplot(2,2,3)
df.C.plot(ax=plt.gca())

ETC...

解决方案 5：

你可以使用这个：

fig = plt.figure()
ax = fig.add_subplot(221)
plt.plot(x,y)

ax = fig.add_subplot(222)
plt.plot(x,z)
...

plt.show()

解决方案 6：

你可能根本不需要使用 Pandas。以下是猫频率的 matplotlib 图：

在此处输入图片描述

x = np.linspace(0, 2*np.pi, 400)
y = np.sin(x**2)

f, axes = plt.subplots(2, 1)
for c, i in enumerate(axes):
  axes[c].plot(x, y)
  axes[c].set_title('cats')
plt.tight_layout()

解决方案 7：

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

fig, ax = plt.subplots(2,2)
df = pd.DataFrame({'A':np.random.randint(1,100,10), 
                   'B': np.random.randint(100,1000,10),
                   'C':np.random.randint(100,200,10)})
for ax in ax.flatten():
    df.plot(ax =ax)

解决方案 8：

选项 1：从包含长（整洁）数据的数据框字典中创建子图

假设：
- 有一个包含多个整洁数据框的字典，这些数据框可以是：
  - 通过读取文件创建
  - 通过将单个数据框分成多个数据框来创建
- 类别cat可能会重叠，但所有数据框不一定包含的所有值cat
- hue='cat'
此示例使用dict数据框，但list数据框类似。
如果数据框很宽，则将pandas.DataFrame.melt其转换为长格式。
由于数据框正在迭代，因此无法保证每个图的颜色映射相同
- 'cat'需要根据所有数据框的唯一值创建自定义颜色图
- 由于颜色相同，因此将一个图例放在图表的一侧，而不是每个图表中都放置一个图例
已在python 3.10, pandas 1.4.3, matplotlib 3.5.1,测试seaborn 0.11.2

导入和测试数据

import pandas as pd
import numpy as np  # used for random data
import matplotlib.pyplot as plt
from matplotlib.patches import Patch  # for custom legend - square patches
from matplotlib.lines import Line2D  # for custom legend - round markers
import seaborn as sns
import math import ceil  # determine correct number of subplot

# synthetic data
df_dict = dict()
for i in range(1, 7):
    np.random.seed(i)  # for repeatable sample data
    data_length = 100
    data = {'cat': np.random.choice(['A', 'B', 'C'], size=data_length),
            'x': np.random.rand(data_length), 'y': np.random.rand(data_length)}
    df_dict[i] = pd.DataFrame(data)

# display(df_dict[1].head())
  cat         x         y
0   B  0.944595  0.606329
1   A  0.586555  0.568851
2   A  0.903402  0.317362
3   B  0.137475  0.988616
4   B  0.139276  0.579745

# display(df_dict[6].tail())
   cat         x         y
95   B  0.881222  0.263168
96   A  0.193668  0.636758
97   A  0.824001  0.638832
98   C  0.323998  0.505060
99   C  0.693124  0.737582

创建颜色映射和绘图

# create color mapping based on all unique values of cat
unique_cat = {cat for v in df_dict.values() for cat in v.cat.unique()}  # get unique cats
colors = sns.color_palette('tab10', n_colors=len(unique_cat))  # get a number of colors
cmap = dict(zip(unique_cat, colors))  # zip values to colors

col_nums = 3  # how many plots per row
row_nums = math.ceil(len(df_dict) / col_nums)  # how many rows of plots

# create the figure and axes
fig, axes = plt.subplots(row_nums, col_nums, figsize=(9, 6), sharex=True, sharey=True, tight_layout=True)
# convert to 1D array for easy iteration
axes = axes.flat

# iterate through dictionary and plot
for ax, (k, v) in zip(axes, df_dict.items()):
    
    sns.scatterplot(data=v, x='x', y='y', hue='cat', palette=cmap, ax=ax)
    sns.despine(top=True, right=True)
    ax.legend_.remove()  # remove the individual plot legends
    ax.set_title(f'dataset = {k}', fontsize=11)

# create legend from cmap
# patches = [Patch(color=v, label=k) for k, v in cmap.items()]  # square patches
patches = [Line2D([0], [0], marker='o', color='w', markerfacecolor=v, label=k, markersize=8) for k, v in cmap.items()]  # round markers

# place legend outside of plot; change the right bbox value to move the legend up or down
plt.legend(title='cat', handles=patches, bbox_to_anchor=(1.06, 1.2), loc='center left', borderaxespad=0, frameon=False)
plt.show()

在此处输入图片描述

选项 2：从具有多个独立数据集的单个数据框创建子图

数据框必须采用长格式并具有相同的列名。
此选项用于pd.concat将多个数据框合并为一个数据框，并.assign添加新列。
- 请参阅将多个 csv 文件导入 pandas 并连接成一个 DataFrame，以从文件列表创建单个数据框。
这个选项比较简单，因为它不需要手动将颜色映射到'cat'

合并 DataFrames

# using df_dict, with dataframes as values, from the top
# combine all the dataframes in df_dict to a single dataframe with an identifier column
df = pd.concat((v.assign(dataset=k) for k, v in df_dict.items()), ignore_index=True)

# display(df.head())
  cat         x         y  dataset
0   B  0.944595  0.606329        1
1   A  0.586555  0.568851        1
2   A  0.903402  0.317362        1
3   B  0.137475  0.988616        1
4   B  0.139276  0.579745        1

# display(df.tail())
    cat         x         y  dataset
595   B  0.881222  0.263168        6
596   A  0.193668  0.636758        6
597   A  0.824001  0.638832        6
598   C  0.323998  0.505060        6
599   C  0.693124  0.737582        6

使用以下方法绘制 FacetGrid`seaborn.relplot`

g = sns.relplot(kind='scatter', data=df, x='x', y='y', hue='cat', col='dataset', col_wrap=3, height=3)

在此处输入图片描述

这两个选项都会产生相同的结果，但是，合并所有数据框并用绘制图形级图表不太复杂sns.relplot。

解决方案 9：

基于上述 @joris 的回复，如果您已经建立了对子图的引用，那么您也可以使用该引用。例如，

ax1 = plt.subplot2grid((50,100), (0, 0), colspan=20, rowspan=10)
...

df.plot.barh(ax=ax1, stacked=True)

解决方案 10：

这是一个有效的 pandas 子图示例，其中 modes 是数据框的列名。

    dpi=200
    figure_size=(20, 10)
    fig, ax = plt.subplots(len(modes), 1, sharex="all", sharey="all", dpi=dpi)
    for i in range(len(modes)):
        ax[i] = pivot_df.loc[:, modes[i]].plot.bar(figsize=(figure_size[0], figure_size[1]*len(modes)),
                                                   ax=ax[i], title=modes[i], color=my_colors[i])
        ax[i].legend()
    fig.suptitle(name)

Pandas 子图栏示例