Временная диаграмма с минимальным/максимальным затенением с использованием Seaborn

Question

Я пытаюсь создать трехстрочный график временных рядов на основе следующих данных , в графе перегрузки недели x, где каждый кластер представляет собой другую строку.

У меня есть несколько наблюдений для каждой пары (кластер, неделя) (5 для каждого атм, будет 1000). Я хотел бы, чтобы точки на линии были средним значением перегрузки для этой конкретной пары (Cluster, Week), а диапазон был минимальным/максимальным значением.

В настоящее время используется следующий фрагмент кода, чтобы построить его, но я не получаю никаких линий, так как я не знаю, что устройство для определения с использованием текущего dataframe:

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

GIST Data

У меня такое чувство, что мне все еще нужно переформировать мой фрейм, но я понятия не имею, как это сделать. Глядя на окончательные результаты, что выглядит как этот

Answer 1

Основы this incredible answer, я был в состоянии создать обезьяну патч красиво делать то, что вы ищете.

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) 

Выходной График:

Обратите внимание, что заштрихованные области выстраиваться с истинным максимумом и минимумов в линейном графике!

Если вы считаете, почему переменная unit обязательна, свяжитесь со мной.

---

Если вы не хотите их все на одном графике, то:

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') 

Который производит следующее (можно, очевидно, играть с соотношением сторон, если вы думаете, что пропорции выключены)

Answer 2

Я действительно думал, что я мог бы сделать это с seaborn.tsplot. Но это не совсем правильно. Вот результат я получаю с Сиборном:

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) 

Выходов:

Я действительно запутался, почему параметр unit необходим, так как я понимаю, что все данные агрегируются на основе на (time, condition)Seaborn Documentation определяет unit, как

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.

Я не будучи уверенным в значении «рушится», особенно потому, что мое определение не станет обязательной переменной.

В любом случае, вот вывод, если вы хотите точно то, что вы обсуждали, не так красиво. Я не уверен, как вручную затенять в этих регионах, но, пожалуйста, поделитесь, если вы это выясните.

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) 

Выходов:

Answer 3

Я, наконец, использовал старый добрый plot с дизайном (подзаголовками), который кажется мне более удобочитаемым.

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