Skip to main content
 首页 » 编程设计

python之结合不同范围的 Pandas 中的多个箱线图

2024年11月01日7Leo_wl

我有 2 个数据集,一个代表根区 (mm),另一个代表树覆盖率 (%)。我能够并排绘制这些数据集(如下所示)。 使用的代码是:

    fig = plt.subplots(figsize = (16,7)) 
    ax = [ 
        plt.subplot(121), 
        plt.subplot(122)] 
    classified_data.boxplot(grid=False, rot=90, fontsize=10, ax = ax[0]) 
    classified_treecover.boxplot(grid=False, rot=90, fontsize=10, ax = ax[1]) 
    ax[0].set_ylabel('Rootzone Storage Capacity (mm)', fontsize = '12') 
    ax[1].set_ylabel('Tree Cover (%)', fontsize = '12') 
    ax[0].set_title('Rootzone Storage Capacity (mm)') 
    ax[1].set_title('Tree Cover (%)') 

但我想让它们与 Rootzone(在左侧 y 轴上)和 Tree cover(在右侧 y 轴上)在同一个图中,因为它们的范围不同(使用类似 双胞胎())。但我希望它们在 x 轴上堆叠在一起作为一个类(如下图所示,树盖有一个双 y 轴)。 有人可以指导我如何使用我的代码实现这一目标吗?

请您参考如下方法:

要在同一张图中绘制具有不同范围的两个数据集,您需要将所有值转换为相应的 z 分数(标准化您的数据)。您可以在 seaborn 的 boxplot() 函数中使用 hue 参数来并排绘制两个数据集。考虑以下使用“mpg”数据集的示例。

   displacement  horsepower origin 
0         307.0       130.0    usa 
1         350.0       165.0    usa 
2         318.0       150.0    usa 
3         304.0       150.0    usa 
4         302.0       140.0    usa 
 
import seaborn as sns 
import matplotlib.pyplot as plt 
 
df = sns.load_dataset('mpg') 
 
df1 = df[['displacement', 'origin']].copy() 
df2 = df[['horsepower', 'origin']].copy() 
 
# Convert values to z scores. 
df1['z_score'] = df1['displacement'].\ 
apply(lambda x: (x - df1['displacement'].mean()) / df1['displacement'].std()) 
df2['z_score'] = df2['horsepower'].\ 
apply(lambda x: (x - df2['horsepower'].mean()) / df2['horsepower'].std()) 
 
df1.drop(['displacement'], axis= 1, inplace=True) 
df2.drop(['horsepower'], axis=1, inplace=True) 
 
# Add extra column to use it as the 'hue' parameter. 
df1['value'] = 'displacement' 
df2['value'] = 'horsepower' 
 
df_cat = pd.concat([df1, df2]) 
 
ax = sns.boxplot(x='origin', y='z_score', hue='value', data=df_cat) 
 
plt.yticks([]) 
ax.set_ylabel('') 
 
# Add the left y axis. 
ax1 = ax.twinx() 
ax1.set_yticks(np.linspace(df['displacement'].min(), df['displacement'].max(), 5)) 
ax1.spines['right'].set_position(('axes', -0.2)) 
ax1.set_ylabel('displacement') 
 
# Add the right y axis. 
ax2 = ax.twinx() 
ax2.set_yticks(np.linspace(df['horsepower'].min(), df['horsepower'].max(), 5)) 
ax2.spines['right'].set_position(('axes', 1)) 
ax2.set_ylabel('horsepower') 
plt.show()