如何使用 pandas 聚合组指标和绘制数据

Posted 2023-04-18

【中文标题】如何使用 pandas 聚合组指标和绘制数据

【英文标题】：How to aggregate group metrics and plot data with pandas

【发布时间】：2021-12-21 12:10:38

【问题描述】：

我想要一个饼图来比较幸存者的年龄组。问题是我不知道如何计算相同年龄的人。正如您在屏幕截图底部看到的，它显示 142 列。但是，数据集中有 891 人。

import pandas as pd
import seaborn as sns  # for test data only

# load test data from seaborn
df_t = sns.load_dataset('titanic')

# capitalize the column headers to match code used below
df_t.columns = df_t.columns.str.title()

dft = df_t.groupby(['Age', 'Survived']).size().reset_index(name='count')

def get_num_people_by_age_category(dft):
    dft["age_group"] = pd.cut(x=dft['Age'], bins=[0,18,60,100], labels=["young","middle_aged","old"])
    return dft

# Call function
dft = get_num_people_by_age_category(dft)
print(dft)

输出

【问题讨论】：

由于groubpy().size() 调用，您将获得 142 行。它为每个唯一年龄返回一个包含 1 行的数据框。如果您想要每个年龄旁边有计数的原始数据框，我建议使用pandas.merge() 函数。

@Marmaduke 通常这就是 pandas.core.groupby.DataFrameGroupBy.transform 的用途

【参考方案1】：

调用 df_t.groupby(['Age', 'Survived']).size().reset_index(name='count') 会创建一个数据框，其中每个年龄和每个幸存状态一行。

要获取每个年龄组的计数，可以将“年龄组”列添加到原始数据框中。在下一步中，groupby 可以使用该“年龄组”。

from matplotlib import pyplot as plt
import seaborn as sns  # to load the titanic dataset
import pandas as pd

df_t = sns.load_dataset('titanic')
df_t["age_group"] = pd.cut(x=df_t['age'], bins=[0, 18, 60, 100], labels=["young", "middle aged", "old"])

df_per_age = df_t.groupby(['age_group', 'survived']).size().reset_index(name='count')
labels = [f'age_group,\n "survived" if survived == 1 else "not survived"'
          for age_group, survived in df_per_age[['age_group', 'survived']].values]
labels[-1] = labels[-1].replace('\n', ' ') # remove newline for the last items as the wedges are too thin
labels[-2] = labels[-2].replace('\n', ' ')
plt.pie(df_per_age['count'], labels=labels)
plt.tight_layout()
plt.show()

【讨论】：

我们应该如何安排创建一张只有幸存乘客的图表？

将数据集限制为仅幸存者：df_t = df_t[df_t["survived"] == 1]

【参考方案2】：

@JohanC 中的 answer 非常适合制作饼图 我认为数据最好以条形图的形式呈现，所以这是一个替代方案，可以使用pandas.DataFrame.plot 和kind='bar' 来完成。 使用pandas.crosstab 重塑数据，这会在两个因子之间创建频率交叉表。 可选地包括使用matplotlib.pyplot.bar_label的条形注释 有关此方法的更多详细信息，请参阅answer。

import pandas as pd
import seaborn as sns

# load data
df = sns.load_dataset('titanic')
df.columns = df.columns.str.title()

# map 0 and 1 of Survived to a string
df.Survived = df.Survived.map(0: 'Died', 1: 'Survived')

# bin the age
df['Age Group'] = pd.cut(x=df['Age'], bins=[0, 18, 60, 100], labels=['Young', 'Middle Aged', 'Senior'])

# Calculate the counts
ct = pd.crosstab(df['Survived'], df['Age Group'])

# display(ct)
Age Group  Young  Middle Aged  Senior
Survived                             
Died          69          338      17
Survived      70          215       5

# plot
ax = ct.plot(kind='bar', rot=0, xlabel='')

# optionally add annotations
for c in ax.containers:
    ax.bar_label(c, label_type='edge')
    
# pad the spacing between the number and the edge of the figure
ax.margins(y=0.1)