Я пытаюсь создать это:
Данные для диаграммы:
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
data = {
"year": [2004, 2022, 2004, 2022, 2004, 2022],
"countries" : [ "Denmark", "Denmark", "Norway", "Norway","Sweden", "Sweden",],
"sites": [4,10,5,8,13,15]
}
df= pd.DataFrame(data)
df['diff'] = df.groupby(['countries'])['sites'].diff()
df['diff'].fillna(df.sites, inplace=True)
df
Я знаю, что существуют пакеты, которые создают древовидные карты (квадратирование и построение графиков, например), но я не понял, как сделать приведенный выше пакет, в котором значения лет добавляются друг к другу. (или разницу, если быть точным), и было бы здорово научиться делать это в чистом matplotlib, если это не слишком сложно.
У кого-нибудь есть указатели? Я не нашел много информации о древовидных картах в Google.
Вы правы, спасибо и готово
Более глубокая проблема; если ваши серии не монотонны в одном направлении, я не думаю, что вы сможете это использовать. Обратите внимание, что приведенное ниже решение каждый раз проверяет, какое значение больше. Но представьте, чтоНорвегияAfter меньше, чемНорвегияBefore: тогда разделение древовидной карты больших значений делится между двумя значениями After и одним значением Before, и это, вероятно, не имеет смысла.
По крайней мере одна диссертация написана по временным рядам и древовидным картам! Отличный вопрос. Диссертация Чинталапани






Эта задача состоит из двух частей.
Первая часть может оказаться весьма увлекательной: люди публикуют научные работы по теме. Здесь нецелесообразно изобретать велосипед. Однако вторая часть довольно проста и может быть выполнена в matplotlib.
В приведенном ниже решении используется squrify для вычисления макета с использованием большего значения для каждой пары значений, а затем matplotlib для рисования двух прямоугольников друг над другом.
import numpy as np
import matplotlib.pyplot as plt
import squarify
from matplotlib import colormaps
from matplotlib.colors import to_rgba
DEFAULT_COLORS = list(zip(colormaps["tab20"].colors[::2],
colormaps["tab20"].colors[1::2]))
def color_to_grayscale(color):
# Adapted from: https://stackoverflow.com/a/689547/2912349
r, g, b, a = to_rgba(color)
return (0.299 * r + 0.587 * g + 0.114 * b) * a
class PairedTreeMap:
def __init__(self, values, colors=DEFAULT_COLORS, labels=None, ax=None, bbox=(0, 0, 200, 100)):
"""
Draw a treemap of value pairs.
values : list[tuple[float, float]]
A list of value pairs.
colors : list[tuple[RGBA, RGBA]]
The corresponding color pairs. Defaults to light/dark tab20 matplotlib color pairs.
labels : list[str]
The labels, one for each pair.
ax : matplotlib.axes._axes.Axes
The matplotlib axis instance to draw on.
bbox : tuple[float, float, float, float]
The (x, y) origin and (width, height) extent of the treemap.
"""
self.ax = self.initialize_axis(ax)
self.rects = self.get_layout(values, bbox)
self.artists = list(self.draw(self.rects, values, colors, self.ax))
if labels:
self.labels = list(self.add_labels(self.rects, labels, values, colors, self.ax))
def get_layout(self, values, bbox):
maxima = np.max(values, axis=1)
order = np.argsort(maxima)[::-1]
normalized_maxima = squarify.normalize_sizes(maxima[order], *bbox[2:])
rects = squarify.padded_squarify(normalized_maxima, *bbox)
reorder = np.argsort(order)
return [rects[ii] for ii in reorder]
def initialize_axis(self, ax=None):
if ax is None:
fig, ax = plt.subplots()
ax.set_aspect("equal")
ax.axis("off")
return ax
def _get_artist_pair(self, rect, value_pair, color_pair):
x, y, w, h = rect["x"], rect["y"], rect["dx"], rect["dy"]
(small, large), (color_small, color_large) = zip(*sorted(zip(value_pair, color_pair)))
ratio = np.sqrt(small / large)
return (plt.Rectangle((x, y), w, h, color=color_large, zorder=1),
plt.Rectangle((x, y), w * ratio, h * ratio, color=color_small, zorder=2))
def draw(self, rects, values, colors, ax):
for rect, value_pair, color_pair in zip(rects, values, colors):
large_patch, small_patch = self._get_artist_pair(rect, value_pair, color_pair)
ax.add_patch(large_patch)
ax.add_patch(small_patch)
yield(large_patch, small_patch)
ax.autoscale_view()
def add_labels(self, rects, labels, values, colors, ax):
for rect, label, value_pair, color_pair in zip(rects, labels, values, colors):
x, y, w, h = rect["x"], rect["y"], rect["dx"], rect["dy"]
# decide a fontcolor based on background brightness
(small, large), (color_small, color_large) = zip(*sorted(zip(value_pair, color_pair)))
ratio = small / large
background_brightness = color_to_grayscale(color_large) if ratio < 0.33 else color_to_grayscale(color_small) # i.e. 0.25 + some fudge
fontcolor = "white" if background_brightness < 0.5 else "black"
yield ax.text(x + w/2, y + h/2, label, va = "center", ha = "center", color=fontcolor)
if __name__ == "__main__":
values = [
(4, 10),
(13, 15),
(5, 8),
]
colors = [
("red", "coral"),
("royalblue", "cornflowerblue"),
("darkslategrey", "gray"),
]
labels = [
"Denmark",
"Sweden",
"Norway"
]
PairedTreeMap(values, colors=colors, labels=labels, bbox=(0, 0, 100, 100))
plt.show()
Возможно, проверьте монотонность рядов данных, прежде чем что-либо строить, и предупредите, если они не имеют одного и того же направления. Я думаю, что древовидная карта — неправильный макет для этого случая. Если все они одного направления, внутренний код упрощается, и добавление легенды тоже.
@cphlewis Изменения не обязательно должны быть в одном направлении, главное, чтобы цвета были правильно выбраны. Я думаю, что разные уровни насыщенности хорошо помогают указать «до» и «после».
Хотя я согласен, что это не обязательно будет моей предпочтительной визуализацией для парных данных, если только я не буду также заботиться об общем объеме (в этом случае все пары лучше монотонно возрастать, так что, я думаю, точка принята).
Я решил, что это не простой ответ, поскольку я не видел много результатов на древовидных картах. Спасибо! Я просмотрю код, чтобы посмотреть, смогу ли я в нем разобраться. Визуализация была взята с веб-сайта 100datavizproject, где они пытаются визуализировать один набор данных 100 различными способами, независимо от эффективности визуализации. Я просто пытаюсь воссоздать их все, чтобы изучить matplotlib.
Было бы точнее назвать ваш вопрос, показывая изменения в древовидной карте? Возможно, стоит написать весь алгоритм самостоятельно или это облегчит поиск подходов в существующих библиотеках.