python繪製雲雨圖raincloud plot

2022-08-04 22:05:25

官方github： https://github.com/RainCloudPlots/RainCloudPlots

Raincloud 的 Python 實現是一個名為 PtitPrince 的包，它寫在 seaborn 之上，這是一個 Python 繪相簿，用於從 pandas 資料框中獲取漂亮的繪圖。

import pandas as pd
import seaborn as sns
import os
import matplotlib.pyplot as plt
#sns.set(style="darkgrid")
#sns.set(style="whitegrid")
#sns.set_style("white")
sns.set(style="whitegrid",font_scale=2)
import matplotlib.collections as clt
import ptitprince as pt

#圖片儲存及輸出設定
savefigs = True
figs_dir = '../figs/tutorial_python'
if savefigs:
    # Make the figures folder if it doesn't yet exist
    #如果沒有找到資料夾，先建立此資料夾
    if not os.path.isdir('../figs/tutorial_python'):
        os.makedirs('../figs/tutorial_python')

def export_fig(axis,text, fname):
    if savefigs:
        axis.text()
        axis.savefig(fname, bbox_inches='tight')

df = pd.read_csv ("simdat.csv", sep= ",")
df.head()

該圖可以讓讀者初步瞭解資料集：哪個組的平均值更大，這種差異是否可能顯著。此圖中僅顯示每組分數的平均值和標準差。

f, ax = plt.subplots(figsize=(7, 7))
sns.barplot(x = "group", y = "score", data = df, capsize= .1)
plt.title("Figure P1n Bar Plot")
if savefigs:
    plt.savefig('.\figs\tutorial_python\figureP01.png', bbox_inches='tight')

為了瞭解我們的資料集的分佈，我們可以繪製一個“雲”，即直方圖的平滑版本：

# plotting the clouds
f, ax = plt.subplots(figsize=(7, 5))
dy="group" 
dx="score"
ort="h"
pal = sns.color_palette(n_colors=1)
ax=pt.half_violinplot(x=dx, y=dy, data=df, palette=pal, bw=.2, cut=0., scale="area", width=.6, inner=None, orient=ort)
plt.title("Figure P2n Basic Rainclouds")
if savefigs:
    plt.savefig('.\figs\tutorial_python\figureP02.png', bbox_inches='tight')

為了更精確地瞭解分佈並說明資料中的潛在異常值或其他模式，我們現在新增“雨”，即資料點的簡單單維表示：

# adding the rain
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.half_violinplot(x=dx, y=dy, data=df, palette=pal, bw=.2, cut=0., scale="area", width=.6, inner=None, orient=ort)
ax=sns.stripplot(x=dx, y=dy, data=df, palette=pal, edgecolor="white", size=3, jitter=0, zorder=0, orient=ort)
plt.title("Figure P3n Raincloud Without Jitter")
if savefigs:
    plt.savefig('.\figs\tutorial_python\figureP03.png', bbox_inches='tight')

# adding jitter to the rain
f, ax =plt.subplots(figsize=(7, 5))
ax=pt.half_violinplot(x=dx, y=dy, data=df, palette=pal, bw=.2, cut=0., scale="area", width=.6, inner=None, orient=ort)
ax=sns.stripplot(x=dx, y=dy, data=df, palette=pal, edgecolor="white", size=3, jitter=1, zorder=0, orient=ort)
plt.title("Figure P4n Raincloud with Jittered Data")
if savefigs:
    plt.savefig('.\figs\tutorial_python\figureP04.png', bbox_inches='tight')

這樣可以很好地瞭解資料點的分佈情況，但中位數和四分位數並不明顯，很難一目瞭然地確定統計差異。因此，我們新增了一個“空”箱線圖來顯示中位數、四分位數和異常值：

#adding the boxplot with quartiles
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.half_violinplot(x=dx, y=dy, data=df, palette=pal, bw=.2, cut=0.,
                      scale="area", width=.6, inner=None, orient=ort)
ax=sns.stripplot(x=dx, y=dy, data=df, palette=pal, edgecolor="white",
                 size=3, jitter=1, zorder=0, orient=ort)
ax=sns.boxplot(x=dx, y=dy, data=df, color="black", width=.15, zorder=10,
               showcaps=True, boxprops={'facecolor':'none',"zorder":10},
               showfliers=True, whiskerprops{'linewidth':2,"zorder":10},
               saturation=1, orient=ort)
plt.title("Figure P5n Raincloud with Boxplot")
if savefigs:
    plt.savefig('../figs/tutorial_python/figureP05.png', bbox_inches='tight')

