极客笔记Matplotlib 分组箱线图：全面掌握数据可视化技巧
参考：matplotlib boxplot by group
Matplotlib 是 Python 中最流行的数据可视化库之一，而箱线图（Boxplot）则是展示数据分布的有力工具。本文将深入探讨如何使用 Matplotlib 创建分组箱线图，帮助您更好地理解和呈现数据。我们将从基础概念开始，逐步深入到高级技巧，并提供丰富的示例代码，让您轻松掌握这一强大的数据可视化方法。
1. 箱线图基础
箱线图是一种用于显示一组数据分布情况的统计图，它可以直观地展示出数据的中位数、四分位数、异常值等重要统计信息。在开始创建分组箱线图之前，我们先来了解一下基本的箱线图。
以下是一个简单的箱线图示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = np.random.randn(100)
# 创建箱线图
plt.figure(figsize=(8, 6))
plt.boxplot(data)
plt.title('Basic Boxplot - how2matplotlib.com')
plt.ylabel('Values')
plt.show()
Output:
在这个例子中，我们使用 numpy 生成了一组随机数据，然后使用 plt.boxplot() 函数创建了一个基本的箱线图。箱线图显示了数据的中位数（箱子中的横线）、上下四分位数（箱子的上下边界）、最大最小值（须线的端点）以及可能的异常值（以点表示）。
2. 创建分组箱线图
分组箱线图允许我们在同一图表中比较多组数据的分布情况。这在比较不同类别或条件下的数据分布时特别有用。让我们看一个简单的分组箱线图示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
group1 = np.random.normal(0, 1, 100)
group2 = np.random.normal(2, 1.5, 100)
group3 = np.random.normal(-1, 2, 100)
# 创建分组箱线图
plt.figure(figsize=(10, 6))
plt.boxplot([group1, group2, group3], labels=['Group 1', 'Group 2', 'Group 3'])
plt.title('Grouped Boxplot - how2matplotlib.com')
plt.ylabel('Values')
plt.show()
Output:
在这个例子中，我们创建了三组具有不同分布特征的数据，然后将它们作为一个列表传递给 plt.boxplot() 函数。通过设置 labels 参数，我们为每个箱线图添加了标签。
3. 自定义箱线图样式
Matplotlib 提供了丰富的选项来自定义箱线图的外观。我们可以调整箱子的颜色、线条宽度、异常值的标记等。下面是一个展示如何自定义箱线图样式的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
# 创建自定义样式的箱线图
plt.figure(figsize=(10, 6))
box_plot = plt.boxplot(data, patch_artist=True)
# 自定义颜色
colors = ['lightblue', 'lightgreen', 'lightpink']
for patch, color in zip(box_plot['boxes'], colors):
patch.set_facecolor(color)
# 自定义其他元素
plt.title('Customized Boxplot - how2matplotlib.com')
plt.ylabel('Values')
plt.xlabel('Groups')
plt.xticks([1, 2, 3], ['Group A', 'Group B', 'Group C'])
plt.show()
Output:
在这个例子中，我们使用 patch_artist=True 参数来允许填充箱子。然后，我们通过遍历 box_plot['boxes'] 来设置每个箱子的填充颜色。我们还自定义了 x 轴的刻度标签。
4. 添加数据点
有时，除了箱线图本身，我们还想在图上显示原始数据点。这可以帮助我们更好地理解数据的分布。以下是一个在箱线图上添加数据点的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = [np.random.normal(0, std, 30) for std in range(1, 4)]
# 创建带数据点的箱线图
plt.figure(figsize=(10, 6))
box_plot = plt.boxplot(data, patch_artist=True)
# 添加数据点
for i, d in enumerate(data):
y = d
x = np.random.normal(i+1, 0.04, len(y))
plt.scatter(x, y, alpha=0.4)
plt.title('Boxplot with Data Points - how2matplotlib.com')
plt.ylabel('Values')
plt.xlabel('Groups')
plt.xticks([1, 2, 3], ['Group A', 'Group B', 'Group C'])
plt.show()
Output:
在这个例子中，我们使用 plt.scatter() 函数在每个箱线图旁边添加了散点图。为了避免点重叠，我们在 x 轴方向上添加了一些随机抖动。
5. 水平箱线图
默认情况下，Matplotlib 创建的是垂直方向的箱线图。但有时，水平方向的箱线图可能更适合某些数据或布局。以下是创建水平箱线图的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = [np.random.normal(0, std, 100) for std in range(1, 6)]
# 创建水平箱线图
plt.figure(figsize=(10, 8))
plt.boxplot(data, vert=False, labels=['A', 'B', 'C', 'D', 'E'])
