parcelle de différentes couleurs pour différents catégorique niveaux à l'aide de matplotlib

Vous pouvez passer plt.scatter un c argument qui vous permettra de sélectionner les couleurs. Le code ci-dessous définit un colors dictionnaire de la carte de votre diamant de couleurs pour le traçage des couleurs.

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]) efficacement des cartes aux couleurs de "diamant" de "complot".

(Pardonnez-moi de ne pas en mettre une autre image par exemple, je pense que 2 est assez :P)

Avec seaborn

Vous pouvez utiliser seaborn qui est un wrapper autour de matplotlib qui le rend plus joli par défaut (et non par opinion, je sais :P) mais ajoute également quelques fonctions de traçage.

Pour cela, vous pouvez utiliser seaborn.lmplot avec fit_reg=False (ce qui l'empêche d'effectuer automatiquement certaines de régression).

Le code ci-dessous utilise un exemple de jeu de données. En sélectionnant hue='color' vous dire seaborn diviser votre dataframe en fonction de vos couleurs et de l'intrigue de chacun.

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()

Sans seaborn à l'aide de pandas.groupby

Si vous ne souhaitez pas utiliser seaborn, alors vous pouvez utiliser pandas.groupby pour obtenir les couleurs seul et puis tracez à l'aide seulement de matplotlib, mais vous aurez à attribuer manuellement les couleurs que vous allez, j'ai ajouté un exemple ci-dessous:

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()

Ce code suppose que le même DataFrame comme ci-dessus et ensuite les groupes sur la base color. Ensuite, il parcourt ces groupes, en les traçant pour chacun. Pour sélectionner une couleur, j'ai créé un colors dictionnaire qui peut mapper la couleur du diamant (par exemple D) à une couleur réelle (par exemple red).

À l'aide de Altair.

from altair import *
import pandas as pd

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

J'ai eu la même question, et ont passé toute la journée à essayer de paquets différents.

J'avais initialement utilisé matlibplot: et n'était pas heureux avec soit de la cartographie de couleurs prédéfinies; ou un groupement/de l'agrégation puis en itérant par les groupes (et les avoir toujours à des couleurs de la carte). J'ai juste senti qu'il était de mauvaise mise en œuvre du paquet.

Seaborn ne fonctionne pas sur mon cas, et Altair ne fonctionne qu'à l'intérieur d'un Jupyter Portable.

La meilleure solution pour moi a été PlotNine, qui "est une mise en œuvre d'une grammaire graphique en Python, et sur la base ggplot2".

Ci-dessous est la plotnine code de reproduire votre R exemple en 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)

Si propre et simple 🙂