построить разные цвета для разных категорийных уровней, используя matplotlib

Импорт и образец DataFrame

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns  # for sample data
from matplotlib.lines import Line2D  # for legend handle

# DataFrame used for all options
df = sns.load_dataset('diamonds')

   carat      cut color clarity  depth  table  price     x     y     z
0   0.23    Ideal     E     SI2   61.5   55.0    326  3.95  3.98  2.43
1   0.21  Premium     E     SI1   59.8   61.0    326  3.89  3.84  2.31
2   0.23     Good     E     VS1   56.9   65.0    327  4.05  4.07  2.31

С matplotlib

Вы можете передать plt.scatter аргумент c, который позволяет вам выбрать цвета. Следующий код определяет словарь colors для сопоставления цветов ромба с цветами печати.

fig, ax = plt.subplots(figsize=(6, 6))

colors = {'D':'tab:blue', 'E':'tab:orange', 'F':'tab:green', 'G':'tab:red', 'H':'tab:purple', 'I':'tab:brown', 'J':'tab:pink'}

ax.scatter(df['carat'], df['price'], c=df['color'].map(colors))

# add a legend
handles = [Line2D([0], [0], marker='o', color='w', markerfacecolor=v, label=k, markersize=8) for k, v in colors.items()]
ax.legend(title='color', handles=handles, bbox_to_anchor=(1.05, 1), loc='upper left')

plt.show()

df['color'].map(colors) эффективно отображает цвета от ромба до черчения.

(Простите меня за то, что я не поместил еще один пример изображения, я думаю, что двух достаточно: P)

С seaborn

Вы можете использовать seaborn, который является оболочкой для matplotlib, которая по умолчанию делает его красивее (скорее, на основе мнения, я знаю: P), но также добавляет некоторые функции построения графиков.

Для этого вы можете использовать seaborn.lmplot. с fit_reg=False (что предотвращает автоматическое выполнение некоторой регрессии).

• sns.scatterplot(x='carat', y='price', data=df, hue='color', ec=None) тоже делает то же самое.

Выбор hue='color' указывает seaborn на разделение и построение данных на основе уникальных значений в столбце 'color'.

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

С помощью pandas.DataFrame.groupby & _ 18_

Если вы не хотите использовать seaborn, используйте pandas.groupby, чтобы получить только цвета, а затем нарисуйте их, используя только matplotlib, но вам придется вручную назначать цвета по ходу работы, я добавил пример ниже:

fig, ax = plt.subplots(figsize=(6, 6))

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()

Этот код предполагает тот же DataFrame, что и выше, а затем группирует его на основе color. Затем он перебирает эти группы и строит график для каждой из них. Чтобы выбрать цвет, я создал colors словарь, который может сопоставить цвет ромба (например, D) с реальным цветом (например, tab:blue).

Вот краткое и универсальное решение для использования цветовой палитры морского дна.

Сначала найдите понравившуюся цветовую палитру и, при желании, визуализируйте ее:

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

Затем вы можете использовать его с matplotlib, выполняя следующие действия:

# 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))

У меня был тот же вопрос, и я провел весь день, пробуя разные пакеты.

Изначально я использовал matlibplot: и меня не устраивало сопоставление категорий с предопределенными цветами; или группировка / агрегация, а затем итерация по группам (и при этом все еще необходимо отображать цвета). Я просто почувствовал, что это плохая реализация пакета.

Сиборн не работал бы в моем случае, а Альтаир работает ТОЛЬКО внутри Jupyter Notebook.

Лучшим решением для меня был PlotNine, который «представляет собой реализацию грамматики графики на Python, основанную на ggplot2».

Ниже приведен программный код для репликации вашего примера R на Python:

from plotnine import *
from plotnine.data import diamonds

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

Так чисто и просто :)

Используя Altair.

from altair import *
import pandas as pd

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

Вот комбинация маркеров и цветов из качественной палитры в 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);

С df.plot ()

Обычно при быстром построении DataFrame я использую pd.DataFrame.plot(). Это принимает индекс как значение x, значение как значение y и отображает каждый столбец отдельно с другим цветом. DataFrame в этой форме может быть получен с помощью set_index и unstack.

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))

df.set_index(['color', 'carat']).unstack('color')['price'].plot(style='o')
plt.ylabel('price')

При использовании этого метода вам не нужно вручную указывать цвета.

Эта процедура может иметь больше смысла для других рядов данных. В моем случае у меня есть данные таймсерий, поэтому MultiIndex состоит из datetime и категорий. Также можно использовать этот подход для более чем одного столбца для раскрашивания, но легенда становится беспорядочной.

Вы можете преобразовать категориальный столбец в числовой с помощью команд:

#we converting it into categorical data
cat_col = df['column_name'].astype('category') 

#we are getting codes for it 
cat_col = cat_col.cat.codes 

# we are using c parameter to change the color.
plt.scatter(df['column1'],df['column2'], c=cat_col)