plt.title('Horizontal Boxplot - how2matplotlib.com')
plt.xlabel('Values')
plt.ylabel('Groups')
plt.show()
Output:
在这个例子中，我们使用 vert=False 参数来创建水平方向的箱线图。注意，这时 xlabel 和 ylabel 的含义也相应地交换了。
6. 多列分组箱线图
当我们需要比较多个类别和子类别的数据时，多列分组箱线图就非常有用。以下是一个创建多列分组箱线图的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = {
'Group1': [np.random.normal(0, 1, 100), np.random.normal(2, 1, 100)],
'Group2': [np.random.normal(1, 1.5, 100), np.random.normal(3, 1.5, 100)],
'Group3': [np.random.normal(-1, 2, 100), np.random.normal(1, 2, 100)]
}
# 创建多列分组箱线图
fig, axes = plt.subplots(1, 3, figsize=(15, 6), sharey=True)
fig.suptitle('Multi-column Grouped Boxplot - how2matplotlib.com')
for ax, (group, group_data) in zip(axes, data.items()):
ax.boxplot(group_data)
ax.set_title(group)
ax.set_xticklabels(['Subgroup A', 'Subgroup B'])
ax.set_ylabel('Values')
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们使用 plt.subplots() 创建了三个并排的子图，每个子图对应一个主要组别。然后，我们在每个子图中绘制该组的两个子组的箱线图。
7. 添加均值点
在箱线图中添加均值点可以提供额外的统计信息。以下是一个在箱线图上添加均值点的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
# 创建带均值点的箱线图
fig, ax = plt.subplots(figsize=(10, 6))
box_plot = ax.boxplot(data)
# 添加均值点
means = [np.mean(d) for d in data]
ax.scatter(range(1, len(data) + 1), means, color='red', marker='o', s=80, zorder=3)
ax.set_title('Boxplot with Mean Points - how2matplotlib.com')
ax.set_ylabel('Values')
ax.set_xticklabels(['Group A', 'Group B', 'Group C'])
plt.show()
Output:
在这个例子中，我们首先创建了常规的箱线图，然后使用 ax.scatter() 函数在每个箱子上方添加了表示均值的红点。
8. 使用 Seaborn 创建分组箱线图
虽然 Matplotlib 功能强大，但有时使用建立在 Matplotlib 之上的高级库如 Seaborn 可以更轻松地创建复杂的统计图表。以下是使用 Seaborn 创建分组箱线图的示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
'group': np.repeat(['A', 'B', 'C'], 100),
'subgroup': np.tile(np.repeat(['X', 'Y'], 50), 3),
'value': np.concatenate([
np.random.normal(0, 1, 100),
np.random.normal(2, 1, 100),
np.random.normal(1, 1.5, 100)
])
})
# 创建 Seaborn 分组箱线图
plt.figure(figsize=(12, 6))
sns.boxplot(x='group', y='value', hue='subgroup', data=data)
plt.title('Seaborn Grouped Boxplot - how2matplotlib.com')
plt.show()
Output:
在这个例子中，我们首先创建了一个包含分组信息的 pandas DataFrame。然后，我们使用 Seaborn 的 boxplot() 函数创建了一个分组箱线图，其中 x 参数指定主要分组，y 参数指定数值，hue 参数指定子分组。
9. 箱线图与小提琴图的组合
小提琴图是箱线图的一个变体，它能更好地显示数据的分布密度。我们可以将箱线图和小提琴图结合起来，以提供更丰富的数据视图。以下是一个示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
'group': np.repeat(['A', 'B', 'C'], 200),
'value': np.concatenate([
np.random.normal(0, 1, 200),
np.random.normal(2, 1.5, 200),
np.random.gamma(2, 2, 200)
])
})
# 创建箱线图和小提琴图的组合
plt.figure(figsize=(12, 6))
sns.violinplot(x='group', y='value', data=data, inner='box')
plt.title('Violin Plot with Inner Boxplot - how2matplotlib.com')
plt.show()
Output:
在这个例子中，我们使用 Seaborn 的 violinplot() 函数创建了小提琴图，并通过设置 inner='box' 参数在小提琴图内部添加了箱线图。这种组合图能同时显示数据的分布密度和关键统计信息。
