Python 如何将单独的数据帧绘制为子图?
我有几个数据帧共享相同的值范围,但有不同的列和索引。调用Python 如何将单独的数据帧绘制为子图?,python,matplotlib,pandas,Python,Matplotlib,Pandas,我有几个数据帧共享相同的值范围,但有不同的列和索引。调用df.plot()时,我会得到单独的绘图图像。我真正想要的是把它们都作为子情节放在同一个情节中,但不幸的是,我没能想出一个解决方案,我非常感谢你的帮助 您可以使用matplotlib手动创建子地块,然后使用ax关键字在特定子地块上绘制数据帧。例如,对于4个子批次(2x2): 这里的axes是一个数组,它包含不同的子批次轴,您可以通过索引axes 如果您想要共享x轴,那么您可以向plt.subplot提供sharex=True,您可以看到e.
df.plot()
时,我会得到单独的绘图图像。我真正想要的是把它们都作为子情节放在同一个情节中,但不幸的是,我没能想出一个解决方案,我非常感谢你的帮助 您可以使用matplotlib手动创建子地块,然后使用ax
关键字在特定子地块上绘制数据帧。例如,对于4个子批次(2x2):
这里的axes
是一个数组,它包含不同的子批次轴,您可以通过索引axes
如果您想要共享x轴,那么您可以向
plt.subplot
提供sharex=True
,您可以看到e.gs。答案是这样的。同样从文档中,您还可以在pandasplot
函数中设置subplot=True
和layout=(,)
:
df.plot(subplots=True, layout=(1,2))
您还可以使用
图add_subplot()
,它获取子地块网格参数,如221、222、223、224等,如本文所述。pandas数据框上的绘图示例(包括子绘图)可以在中看到。您可以使用熟悉的Matplotlib样式调用图和子绘图
,但只需使用plt.gca()
指定当前轴即可。例如:
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())
等等。基于上面的@joris响应,如果您已经建立了子地块的引用,您也可以使用该引用。比如说,
ax1 = plt.subplot2grid((50,100), (0, 0), colspan=20, rowspan=10)
...
df.plot.barh(ax=ax1, stacked=True)
您可以使用以下选项:
fig = plt.figure()
ax = fig.add_subplot(221)
plt.plot(x,y)
ax = fig.add_subplot(222)
plt.plot(x,z)
...
plt.show()
你可能根本不需要使用熊猫。以下是cat频率的matplotlib图:
您可以使用matplotlib绘制多个pandas数据帧的多个子图,只需制作所有数据帧的列表。然后使用for循环绘制子地块
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
使用此代码,您可以在任何配置中绘制子地块。您只需定义行数nrow
和列数ncol
。此外,您还需要列出要打印的数据帧df_list
。如何从包含长(整齐)数据的数据帧字典中创建多个打印
- 假设
- 有一个包含多个整齐数据帧的字典
- 通过从文件中读入创建
- 通过将单个数据帧分离为多个数据帧创建
- 类别
cat
可能重叠,但所有数据帧可能不包含cat
hue='cat'
- 因为数据帧正在迭代,所以不能保证每个绘图的颜色映射相同
- 需要从所有数据帧的唯一
'cat'
值创建自定义颜色映射
- 由于颜色相同,请在绘图的一侧放置一个图例,而不是在每个绘图中放置一个图例
进口和合成数据
将熊猫作为pd导入
将numpy导入为np#用于随机数据
导入随机#用于随机数据
将matplotlib.pyplot作为plt导入
从matplotlib.patches导入用于自定义图例的补丁#
导入seaborn作为sns
导入数学导入单元#确定子批次的正确数量
#合成数据
df_dict=dict()
对于范围(1,7)内的i:
np.随机种子(i)
随机种子(一)
数据长度=100
数据={'cat':[random.choice(['A','B','C']),用于范围内的u(数据长度)],
“x”:np.random.rand(数据长度),
“y”:np.random.rand(数据长度)}
df_dict[i]=局部放电数据帧(数据)
#显示(df_dict[1].head())
猫x y
0 A 0.417022 0.326645
1 C 0.720324 0.527058
2 A 0.000114 0.885942
3 B 0.302333 0.357270
4 A 0.146756 0.908535
创建颜色映射和打印
这里是一个工作子批示例,其中modes是数据帧的列名
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)
请注意,令人烦恼的是,.subplot()
根据要创建的子地块数组的尺寸返回不同的坐标系。因此,如果返回子批,例如,nrows=2,ncols=1
,则需要将轴索引为轴[0]
和轴[1]
。在我的数据里看到“金丝雀”谢谢,这真的很烦人。。。您的评论为我节省了一些时间:)无法理解为什么我会得到索引器错误:数组中的数组
@canary\u索引太多,只有在使用.subplot()
的默认参数时,这才令人讨厌。设置squage=False
强制.subplot()
在任何行和列的情况下始终返回ndarray
。尽管joris的答案对于matplotlib的一般用法来说是非常好的,但对于希望使用pandas进行快速数据可视化的任何人来说都是非常好的。它也更适合这个问题。请记住,子图
和布局
kwargs将仅为单个数据帧生成多个图。这与OP将多个数据帧绘制到一个绘图中的问题有关,但不是一个解决方案。这是纯熊猫使用的更好答案。这不需要直接导入matplotlib(尽管您通常应该这样做),也不需要对任意形状进行循环(例如,可以使用layout=(df.shape[1],1)
)。请注意最后一行的打字错误:不是count=+1
,而是count+=1
我认为使用ax=plt.gca()
也在第一个绘图上。
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
# 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('husl', n_colors=len(unique_cat)) # get a number of colors
cmap = dict(zip(unique_cat, colors)) # zip values to colors
# iterate through dictionary and plot
col_nums = 3 # how many plots per row
row_nums = math.ceil(len(df_dict) / col_nums) # how many rows of plots
plt.figure(figsize=(10, 5)) # change the figure size as needed
for i, (k, v) in enumerate(df_dict.items(), 1):
plt.subplot(row_nums, col_nums, i) # create subplots
p = sns.scatterplot(data=v, x='x', y='y', hue='cat', palette=cmap)
p.legend_.remove() # remove the individual plot legends
plt.title(f'DataFrame: {k}')
plt.tight_layout()
# create legend from cmap
patches = [Patch(color=v, label=k) for k, v in cmap.items()]
# place legend outside of plot; change the right bbox value to move the legend up or down
plt.legend(handles=patches, bbox_to_anchor=(1.06, 1.2), loc='center left', borderaxespad=0)
plt.show()
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)