堆积柱形图

堆积柱形图显示单个项目与整体之间的关系；

• 比较各个类别的每个数值所占总数值的大小；

• 堆积柱形图以二维垂直堆积矩形显示数值；

堆积柱形图需要特别注意事项：

• 柱形图的X轴变量一般为类别型，Y轴变量为数值型；

• 要先求和得到每个类别的总和数值；

• 再对数据进行降序处理；

• 图例的变量属于序数型，则需要按顺序显示图例；

• 图例变量属于无序型，则最好根据其均值排序；

• 使数值最大的类别放置在最下面，最靠近X轴；

• 容易观察每个堆积柱形内部的变量比例；

plotnine包绘制堆积图

• plotnine中绘制堆积柱形图表适用geom_bar()函数；

• 参数position设置为:stack

import pandas as pd

import numpy as np

from plotnine import *

#堆积柱形图

df=pd.read_csv('d:\python\out\StackedCD.csv')

Sum_df=df.iloc[:,1:].apply(lambda x: x.sum(), axis=0).sort_values(ascending=False)

meanRow_df=df.iloc[:,1:].apply(lambda x: x.mean(), axis=1)

Sing_df=df['Clarity'][meanRow_df.sort_values(ascending=True).index]

mydata=pd.melt(df,id_vars='Clarity')

mydata['variable']=mydata['variable'].astype("category",Sum_df.index)

mydata['Clarity']=mydata['Clarity'].astype("category",Sing_df)

base_plot=(ggplot(mydata,aes(x='variable',y='value',fill='Clarity'))

+geom_bar(stat="identity", color="black", position='stack',width=0.7,size=0.25)

+scale_fill_brewer(palette="YlOrRd")

+ylim(0, 15000)

+theme(

legend_title=element_text(size=18,face="plain",color="black"),

legend_text=element_text(size=16,face="plain",color="black"),

axis_title=element_text(size=18,face="plain",color="black"),

axis_text = element_text(size=16,face="plain",color="black"),

legend_background=element_blank(),

legend_position=(0.75,0.75),

aspect_ratio =1.15,

figure_size = (6.5, 6.5),

dpi = 50

)

)

print(base_plot)

base_plot.save('d:\python\out\Bar_Plot31.pdf')

matplotlib包绘制堆积柱形图

• matplotlib可以使用plt.bar()函数绘制堆积柱形图；

• 需要依次使用plt.bar()函数绘制每个数据序列；

• 需要设置bottom参数(前几个数据序列的累加数值)；

from matplotlib import cm,colors

from matplotlib import pyplot as plt

from matplotlib.pyplot import figure, show, rc

import numpy as np

import pandas as pd

plt.rcParams["font.sans-serif"]='SimHei' #解决中文乱码问题

plt.rcParams['axes.unicode_minus']=False #解决负号无法显示的问题

plt.rc('axes',axisbelow=True)

df=pd.read_csv('d:\python\out\StackedCD.csv')

df=df.set_index("Clarity")

Sum_df=df.apply(lambda x: x.sum(), axis=0).sort_values(ascending=False)

df=df.loc[:,Sum_df.index]

meanRow_df=df.apply(lambda x: x.mean(), axis=1)

Sing_df=meanRow_df.sort_values(ascending=False).index

n_row,n_col=df.shape

x_value=np.arange(n_col)

cmap=cm.get_cmap('YlOrRd_r',n_row)

color=[colors.rgb2hex(cmap(i)[:3]) for i in range(cmap.N) ]

bottom_y=np.zeros(n_col)

fig=plt.figure(figsize=(5,5))

#plt.subplots_adjust(left=0.1, right=0.9, top=0.7, bottom=0.1)

for i in range(n_row):

label=Sing_df[i]

plt.bar(x_value,df.loc[label,:],bottom=bottom_y,width=0.5,color=color[i],label=label,edgecolor='k', linewidth=0.25)

bottom_y=bottom_y+df.loc[label,:].values

plt.xticks(x_value,df.columns,size=10) #设置x轴刻度

plt.legend(loc=(1,0.3),ncol=1,frameon=False)

plt.grid(axis="y",c=(166/256,166/256,166/256))

ax = plt.gca() #获取整个表格边框

ax.spines['top'].set_color('none') # 设置上‘脊梁’为无色

ax.spines['right'].set_color('none') # 设置右‘脊梁’为无色

ax.spines['left'].set_color('none') # 设置左‘脊梁’为无色

学习小结：

每天学习时结合案例加深了解每种图形展现