Plot 單個 plot 中的多個 CDF

Question

我創建了一個 function 來計算我的 dataframe 列的CDF 。 它返回一個新的 dataframe column傳遞、 frequency 、計算PDF和CDF ，如下所示：

import pandas as pd
import numpy as np

def compute_distrib(df, col):
    stats_df = df.groupby(col)[col].agg('count').pipe(pd.DataFrame).rename(columns = {col: 'frequency'})
    
    # PDF
    stats_df['pdf'] = stats_df['frequency'] / sum(stats_df['frequency'])
    
    # CDF
    stats_df['cdf'] = stats_df['pdf'].cumsum()
    stats_df = stats_df.reset_index()
    return stats_df

所以以下面的 dataframe 為例：

df = pd.DataFrame(np.random.randn(100,4), columns=list('ABCD'))

要計算CDF ，我會：

df_n = compute_distrib(df, 'B')
df_n.head()
      B     frequency   pdf     cdf
0   -2.124058   1      0.01     0.01
1   -1.949440   1      0.01     0.02
2   -1.738689   1      0.01     0.03
3   -1.733489   1      0.01     0.04
4   -1.693070   1      0.01     0.05

然后到 plot CDF ：

df_n.plot(x='B', y=['cdf'], grid=True)
plt.show()

但是這個 function 允許我 plot 僅來自原始df的 1 列的CDF 。 如何在一個 plot 中 plot 列A,B,C,D的CDF ？

Answer 1

在這里，我不提供僅 pandas 的解決方案。 我認為使用plotly或seaborn會更容易。 我將稍微修改您的compute_distrib ，因為我認為避免 x 帶有列名並不是更好。

數據

import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(100,4), columns=list('ABCD'))

def compute_distrib(df, col):
    stats_df = df.groupby(col)[col].agg('count')\
                 .pipe(pd.DataFrame).rename(columns={col: 'frequency'})
    
    # PDF
    stats_df['pdf'] = stats_df['frequency'] / sum(stats_df['frequency'])
    
    # CDF
    stats_df['cdf'] = stats_df['pdf'].cumsum()
    
    # modifications
    stats_df = stats_df.reset_index()\
                       .rename(columns={col:"x"})
    stats_df["col"] = col
    return stats_df

# I calculate cdf for every columns
cdf = []
for col in list('ABCD'):
    cdf.append(compute_distrib(df, col))
cdf = pd.concat(cdf, ignore_index=True)

plotly.express

import plotly.express as px

px.line(cdf, x="x", y="cdf", color="col")

seaborn

import seaborn as sns

sns.lineplot(x=cdf["x"],
             y=cdf["cdf"],
             hue=cdf["col"]);

額外的例子

我不確定是否是這種情況，但有一種方法可以只使用 plot 的cdf而無需事先計算。

seaborn

import seaborn as sns

df1 = pd.melt(df, var_name="col", value_name="x")

kwargs = {'cumulative': True}
for grp in df1.groupby("col"):
    label = grp[0]
    grp = grp[1]
    kwargs["label"] = label
    sns.distplot(grp["x"], hist=False, kde_kws=kwargs)