現在我們可以設定一個調色盤來表徵兩組：

#adding color
pal="Set2"
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.half_violinplot(x=dx, y=dy, data=df, palette=pal, bw=.2, cut=0.,
                      scale="area", width=.6, inner=None, orient=ort)
ax=sns.stripplot(x=dx, y=dy, data=df, palette=pal, edgecolor="white",
                 size=3, jitter=1, zorder=0, orient=ort)
ax=sns.boxplot(x=dx, y=dy, data=df, color="black", width=.15, zorder=10,
              showcaps=True, boxprops={'facecolor':'none',"zorder":10},
              showfliers=True, whiskerprops={'linewidth':2,"zorder":10},
              saturation=1, orient=ort)
plt.title("Figure P6n Tweaking the Colour of Your Raincloud")

我們可以使用函數 pt.Raincloud 來新增一些自動化：

#same thing with a single command: now x **must** be the categorical value
dx="group"; dy="score"; ort="h"; pal="Set2"; sigma=.2
f, ax=plt.subplots(figsize=(7, 5))
pt.RainCloud(x=dx, y=dy, data=df, palette=pal, bw=sigma,
             width_viol = .6, ax = ax, orient = ort)
plt.title("Figure P7n Using the pt.Raincloud function")
if savefigs:
    plt.savefig('../figs/tutorial_python/figureP07.png', bbox_inches='tight')

‘move’ 引數可用於移動箱線圖下方的雨量，在某些情況下提供更好的原始資料可見性：

#moving the rain below the boxplot
dx="group"; dy="score"; ort="h"; pal="Set2"; sigma=.2
f,ax=plt.subplots(figsize=(7, 5))
ax=pt.RainCloud(x=dx, y=dy, data=df, palette=pal, bw=sigma,
                 width_viol=.6, ax=ax, orient=ort, move=.2)
plt.title("Figure P8n Rainclouds with Shifted Rain")

此外，raincloud 函數同樣適用於列表或 np.array，如果您更喜歡使用它們而不是資料框輸入：

# Usage with a list/np.array input
dx=list(df["group"]); dy=list(df["score"])
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.RainCloud(x=dx, y=dy, palette=pal, bw=sigma,
                 width_viol=.6, ax=ax, orient=ort)
plt.title("Figure P9n Rainclouds with List/Array Inputs")

對於某些資料，您可能希望將雨雲的方向翻轉為“petit prince”圖。您可以使用 pt.RainCloud 函數中的 ‘orient’ 標誌來執行此操作：

# Changing orientation
dx="group"; dy="score"; ort="v"; pal="Set2"; sigma=.2
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.RainCloud(x=dx, y=dy, data=df, palette=pal, bw=sigma,
                 width_viol=.5, ax=ax, orient=ort)
plt.title("Figure P10n Flipping your Rainclouds")

還可以更改用於生成資料概率分佈函數的平滑核。 為此，您調整 sigma 引數：

#changing cloud smoothness
dx="group"; dy="score"; ort="h"; pal="Set2"; sigma=.05
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.RainCloud(x=dx, y=dy, data=df, palette=pal, bw=sigma,
                 width_viol=.6, ax=ax, orient=ort)
plt.title("Figure P11n Customizing Raincloud Smoothness")

最後，使用 pointplot 標誌，您可以新增一條連線組平均值的線。這對於更復雜的資料集很有用，例如重複測量或因子資料。下面我們通過改變各個圖的色調、不透明度或閃避元素來說明使用雨雲繪製此類資料的幾種不同方法：

