带有一些缺失值和许多索引的堆积条形图

Posted 2023-02-18

【中文标题】带有一些缺失值和许多索引的堆积条形图

【英文标题】：Stacked bar plots with some missing values and many indices

【发布时间】：2021-08-03 12:42:34

【问题描述】：

我有一个海量DataFrame df（按'year'排序）：

year       gender
1894       male
1895       male
1895       male
1896       male
1900       male
...
2008       male
2008       female
2009       male
2009       female
2009       female

我的目标是制作一个堆叠条形图，其中 x 轴为 'year'，y 轴为这些年份值的出现次数，['gender'] == 'female' 在每个条形的 ['gender'] == 'male' 之上。

我尝试了以下方法：

import plotly.express as px

df['freq'] = df.groupby('year')['gender'].transform('count')

fig = px.bar(df, x="year", y="freq", color='gender')
fig.show()

但是，这会占用过多的运行时间并返回一个空白图表。因此，我没有使用plotly 创建堆积条形图，而是尝试使用matplotlib：

import matplotlib.pyplot as plt

df_male = df[df['gender'] == 'male']
df_female = df[df['gender'] == 'female']

X = range(1894, 2010)

plt.bar(X, df_male['year'], color = 'b')
plt.bar(X, df_female['year'], color = 'r', bottom = df_male['year'])
plt.show()

但这会返回ValueError: shape mismatch: objects cannot be broadcast to a single shape，我想知道这是不是因为df 中的1894 年和2009 年之间有一些年份不存在（例如1897、1898、1899 等）。

任何能帮助我更进一步的见解将不胜感激。

【问题讨论】：

df_male 和 df_female 的大小是多少？

@user_na 可能就是这样。它们非常不均匀：df_male 的长度约为 485,000，而 df_female 的长度约为 45,000。但是难道没有办法按照它们每年的频率来堆叠它们吗？

您似乎错过了在过滤后的数组中按年份创建直方图的步骤。您将需要这两个年份列的直方图。见***.com/questions/13129618/…

【参考方案1】：

最简单的解决方案是 seaborn 0.11 的 histplot:

import seaborn as sns
import pandas as pd
import numpy as np

df = pd.DataFrame('year': np.random.randint(1894, 2010, 200),
                   'gender': np.random.choice(['male', 'female'], 200))
sns.histplot(data=df, x='year', hue='gender', discrete=True, multiple='stack')

另一种选择是按如下方式创建分组数据框，然后使用 pandas 的绘图：

df.groupby(['year', 'gender']).size().unstack().plot.bar(stacked=True)

这里df.groupby(['year', 'gender']).size() 使用年份和性别作为索引创建了一个系列。 unstack() 将性别索引转换为具有两列的数据框。未堆叠的数据帧也可以发送到 plotly。它看起来像：

gender  female  male
year                
1894       1.0   3.0
1895       1.0   4.0
1896       NaN   1.0
1897       NaN   2.0
....