多个数据帧的熊猫 3D 图

Question

我的目标是绘制类似于以下link 的顶部图表的内容。

我有几个 txt 文件，每个文件对应一个不同的样本。 目前，我将数据加载为 pandas 数据框（尽管我不确定如果我加载为 numpy 数组是否会更容易）：

sample4.head()
Out[61]: 
           20       40       60       80      100
x                                                
1.10  1.09734  1.25772  1.41810  1.57847  1.73885
1.11  1.06237  1.21307  1.36378  1.51448  1.66518
1.12  1.02176  1.16346  1.30516  1.44686  1.58856
1.13  0.97769  1.11097  1.24426  1.37754  1.51083
1.14  0.93162  1.05702  1.18241  1.30781  1.43321

test5.head()
Out[62]: 
           20       40       60       80      100
x                                                
1.10  1.12427  1.31545  1.50663  1.69781  1.88899
1.11  1.06327  1.24045  1.41763  1.59482  1.77200
1.12  0.99875  1.16302  1.32730  1.49158  1.65585
1.13  0.93276  1.08509  1.23742  1.38975  1.54208
1.14  0.86668  1.00792  1.14916  1.29040  1.43164

test6.head()
Out[63]: 
           20       40       60       80      100
x                                                
1.10  1.08463  1.30038  1.51612  1.73187  1.94761
1.11  0.99905  1.19626  1.39346  1.59067  1.78788
1.12  0.91255  1.09283  1.27310  1.45337  1.63365
1.13  0.82706  0.99181  1.15656  1.32131  1.48605
1.14  0.74381  0.89429  1.04477  1.19525  1.34572

可以看出，所有样本共享一列。以下方法适用于单个样本，提供简单的 2D 图：

sample4.plot()

但我的想法是沿 y 轴绘制我拥有的所有数据框，这意味着 y 轴应该是我拥有的每个单独样本，在像上面的示例一样的 3d 图中，但我不知道如何“堆叠”数据框并使用第三个轴绘制它们。

任何帮助将不胜感激。

提前致谢。

Answer 1

这是一种方法，使用melt 和Axes3D。

首先，生成OP提供的样本数据：

import pandas as pd
from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

sample4_z = [1.09734,  1.25772,  1.4181 ,  1.57847,  1.73885,  1.06237,
             1.21307,  1.36378,  1.51448,  1.66518,  1.02176,  1.16346,
             1.30516,  1.44686,  1.58856,  0.97769,  1.11097,  1.24426,
             1.37754,  1.51083,  0.93162,  1.05702,  1.18241,  1.30781,  
             1.43321]

test5_z = [1.12427,  1.31545,  1.50663,  1.69781,  1.88899,  1.06327,
           1.24045,  1.41763,  1.59482,  1.772  ,  0.99875,  1.16302,
           1.3273 ,  1.49158,  1.65585,  0.93276,  1.08509,  1.23742,
           1.38975,  1.54208,  0.86668,  1.00792,  1.14916,  1.2904 , 
           1.43164]

test6_z = [1.08463,  1.30038,  1.51612,  1.73187,  1.94761,  0.99905,
           1.19626,  1.39346,  1.59067,  1.78788,  0.91255,  1.09283,
           1.2731 ,  1.45337,  1.63365,  0.82706,  0.99181,  1.15656,
           1.32131,  1.48605,  0.74381,  0.89429,  1.04477,  1.19525,  
           1.34572]

def make_df(data):
    x = [1.1, 1.11, 1.12, 1.13, 1.14]
    y = [20, 40, 60, 80, 100]
    z = np.array(data).reshape((len(x),len(y)))
    return pd.DataFrame(z, index=x, columns=y).reset_index().rename(columns={'index':'x'})

sample4 = make_df(sample4_z)
test5 = make_df(test5_z)
test6 = make_df(test6_z)

现在在一个 3D 网格上绘制所有三个数据框：

# signal to pyplot that we want 3d plots
fig, ax = plt.subplots(1, 1, figsize=(10, 10), subplot_kw={'projection': '3d'})

# convenience wrapper for plotting function
def plot_3d(df):
    ax.plot(df.x, df.y.astype(float), df.z) # dims must be floats

# reshape with melt(), then plot
plot_3d(pd.melt(sample4, id_vars='x', var_name='y', value_name='z'))
plot_3d(pd.melt(test5, id_vars='x', var_name='y', value_name='z'))
plot_3d(pd.melt(test6, id_vars='x', var_name='y', value_name='z'))

# label axes
ax.set_xlabel('x', fontsize=20)
ax.set_ylabel('y', fontsize=20)
ax.set_zlabel('z', fontsize=20)

# optional view configurations
ax.elev = 10
ax.axim = 20

更新 re：y轴作为分类
只有两个连续值轴，通常没有必要（也不推荐）调用 3D 绘图表面（例如，参见this similar discussion）。将分类变量编码为标记维度更清楚。

这种情况还因样本组级别而变得复杂，样本组级别代表第四个维度。我建议考虑一组图，将 y 轴类别编码为图例。像这样：

datasets = ['sample4','test5','test6']
line_types = ['-.','--','-']
fix, axes = plt.subplots(1,3, figsize=(14,5))
for i, data in enumerate([sample4, test5, test6]):
    data.set_index('x').plot(style=line_types[i], ax=axes[i], sharey=True, 
                             xticks=data.x, title=datasets[i])

不过，如果您真的想保持 3D 形式，具有正确视图旋转的散点图将为您提供您正在寻找的效果。这也避免了 y 轴被读取为度量变量而不是序数变量的问题。

# scatter plot with categorical y-axis
def plot_3d(df, color):
    ax.scatter(df.x, df.y, df.z, c=color) # dims must be floats

# reshape with melt(), then plot
plot_3d(pd.melt(sample4, id_vars='x', var_name='y', value_name='z'), 'red')
plot_3d(pd.melt(test5, id_vars='x', var_name='y', value_name='z'), 'blue')
plot_3d(pd.melt(test6, id_vars='x', var_name='y', value_name='z'), 'green')

# label axes
ax.set_xlabel('x', fontsize=20)
ax.set_ylabel('y', fontsize=20)
ax.set_zlabel('z', fontsize=20)

# optional view configurations
ax.elev = 10
ax.azim = 280

注意：可以使用bar3d 类将一个或多个维度视为分类，但它对具有相同类别值的多个点的级联方法可能无法为您提供所需的内容。