Python Seaborn标准化条形图
我有一个数据框架,其中两列包含True和False,一列包含genders:Male和Female 我试图为每一种性别的每一列计算True的数量,但通过每一种性别的数量进行标准化 到目前为止,我所做的是将我的数据与整个数据集进行规范化。但我如何根据每种性别的人数分别将其正常化呢Python Seaborn标准化条形图,python,pandas,bar-chart,seaborn,Python,Pandas,Bar Chart,Seaborn,我有一个数据框架,其中两列包含True和False,一列包含genders:Male和Female 我试图为每一种性别的每一列计算True的数量,但通过每一种性别的数量进行标准化 到目前为止,我所做的是将我的数据与整个数据集进行规范化。但我如何根据每种性别的人数分别将其正常化呢 percentage = lambda x: sum(x) / len(df_up) ax6 = sns.barplot(x="value", y="variable", hue="Gender", data=melte
percentage = lambda x: sum(x) / len(df_up)
ax6 = sns.barplot(x="value", y="variable", hue="Gender", data=melted_fan, estimator=percentage, ci=None, palette=palette)
我猜这就是你所做的:
import seaborn as sns
import numpy as np
import pandas as pd
df = pd.DataFrame({'Gender':np.random.choice(["Female","Male"],100),
'star_wars_fan':np.random.choice([True,False],100),
'star_trek_fan':np.random.choice([True,False],100)
})
melted_fan = df.groupby('Gender').agg(sum).reset_index().melt(id_vars="Gender")
melted_fan
Gender variable value
0 Female star_wars_fan 29.0
1 Male star_wars_fan 16.0
2 Female star_trek_fan 26.0
3 Male star_trek_fan 29.0
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
不幸的是,在sns.barplot中,它被分为多个子组,并且估计器是应用于每个组的函数,因此很难使用它。更简单的方法是在打印前计算百分比:
melted_fan['perc'] = melted_fan.groupby('variable')['value'].apply(lambda x:100*x/x.sum())
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
我猜这就是你所做的:
import seaborn as sns
import numpy as np
import pandas as pd
df = pd.DataFrame({'Gender':np.random.choice(["Female","Male"],100),
'star_wars_fan':np.random.choice([True,False],100),
'star_trek_fan':np.random.choice([True,False],100)
})
melted_fan = df.groupby('Gender').agg(sum).reset_index().melt(id_vars="Gender")
melted_fan
Gender variable value
0 Female star_wars_fan 29.0
1 Male star_wars_fan 16.0
2 Female star_trek_fan 26.0
3 Male star_trek_fan 29.0
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
不幸的是,在sns.barplot中,它被分为多个子组,并且估计器是应用于每个组的函数,因此很难使用它。更简单的方法是在打印前计算百分比:
melted_fan['perc'] = melted_fan.groupby('variable')['value'].apply(lambda x:100*x/x.sum())
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
这种条形图可以通过以下方式构建:
melted_fan['perc'] = melted_fan.groupby('variable')['value'].apply(lambda x:100*x/x.sum())
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
将matplotlib.pyplot作为plt导入
从matplotlib.ticker导入百分比格式化程序
作为pd进口熊猫
将numpy作为np导入
N=1000
df=pd.DataFrame{'starwars':np.random.randint0,2,N,dtype=np.bool,
《星际迷航》:np.random.randint0,2,N,dtype=np.bool,
“性别”:np.随机选择[“男性”,“女性]],N,p=[0.6,0.4]
}
ax=df.groupby['Gender'][['starwars','startrek']].agg'mean'.transpose.plotkind='barh'
ax.xaxis.set_major_formatterPercentFormatter1
节目
这种条形图可以通过以下方式构建:
melted_fan['perc'] = melted_fan.groupby('variable')['value'].apply(lambda x:100*x/x.sum())
sns.barplot(x="value", y="variable", hue="Gender",
data=melted_fan, ci=None)
将matplotlib.pyplot作为plt导入
从matplotlib.ticker导入百分比格式化程序
作为pd进口熊猫
将numpy作为np导入
N=1000
df=pd.DataFrame{'starwars':np.random.randint0,2,N,dtype=np.bool,
《星际迷航》:np.random.randint0,2,N,dtype=np.bool,
“性别”:np.随机选择[“男性”,“女性]],N,p=[0.6,0.4]
}
ax=df.groupby['Gender'][['starwars','startrek']].agg'mean'.transpose.plotkind='barh'
ax.xaxis.set_major_formatterPercentFormatter1
节目