Python 如何在子地块x轴上排序值

我使用了另一个示例中的代码，因此我不确定在哪里进行更改。我所有的条形图都是以降序排列的，x轴值按频率排列，但我想以x轴值按升序排列条形图。从0.7升到4.3。如何对代码进行更新，使其按x轴值升序排列

• 顺序的问题是无序字符串被用作数字等级。
• 排序问题可以通过将字母等级映射到数字而不是字符串来解决
• 通过将字母设置为有序分类类型，可以解决排序问题
• 这应该是一个

  countplot

  ，而不是一个

  直方图

  ，因为数据没有被

  装箱

  来传递分布，只是对每个类别的数据进行计数。
  • 代码显示正在绘制的

    ax.bar（dftemp.index，list（dftemp））

• 通过使用

  .stack（）

  将数据帧转换为长格式，然后使用

  seaborn.catplot

  ，只需四行代码即可绘制整个绘图。

  • seaborn

    是

    matplotlib

• 版本：
  • 熊猫1.2.3版

  • seaborn v0.11.1

  • matplotlib v3.3.4

    -

    seaborn

    &

    pandas

    依赖关系

导入和测试数据帧 将字母等级映射到数字

#数字等级
nums=[4.3,4.0,3.7,3.3,3.0,2.7,2.3,2.0,1.7,1.3,1.0,0.7,0.0]
#使用数值（非字符串值）记录字母等级
等级地图=dict（zip（等级，NUM））
#打印（grade_map）并查看字母等级现在映射到数字，而不是字符串
{'A+'：4.3，'A'：4.0，'A-'：3.7，'B+'：3.3，'B'：3.0，'B-'：2.7，'C'：2.0，'C-'：1.7，'D+'：1.0，'D-'：0.7，'E'：0.0}
#堆叠数据帧
dfl=df.stack（）.reset_index（name='grades'）.drop（['level_0']，axis=1）。重命名（{'level_1'：'classes'}，axis=1）
#将等级映射到数字
dfl['grades\u num']=dfl.grades.map（grade\u map）
#显示器（dfl.磁头（3））
班级等级数量
0 EECS545_A级-3.7
1经济101_B级3.0
2英语125_A级4.0
#绘图dfl
catplot（数据=dfl，列class='classes'，列wrap=3，x='grades\u num'，种类class='count'，颜色class='浅绿色'）

将字母等级设置为分类和有序

• 实际上没有必要将字母等级转换为数字等级
• 使用

  pd.Category

  和

  ordered=True

  将

  'grades'

  列设置为

  类别

  类型

#堆叠数据帧
dfl=df.stack（）.reset_index（name='grades'）.drop（['level_0']，axis=1）。重命名（{'level_1'：'classes'}，axis=1）
#将等级字母转换为分类和排序
dfl.grades=pd.Categorical（dfl.grades，categories=grades，ordered=True）
#地块坡度
sns.catplot（数据=dfl，col='classes'，col_wrap=3，x='grades'，kind='count'，color='rutch'）

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

def grade_distribution():
    
    # importing datasets
    df=pd.read_csv('assets/class_grades.csv')
    
    # dropping first column
    df.drop(df.columns[[0]], axis=1,inplace=True)

    # updating grade values
    df['EECS545_grade'] = df['EECS545_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    df['ECON101_grade'] = df['ECON101_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    df['ENGLISH125_grade'] = df['ENGLISH125_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    df['MATH217_grade'] = df['MATH217_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    df['DATASCI306_grade'] = df['DATASCI306_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    df['STATS250_grade'] = df['STATS250_grade'].replace({'A+': '4.3', 'A': '4.0', 'A-': '3.7', 'B+': '3.3', 'B': '3.0', 'B-': '2.7', 'C+': '2.3', 'C': '2.0', 'C-': '1.7', 'D+': '1.3', 'D': '1.0', 'D-': '0.7', 'E': '0'}) 
    
    # dropping NaN values
    df.dropna(inplace=True)
    
    cols_to_plot = ['EECS545_grade','ECON101_grade', 'ENGLISH125_grade','MATH217_grade', 'DATASCI306_grade', 'STATS250_grade']
    fig, axs = plt.subplots(nrows=2, ncols=3)
    fig.set_size_inches(20, 10)
    fig.subplots_adjust(wspace=0.2)
    fig.subplots_adjust(hspace=0.5)
    
    for col, ax in zip(cols_to_plot, axs.flatten()):
        dftemp = df[col].value_counts()
        ax.bar(dftemp.index, list(dftemp))
        ax.set_title(col)
        ax.tick_params(axis='x', labelrotation=30)

    plt.show()
    
grade_distribution()

import pandas as pd
import numpy as np  # for test data
import seaborn as sns

# test data
np.random.seed(365)

classes = ['EECS545_grade','ECON101_grade', 'ENGLISH125_grade','MATH217_grade', 'DATASCI306_grade', 'STATS250_grade']
grades = ['A+', 'A', 'A-', 'B+', 'B', 'B-', 'C+', 'C', 'C-', 'D+', 'D', 'D-', 'E']
grades_array = np.random.choice(grades, (1000, 6))

# given a wide dataframe 
df = pd.DataFrame(grades_array, columns=classes)

# display(df.head(3))
  EECS545_grade ECON101_grade ENGLISH125_grade MATH217_grade DATASCI306_grade STATS250_grade
0            A-             B                A            D-                E             B-
1            A-            A-               D+             D               C-              B
2            A+             E               B+            B+                C              C