Zeitseriendiagramm mit Min/Max-Schattierung mit Seaborn

Question

Ich versuche, ein 3-Zeilen-Zeitreihendiagramm basierend auf den folgenden Daten , in einer Woche x Überladung Grafik erstellen, wo jeder Cluster eine andere Zeile ist.

Ich habe mehrere Beobachtungen für jedes Paar (Cluster, Woche) (5 für jeden ATM, wird 1000 haben). Ich möchte, dass die Punkte auf der Linie der durchschnittliche Überlastwert für das spezifische Paar (Cluster, Woche) sind, und das Band die Min/Max-Werte davon sind.

derzeit mit dem folgende Stück Code, es zu zeichnen, aber ich bin keine Linien bekommen, wie ich weiß nicht, welche Einheit des aktuellen Datenrahmen angeben mit:

ax14 = sns.tsplot(data = long_total_cluster_capacity_overload_df, value = "Overload", time = "Week", condition = "Cluster") 

GIST Data

Ich habe das Gefühl, dass ich meinen Datenrahmen noch verändern muss, aber ich habe keine Ahnung wie. Sie sucht ein endgültigen Ergebnisse, die wie dies

Answer 1

this incredible answer Basiert weg, ich war in der Lage, einen Affen-Patch zu erstellen, um schön zu tun, was Sie suchen.

import pandas as pd 
import seaborn as sns  
import seaborn.timeseries 

def _plot_range_band(*args, central_data=None, ci=None, data=None, **kwargs): 
    upper = data.max(axis=0) 
    lower = data.min(axis=0) 
    #import pdb; pdb.set_trace() 
    ci = np.asarray((lower, upper)) 
    kwargs.update({"central_data": central_data, "ci": ci, "data": data}) 
    seaborn.timeseries._plot_ci_band(*args, **kwargs) 

seaborn.timeseries._plot_range_band = _plot_range_band 

cluster_overload = pd.read_csv("TSplot.csv", delim_whitespace=True) 
cluster_overload['Unit'] = cluster_overload.groupby(['Cluster','Week']).cumcount() 

ax = sns.tsplot(time='Week',value="Overload", condition="Cluster", unit="Unit", data=cluster_overload, 
       err_style="range_band", n_boot=0) 

Ausgang Graph:

Beachten Sie, dass die schattierten Bereiche mit dem wahren Maximum und Minimum in der Liniengrafik in eine Reihe aufstellen!

Wenn Sie herausfinden, warum die Variable unit erforderlich ist, lassen Sie es mich bitte wissen.

---

Wenn Sie wollen, dass sie nicht alle in der gleichen Grafik dann:

import pandas as pd 
import seaborn as sns 
import seaborn.timeseries 


def _plot_range_band(*args, central_data=None, ci=None, data=None, **kwargs): 
    upper = data.max(axis=0) 
    lower = data.min(axis=0) 
    #import pdb; pdb.set_trace() 
    ci = np.asarray((lower, upper)) 
    kwargs.update({"central_data": central_data, "ci": ci, "data": data}) 
    seaborn.timeseries._plot_ci_band(*args, **kwargs) 

seaborn.timeseries._plot_range_band = _plot_range_band 

cluster_overload = pd.read_csv("TSplot.csv", delim_whitespace=True) 
cluster_overload['subindex'] = cluster_overload.groupby(['Cluster','Week']).cumcount() 

def customPlot(*args,**kwargs): 
    df = kwargs.pop('data') 
    pivoted = df.pivot(index='subindex', columns='Week', values='Overload') 
    ax = sns.tsplot(pivoted.values, err_style="range_band", n_boot=0, color=kwargs['color']) 

g = sns.FacetGrid(cluster_overload, row="Cluster", sharey=False, hue='Cluster', aspect=3) 
g = g.map_dataframe(customPlot, 'Week', 'Overload','subindex') 

, die die folgenden erzeugt, (Sie können natürlich mit dem Seitenverhältnis spielen, wenn man die Proportionen sind weg denken)

Answer 2

sehen ich dachte wirklich, dass ich in der Lage sein, es zu tun mit seaborn.tsplot. Aber es sieht nicht ganz richtig aus. Hier ist das Ergebnis, das ich mit Seaborn erhalten:

cluster_overload = pd.read_csv("TSplot.csv", delim_whitespace=True) 
cluster_overload['Unit'] = cluster_overload.groupby(['Cluster','Week']).cumcount() 
ax = sns.tsplot(time='Week',value="Overload", condition="Cluster", ci=100, unit="Unit", data=cluster_overload) 

Ausgänge:

Ich bin wirklich verwirrt, warum die unit Parameter ist notwendig, da mein Verständnis ist, dass alle Daten aggregiert basiert auf (time, condition) Die Seaborn Documentation definiert unit als

Field in the data DataFrame identifying the sampling unit (e.g. subject, neuron, etc.). The error representation will collapse over units at each time/condition observation. This has no role when data is an array.

ich bin Ich bin mir nicht sicher, was "kollabieren" bedeutet - vor allem, weil meine Definition es nicht zu einer erforderlichen Variablen machen würde.

Wie auch immer, hier ist der Ausgang, wenn Sie genau wollen, was Sie besprochen haben, nicht annähernd so schön. Ich bin nicht sicher, wie man in diesen Regionen manuell schattiert, aber teilen Sie es bitte, wenn Sie es herausfinden.

cluster_overload = pd.read_csv("TSplot.csv", delim_whitespace=True) 
grouped = cluster_overload.groupby(['Cluster','Week'],as_index=False) 
stats = grouped.agg(['min','mean','max']).unstack().T 
stats.index = stats.index.droplevel(0) 

colors = ['b','g','r'] 
ax = stats.loc['mean'].plot(color=colors, alpha=0.8, linewidth=3) 
stats.loc['max'].plot(ax=ax,color=colors,legend=False, alpha=0.3) 
stats.loc['min'].plot(ax=ax,color=colors,legend=False, alpha=0.3) 

Ausgänge:

Answer 3

Ich habe endlich die gute alte plot mit einem Design (Subplots), die (für mich) besser lesbar scheint.

df = pd.read_csv('TSplot.csv', sep='\t', index_col=0) 
# Compute the min, mean and max (could also be other values) 
grouped = df.groupby(["Cluster", "Week"]).agg({'Overload': ['min', 'mean', 'max']}).unstack("Cluster") 

# Plot with sublot since it is more readable 
axes = grouped.loc[:,('Overload', 'mean')].plot(subplots=True) 

# Getting the color palette used 
palette = sns.color_palette() 

# Initializing an index to get each cluster and each color 
index = 0 
for ax in axes: 
    ax.fill_between(grouped.index, grouped.loc[:,('Overload', 'mean', index + 1)], 
        grouped.loc[:,('Overload', 'max', index + 1)], alpha=.2, color=palette[index]) 
    ax.fill_between(grouped.index, 
        grouped.loc[:,('Overload', 'min', index + 1)] , grouped.loc[:,('Overload', 'mean', index + 1)], alpha=.2, color=palette[index]) 
    index +=1