Python Seaborn：使用非对称自定义错误条按组制作条形图

我有一个Pandas数据框架，它有两个组列，如下所示

gr1 grp2 variables  lb     m       ub
 A   A1      V1     1.00   1.50    2.5           
 A   A2      V2     1.50   2.50    3.5         
 B   A1      V1     3.50   14.50   30.5           
 B   A2      V2     0.25   0.75    1.0

我正在尝试使用

FacetGrid

为

variables

中的每个变量获取一个单独的子条形图。我正在努力构建我需要的最终情节，如下图所示

这就是我目前所拥有的

g = sns.FacetGrid(df, col="variables", hue="grp1")
g.map(sns.barplot, 'grp2', 'm', order=times)

但不幸的是，这正在堆积我所有的数据点

我应该如何使用

Seaborn

更新：下面的代码主要是我想要的，但目前没有显示

yerr

g = sns.factorplot(x="Grp2", y="m", hue="Grp1", col="variables", data=df, kind="bar", size=4, aspect=.7, sharey=False)

---

如何将

lb

和

ub

合并为factorplot上的错误条？

在开始之前，让我提到matplotlib要求错误与数据相关，而不是绝对边界。因此，我们将修改dataframe，通过减去相应的列来说明这一点

u = u"""grp1 grp2 variables  lb     m       ub
A   A1      V1     1.00   1.50    2.5           
A   A2      V2     1.50   2.50    3.5         
B   A1      V1     7.50   14.50   20.5           
B   A2      V2     0.25   0.75    1.0
A   A2      V1     1.00   6.50    8.5           
A   A1      V2     1.50   3.50    6.5         
B   A2      V1     3.50   4.50   15.5           
B   A1      V2     8.25   12.75  13.9"""

import io
import pandas as pd

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

现在有两种基本相同的解决方案。让我们从一个解决方案开始，该解决方案不使用seaborn，而是使用pandas plotting包装器（原因将在稍后明确）

不使用Seaborn Pandas允许使用数据帧绘制分组条形图，其中每列属于或构成一个组。 因此，应采取的步骤是：

根据不同

变量的数量创建多个子批次

groupby

dateframe by

variables

对于每个组，创建一个数据透视框，其中

grp1

的值作为列，而

m

的值作为值。对两个错误列执行相同的操作

从中应用解决方案

然后，代码将如下所示：

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

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

def func(x,y,h,lb,ub, **kwargs):
    data = kwargs.pop("data")
    # from https://stackoverflow.com/a/37139647/4124317
    errLo = data.pivot(index=x, columns=h, values=lb)
    errHi = data.pivot(index=x, columns=h, values=ub)
    err = []
    for col in errLo:
        err.append([errLo[col].values, errHi[col].values])
    err = np.abs(err)
    p = data.pivot(index=x, columns=h, values=y)
    p.plot(kind='bar',yerr=err,ax=plt.gca(), **kwargs)

fig, axes = plt.subplots(ncols=len(df.variables.unique()))
for ax, (name, group) in zip(axes,df.groupby("variables")):
    plt.sca(ax)
    func("grp2", "m", "grp1", "lb", "ub", data=group, color=["limegreen", "indigo"])
    plt.title(name)

plt.show()

使用Seaborn Seaborn FactoryPlot不允许自定义错误栏。因此，需要使用

FaceGrid

方法。为了不让条形图堆叠，可以将

hue

参数放在

map

调用中。因此，以下内容相当于问题的

sns.factorplot

调用

g = sns.FacetGrid(data=df, col="variables", size=4, aspect=.7 ) 
g.map(sns.barplot, "grp2", "m", "grp1", order=["A1","A2"] )

现在的问题是，我们无法从外部将ErrorBar输入条形图，或者更重要的是，我们无法将分组条形图的错误提供给

seaborn.barplot

。对于未分组的条形图，可以通过

yerr

参数提供错误，该参数传递到matplotlib

plt.bar

绘图。这一概念如所示。但是，由于

seaborn.barplot

多次调用

plt.bar

，每个

hue

调用一次，因此每次调用中的错误都是相同的（或者它们的维度不匹配）

因此，我看到的唯一选择是使用

FacetGrid

，并将上面使用的函数完全映射到它。这在某种程度上使seaborn的使用变得过时，但为了完整起见，这里是

FaceGrid

解决方案

import io
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv(io.StringIO(u), delim_whitespace=True)
# errors must be relative to data (not absolute bounds)
df["lb"] = df["m"]-df["lb"]
df["ub"] = df["ub"]-df["m"]

def func(x,y,h,lb,ub, **kwargs):
    data = kwargs.pop("data")
    # from https://stackoverflow.com/a/37139647/4124317
    errLo = data.pivot(index=x, columns=h, values=lb)
    errHi = data.pivot(index=x, columns=h, values=ub)
    err = []
    for col in errLo:
        err.append([errLo[col].values, errHi[col].values])
    err = np.abs(err)
    p = data.pivot(index=x, columns=h, values=y)
    p.plot(kind='bar',yerr=err,ax=plt.gca(), **kwargs)

g = sns.FacetGrid(df, col="variables", size=4, aspect=.7,  ) 
g.map_dataframe(func, "grp2", "m", "grp1", "lb", "ub" , color=["limegreen", "indigo"]) 
g.add_legend()

plt.show()

---

非常感谢您的详细回复，我对代码做了一些修改，使其适合我的具体用例，并且工作得非常完美。