10. 动态更新的箱线图
在某些情况下，我们可能需要创建能够动态更新的箱线图，例如用于实时数据可视化。以下是一个简单的动态更新箱线图的示例：
import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation
# 初始化数据
data = [np.random.normal(0, 1, 100) for _ in range(3)]
# 创建图形和箱线图
fig, ax = plt.subplots(figsize=(10, 6))
box_plot = ax.boxplot(data)
ax.set_title('Dynamic Boxplot - how2matplotlib.com')
ax.set_ylabel('Values')
ax.set_xticklabels(['Group A', 'Group B', 'Group C'])
# 更新函数
def update(frame):
# 更新数据
for i in range(3):
data[i] = np.random.normal(frame, 1, 100)
# 更新箱线图
for i, d in enumerate(data):
box_plot['medians'][i].set_ydata([np.median(d), np.median(d)])
box_plot['boxes'][i].set_ydata([np.percentile(d, 25), np.percentile(d, 75), np.percentile(d, 75), np.percentile(d, 25), np.percentile(d, 25)])
box_plot['whiskers'][2*i].set_ydata([np.min(d), np.percentile(d, 25)])
box_plot['whiskers'][2*i+1].set_ydata([np.percentile(d, 75), np.max(d)])
box_plot['caps'][2*i].set_ydata([np.min(d), np.min(d)])
box_plot['caps'][2*i+1].set_ydata([np.max(d), np.max(d)])
return box_plot['boxes'] + box_plot['medians'] + box_plot['whiskers'] + box_plot['caps']
# 创建动画
anim = FuncAnimation(fig, update, frames=np.linspace(-3, 3, 100), interval=100, blit=True)
plt.show()
Output:
在这个例子中，我们创建了一个初始的箱线图，然后定义了一个 update 函数来动态更新数据和箱线图的各个组成部分。使用 FuncAnimation 函数，我们创建了一个动画，使箱线图随时间变化。
11. 带有统计检验的箱线图
在进行数据分析时，我们经常需要进行统计检验来确定组间差异是否显著。我们可以在箱线图上添加统计检验的结果，以提供更多信息。以下是一个使用 statannot 库在箱线图上添加统计检验结果的示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
from statannot import add_stat_annotation
# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
'group': np.repeat(['A', 'B', 'C'], 100),
'value': np.concatenate([
np.random.normal(0, 1, 100),
np.random.normal(2, 1, 100),
np.random.normal(1, 1.5, 100)
])
})
# 创建箱线图
plt.figure(figsize=(12, 6))
ax = sns.boxplot(x='group', y='value', data=data)
# 添加统计注释
add_stat_annotation(ax, data=data, x='group', y='value',
box_pairs=[('A', 'B'), ('B', 'C'), ('A', 'C')],
test='t-test_ind', text_format='star', loc='inside', verbose=2)
plt.title('Boxplot with Statistical Annotations - how2matplotlib.com')
plt.show()
在这个例子中，我们首先创建了一个基本的箱线图，然后使用 add_stat_annotation 函数添加了成对的 t 检验结果。统计显著性用星号表示，直接显示在箱线图上。
12. 多变量箱线图
当我们需要同时比较多个变量的分布时，多变量箱线图可能会很有用。以下是一个创建多变量箱线图的示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 生成示例数据
np.random.seed(42)
n = 200
data = pd.DataFrame({
'group': np.repeat(['A', 'B'], n),
'var1': np.concatenate([np.random.normal(0, 1, n), np.random.normal(2, 1, n)]),
'var2': np.concatenate([np.random.normal(1, 1.5, n), np.random.normal(0, 1.5, n)]),
'var3': np.concatenate([np.random.normal(-1, 2, n), np.random.normal(1, 2, n)])
})
# 将数据转换为长格式
data_long = pd.melt(data, id_vars=['group'], var_name='variable', value_name='value')
# 创建多变量箱线图
plt.figure(figsize=(12, 6))
