Как я могу обернуть столбцы подзаговора

• seaborn.displot с kind='hist' можно использовать для создания подграфиков/фасетов, где col_wrap указывает количество столбцов.
  • См. Как построить несколько подграфиков для указания nrows и ncols при использовании графиков на уровне осей.
  • См. Функции на уровне фигур и на уровне осей
• Данные для 'Female' и 'Male' следует показывать отдельно, потому что гендерная статистика часто отличается, поэтому представление их вместе может исказить впечатление от данных.
• Построение отдельных FacetGrid для каждого 'Gender' дает наилучший вариант отображения.
• Seaborn histplot и displot вывод не совпадают
• Протестировано в python 3.11.3, pandas 2.0.1, matplotlib 3.7.1, seaborn 0.12.2

import pandas as pd
import seaborn as sns

# load the dataset downloaded from https://www.kaggle.com/uciml/indian-liver-patient-records
df = pd.read_csv('d:/data/kaggle/indian_liver_patient.csv')

# convert the data to a long form
dfm = df.melt(id_vars=['Gender', 'Dataset'])

# plot the data for each gender
for gender, data in dfm.groupby('Gender'):
    
    g = sns.displot(kind='hist', data=data, x='value', col='variable', hue='Dataset',
                    hue_order=[1, 2], common_norm=False, common_bins=False,
                    multiple='dodge', kde=True, col_wrap=3, height=2.5, aspect=2,
                    facet_kws = {'sharey': False, 'sharex': False}, palette='tab10')
    
    fig = g.fig
    
    fig.suptitle(f'Gender: {gender}', y=1.02)

    fig.savefig(f'hist_{gender}.png', bbox_inches='tight')

• Единственная проблема с этой опцией заключается в том, что common_bins=False означает, что ячейки двух групп оттенков не совпадают. Однако установка его на True приводит к игнорированию sharex=False, поэтому все пределы оси X будут от 0 до 2000, как видно на этом графике.

• График , сгенерированный следующим кодом, имеет слишком много столбцов.
  • col_wrap нельзя использовать, если row также используется.

g = sns.displot(kind='hist', data=dfm, x='value', row='Dataset', col='variable', hue='Gender',
                common_norm=False, common_bins=False, multiple='dodge', kde=True,
                facet_kws = {'sharey': False, 'sharex': False})

g.fig.savefig('hist.png')

• Следующий график не разделяет данные по 'Gender'.

g = sns.displot(kind='hist', data=dfm, x='value', col='variable', col_wrap=3,
                hue='Dataset', common_norm=False, common_bins=False,
                multiple='dodge', kde=True, height=2.5, aspect=2,
                facet_kws = {'sharey': False, 'sharex': False}, palette='tab10')

• Следующая опция позволяет правильно использовать common_bins=True.

import seaborn as sns
import numpy as np
import pandas as pd

# load the dataset
df = pd.read_csv('d:/data/kaggle/indian_liver_patient.csv')

# convert the data to a long form
dfm = df.melt(id_vars=['Gender', 'Dataset'])

# iterate through the data for each gender
for gen, data in dfm.groupby('Gender'):
    
    # create the figure and axes
    fig, axes = plt.subplots(3, 3, figsize=(11, 5), sharex=False, sharey=False, tight_layout=True)
    
    # flatten the array of axes
    axes = axes.flatten()
    
    # iterate through each axes and variable category
    for ax, (var, sel) in zip(axes, data.groupby('variable')):
        
        sns.histplot(data=sel, x='value', hue='Dataset', hue_order=[1, 2], kde=True, ax=ax,
                     common_norm=False, common_bins=True, multiple='dodge', palette='tab10')
        
        ax.set(xlabel='', title=var.replace('_', ' ').title())
        ax.spines[['top', 'right']].set_visible(False)
    
    # remove all the legends except for Aspartate Aminotrnsferase, which will be move to used for the figure
    for ax in np.append(axes[:5], axes[6:]):
        ax.get_legend().remove()
        
    sns.move_legend(axes[5], bbox_to_anchor=(1, 0.5), loc='center left', frameon=False)
        
    fig.suptitle(f'Gender: {gen}', y=1.02)
    
    fig.savefig(f'hist_{gen}.png', bbox_inches='tight')

• Некоторые столбцы в df имеют значительные выбросы. Их удаление улучшит визуализацию гистограммы.

from scipy.stats import zscore
from typing import Literal


def remove_outliers(data: pd.DataFrame, method: Literal['std', 'z'] = 'std') -> pd.DataFrame:
    # remove outliers with std or zscore
    if method == 'std':
        std = data.value.std()
        low = data.value.mean() - std * 3
        high = data.value.mean() + std * 3
        data = data[data.value.between(low, high)] 
    else:
        data = data[(np.abs(zscore(data['value'])) < 3)]
    return data


# iterate through the data for each gender
for gen, data in dfm.groupby('Gender'):
    
    ...
    
    # iterate through each axes and variable category
    for ax, (var, sel) in zip(axes, data.groupby('variable')):
        
        # remove outliers of specified columns
        if var in df.columns[2:7]:
            sel = remove_outliers(sel)
        
        sns.histplot(data=sel, x='value', hue='Dataset', hue_order=[1, 2], kde=True, ax=ax,
                     common_norm=False, common_bins=True, multiple='dodge', palette='tab10')

        ....
     ....