使用matplotlib为不同的分类级别绘制不同的颜色

Question

我有此数据帧diamonds,它由被等变量(carat, price, color),我想画的散点图price来carat为每个color,这意味着不同的color具有在图中不同的颜色.

这很容易在R与ggplot:

ggplot(aes(x=carat, y=price, color=color),  #by setting color=color, ggplot automatically draw in different colors
       data=diamonds) + geom_point(stat='summary', fun.y=median)

我想知道如何在Python中使用matplotlib？

PS:

我知道辅助绘图包,比如seaborn和ggplot for python,我不喜欢它们,只是想知道是否有可能matplotlib单独使用,P;

Answer 1

您可以传递plt.scatter一个c允许您选择颜色的参数.下面的代码定义了一个colors字典,用于将钻石颜色映射到绘图颜色.

import matplotlib.pyplot as plt
import pandas as pd

carat = [5, 10, 20, 30, 5, 10, 20, 30, 5, 10, 20, 30]
price = [100, 100, 200, 200, 300, 300, 400, 400, 500, 500, 600, 600]
color =['D', 'D', 'D', 'E', 'E', 'E', 'F', 'F', 'F', 'G', 'G', 'G',]

df = pd.DataFrame(dict(carat=carat, price=price, color=color))

fig, ax = plt.subplots()

colors = {'D':'red', 'E':'blue', 'F':'green', 'G':'black'}

ax.scatter(df['carat'], df['price'], c=df['color'].apply(lambda x: colors[x]))

plt.show()

df['color'].apply(lambda x: colors[x]) 有效地将颜色从"钻石"映射到"绘图".

(请原谅我没有提供另一个示例图像,我认为2就足够了:P)

同 seaborn

你可以使用seaborn哪个是包装器matplotlib,默认情况下它看起来更漂亮(而不是基于意见,我知道:P),但也增加了一些绘图功能.

对于这一点,你可以用seaborn.lmplot与fit_reg=False(这可以阻止它自动做一些回归).

下面的代码使用示例数据集.通过选择hue='color'你告诉seaborn根据你的颜色分割你的数据框,然后绘制每一个.

import matplotlib.pyplot as plt
import seaborn as sns

import pandas as pd

carat = [5, 10, 20, 30, 5, 10, 20, 30, 5, 10, 20, 30]
price = [100, 100, 200, 200, 300, 300, 400, 400, 500, 500, 600, 600]
color =['D', 'D', 'D', 'E', 'E', 'E', 'F', 'F', 'F', 'G', 'G', 'G',]

df = pd.DataFrame(dict(carat=carat, price=price, color=color))

sns.lmplot('carat', 'price', data=df, hue='color', fit_reg=False)

plt.show()

不seaborn使用pandas.groupby

如果您不想使用seaborn,那么您可以使用pandas.groupby单独获取颜色,然后使用matplotlib绘制它们,但是您必须手动分配颜色,我在下面添加了一个示例:

fig, ax = plt.subplots()

colors = {'D':'red', 'E':'blue', 'F':'green', 'G':'black'}

grouped = df.groupby('color')
for key, group in grouped:
    group.plot(ax=ax, kind='scatter', x='carat', y='price', label=key, color=colors[key])

plt.show()

此代码假定与上面相同的DataFrame,然后基于它进行分组color.然后迭代这些组,为每个组绘图.为了选择一种颜色,我创建了一个colors字典,可以将钻石颜色(例如D)映射到真实颜色(例如red).

Answer 2

这是一个使用seaborn调色板的简洁通用解决方案.

首先找到您喜欢的调色板,并可选择将其可视化:

sns.palplot(sns.color_palette("Set2", 8))

然后您可以使用它matplotlib:

# Unique category labels: 'D', 'F', 'G', ...
color_labels = df['color'].unique()

# List of RGB triplets
rgb_values = sns.color_palette("Set2", 8)

# Map label to RGB
color_map = dict(zip(color_labels, rgb_values))

# Finally use the mapped values
plt.scatter(df['carat'], df['price'], c=df['color'].map(color_map))

Answer 3

最简单的方法是将整数类别级别数组传递给plt.scatter()颜色参数。

import pandas as pd
import matplotlib.pyplot as plt 

df = pd.read_csv('https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv')

plt.scatter(df['carat'], df['price'], c=pd.factorize(df['color'])[0],)
plt.gca().set(xlabel='Carat', ylabel='Price', title='Carat vs. Price')

这将使用默认的“viridis”颜色图创建一个没有图例的绘图。在这种情况下，“viridis”不是一个好的默认选择，因为颜色似乎暗示顺序而不是纯粹的名义类别。

要选择自己的颜色图并添加图例，最简单的方法是：

import matplotlib.patches

levels, categories = pd.factorize(df['color'])
colors = [plt.cm.tab10(i) for i in levels] # using the "tab10" colormap
handles = [matplotlib.patches.Patch(color=plt.cm.tab10(i), label=c) for i, c in enumerate(categories)]

plt.scatter(df['carat'], df['price'], c=colors)
plt.gca().set(xlabel='Carat', ylabel='Price', title='Carat vs. Price')
plt.legend(handles=handles,  title='Color')

我在这里选择了“tab10”离散（又称定性）颜色图，它可以更好地表明颜色因子是名义分类变量。

额外功劳：
在第一个图中，通过将类别级别整数数组中的最小-最大缩放pd.factorize(iris['species'])[0]值传递到颜色图对象的调用plt.cm.viridis方法来选择默认颜色。

Answer 4

我有同样的问题，并且一整天都在尝试不同的软件包。

我最初使用 matlibplot: 并且对将类别映射到预定义颜色不满意；或分组/聚合然后遍历组（并且仍然必须映射颜色）。我只是觉得这是一个糟糕的包实现。

Seaborn 不适用于我的案例，而 Altair 仅适用于 Jupyter Notebook。

对我来说最好的解决方案是 PlotNine，它“是 Python 中图形语法的实现，基于 ggplot2”。

下面是在 Python 中复制 R 示例的 plotnine 代码：

from plotnine import *
from plotnine.data import diamonds

g = ggplot(diamonds, aes(x='carat', y='price', color='color')) + geom_point(stat='summary')
print(g)

如此干净和简单:)

Answer 5

这是定性颜色图中的标记和颜色的组合matplotlib：

import itertools
import numpy as np
from matplotlib import markers
import matplotlib.pyplot as plt

m_styles = markers.MarkerStyle.markers
N = 60
colormap = plt.cm.Dark2.colors  # Qualitative colormap
for i, (marker, color) in zip(range(N), itertools.product(m_styles, colormap)):
    plt.scatter(*np.random.random(2), color=color, marker=marker, label=i)
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0., ncol=4);

Answer 6

使用Altair。

from altair import *
import pandas as pd

df = datasets.load_dataset('iris')
Chart(df).mark_point().encode(x='petalLength',y='sepalLength', color='species')