sns.boxplot(x='variable', y='value', hue='group', data=data_long)
plt.title('Multivariate Boxplot - how2matplotlib.com')
plt.show()
Output:
在这个例子中，我们首先创建了一个包含多个变量的数据集，然后使用 pd.melt() 函数将数据转换为长格式。最后，我们使用 Seaborn 的 boxplot() 函数创建了一个多变量箱线图，其中 x 轴表示不同的变量，hue 参数用于区分不同的组。
13. 箱线图与散点图的组合
有时，我们可能希望在箱线图旁边显示原始数据点，以提供更详细的数据分布信息。以下是一个将箱线图与散点图结合的示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 生成示例数据
np.random.seed(42)
data = pd.DataFrame({
'group': np.repeat(['A', 'B', 'C'], 100),
'value': np.concatenate([
np.random.normal(0, 1, 100),
np.random.normal(2, 1, 100),
np.random.normal(1, 1.5, 100)
])
})
# 创建箱线图和散点图的组合
plt.figure(figsize=(12, 6))
sns.boxplot(x='group', y='value', data=data, color='lightgray')
sns.stripplot(x='group', y='value', data=data, color='darkblue', alpha=0.5, jitter=True)
plt.title('Boxplot with Individual Points - how2matplotlib.com')
plt.show()
Output:
在这个例子中，我们首先使用 sns.boxplot() 创建了一个基本的箱线图，然后使用 sns.stripplot() 在箱线图上叠加了散点图。jitter=True 参数用于在水平方向上添加随机抖动，以避免点的重叠。
14. 分面箱线图
当我们需要根据多个分类变量来比较数据分布时，分面箱线图可能会很有用。以下是一个创建分面箱线图的示例：
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np
# 生成示例数据
np.random.seed(42)
n = 200
data = pd.DataFrame({
'group': np.repeat(['A', 'B'], n),
'subgroup': np.tile(np.repeat(['X', 'Y'], n//2), 2),
'category': np.random.choice(['Cat1', 'Cat2', 'Cat3'], 2*n),
'value': np.concatenate([np.random.normal(0, 1, n), np.random.normal(2, 1, n)])
})
# 创建分面箱线图
g = sns.FacetGrid(data, col='category', height=4, aspect=.7)
g.map(sns.boxplot, 'group', 'value', 'subgroup', palette='Set3')
g.add_legend(title='Subgroup')
g.fig.suptitle('Faceted Boxplot - how2matplotlib.com', y=1.05)
plt.tight_layout()
plt.show()
Output:
在这个例子中，我们使用 Seaborn 的 FacetGrid 创建了一个分面图，其中每个分面对应一个类别。然后，我们在每个分面中绘制了一个按组和子组分类的箱线图。
15. 带有误差条的箱线图
有时，我们可能希望在箱线图上显示误差条，例如置信区间或标准误差。以下是一个在箱线图上添加误差条的示例：
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = [np.random.normal(0, std, 100) for std in range(1, 4)]
# 计算均值和标准误差
means = [np.mean(d) for d in data]
stderrs = [np.std(d) / np.sqrt(len(d)) for d in data]
# 创建带误差条的箱线图
fig, ax = plt.subplots(figsize=(10, 6))
box_plot = ax.boxplot(data)
# 添加误差条
ax.errorbar(range(1, len(data) + 1), means, yerr=stderrs, fmt='o', color='r', capsize=5)
ax.set_title('Boxplot with Error Bars - how2matplotlib.com')
ax.set_ylabel('Values')
ax.set_xticklabels(['Group A', 'Group B', 'Group C'])
plt.show()
Output:
在这个例子中，我们首先创建了一个基本的箱线图，然后使用 ax.errorbar() 函数添加了误差条。误差条显示了每组数据的均值和标准误差。
结论
通过本文，我们详细探讨了如何使用 Matplotlib 创建各种类型的分组箱线图，从基本的箱线图到高级的多变量和动态箱线图。我们还介绍了如何自定义箱线图的样式、添加统计注释、结合其他类型的图表等技巧。这些技能将帮助您更有效地分析和展示数据，特别是在比较不同组或类别的数据分布时。
记住，箱线图是一种强大的数据可视化工具，但它并不是唯一的选择。根据您的具体需求和数据特征，您可能还需要考虑其他类型的图表，如小提琴图、散点图或直方图。最重要的是选择能最清晰、最有效地传达您的数据洞察的可视化方法。
通过实践和探索，您将能够熟练运用这些技巧，创建出既美观又富有信息量的数据可视化图表。希望本文能为您的数据分析和可视化工作提供有价值的参考和启发。