#adding a red line connecting the groups' mean value (useful for longitudinal data)
dx="group"; dy="score"; ort="h"; pal="Set2"; sigma=.2
f, ax=plt.subplots(figsize=(7, 5))
ax=pt.RainCloud(x=dx, y=dy, data=df, palette=pal, bw=sigma,
                 width_viol=.6, ax=ax, orient=ort, pointplot=True)
plt.title("Figure P12n Adding Lineplots to Emphasize Factorial Effects")

另一個靈活的選擇是使用 Facet Grids 來分隔不同的組或因子水平，

如下所示：

# Rainclouds with FacetGrid
g=sns.FacetGrid(df, col="gr2", height=6)
g=g.map_dataframe(pt.RainCloud, x="group", y="score", data=df, orient="h")
g.fig.subplots_adjust(top=0.75)
g.fig.suptitle("Figure P13n Using FacetGrid for More Complex Designs",  fontsize=26)

作為一種替代方法，可以使用色調輸入將不同的子組直接繪製在彼此之上，從而促進它們的比較：

# Hue Input for Subgroups
dx="group"; dy="score"; dhue="gr2"; ort="h"; pal="Set2"; sigma=.2
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df, palette=pal, bw=sigma,
                 width_viol=.7, ax=ax, orient=ort)
plt.title("Figure P14n Rainclouds with Subgroups")

為了提高該圖的可讀性，我們使用相關標誌（0-1 alpha 強度）調整 alpha 級別：

# Setting alpha level
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df, palette=pal, bw=sigma,
                 width_viol=.7, ax=ax, orient=ort , alpha=.65)
plt.title("Figure P15n Adjusting Raincloud Alpha Level")

我們可以將 dodge 標誌設定為 true，而不是讓兩個箱線圖相互混淆，從而增加互動性：

#The Doge Flag
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df, palette=pal, bw=sigma,
                 width_viol=.7, ax=ax, orient=ort , alpha=.65, dodge=True)
plt.title("Figure P16n The Boxplot Dodge Flag")

最後，我們可能希望在我們的圖表中新增一個傳統的線圖，以幫助檢測因子主效應和互動作用。

例如，我們在每個箱線圖中繪製了平均值：

#same, with dodging and line
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df, palette=pal, bw=sigma, 
                width_viol=.7, ax=ax, orient=ort , alpha=.65, 
                dodge=True, pointplot=True)
plt.title("Figure P17n Dodged Boxplots with Lineplots")

這是相同的圖，但現在使用“移動”引數再次將單個觀測值移動到箱線圖下方：

#moving the rain under the boxplot
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df, palette=pal, bw=sigma, 
               width_viol=.7, ax=ax, orient=ort , alpha=.65, dodge=True, 
               pointplot=True, move=.2)
plt.title("Figure P18n Shifting the Rain with the Move Parameter")

作為我們的最後一個範例，我們將考慮具有兩組和三個時間點的複雜重複測量設計。目標是說明我們複雜的相互作用和主要影響，同時保持雨雲圖的透明性：

# Load in the repeated data
df_rep=pd.read_csv("repeated_measures_data.csv", sep=",")
df_rep.columns=["score",  "timepoint", "group"]
df_rep.head()

# Plot the repeated measures data
dx="group"; dy="score"; dhue="timepoint"; ort="h"; pal="Set2"; sigma=.2
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df_rep, palette=pal, bw=sigma, width_viol=.7,
               ax=ax, orient=ort , alpha=.65, dodge=True, pointplot=True, move=.2)
plt.title("Figure P19n Repeated Measures Data - Example 1")

# Now with the group as hue
dx="timepoint"; dy="score"; dhue="group"
f, ax=plt.subplots(figsize=(12, 5))
ax=pt.RainCloud(x=dx, y=dy, hue=dhue, data=df_rep, palette=pal, bw=sigma, width_viol=.7,
                ax=ax, orient=ort , alpha=.65, dodge=True, pointplot=True, move=.2)
plt.title("Figure P20n  Repeated Measures Data - Example 2")

到此這篇關於python繪製雲雨圖raincloud plot的文章就介紹到這了,更多相關python繪製雲雨圖內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

python繪製雲雨圖raincloud plot

熱門文章