在数据分析实践中，我们经常需要对数据进行分组聚合，并对比不同聚合指标（例如，某项指标的平均值与总和）在同一维度上的表现。直接使用Pandas groupby().plot.barh() 方法虽然方便，但它通常只能绘制单一聚合结果的图表。当需要将多个聚合结果（如均值和总和）组合到同一张图中时，我们需要更灵活的Matplotlib绘图技巧。
数据准备：聚合与合并
要将不同聚合结果组合到一张图表中，核心思路是先将这些聚合结果分别计算出来，然后将它们合并到一个统一的数据框中。这样，我们就可以基于这个合并后的数据框进行灵活的绘图。
-
执行分组聚合 首先，对原始数据框 day_df 进行分组聚合。我们需要计算 cnt 列的均值 (mean) 和总和 (sum)。
import pandas as pd import numpy as np import matplotlib.pyplot as plt # 模拟数据，实际项目中请替换为您的day_df data = { 'yr': np.random.choice([0, 1], 100), 'season': np.random.choice([1, 2, 3, 4], 100), 'weathersit': np.random.choice([1, 2, 3], 100), 'cnt': np.random.randint(100, 1000, 100) } day_df = pd.DataFrame(data) # 计算均值 day_mean_dataframe = day_df.groupby(by=["yr", "season", "weathersit"]).agg({"cnt": "mean"}) # 计算总和 day_sum_dataframe = day_df.groupby(by=["yr", "season", "weathersit"]).agg({"cnt": "sum"}) -
重置索引 (reset_index())groupby()操作通常会生成一个多级索引（MultiIndex）。为了方便后续的合并操作，我们需要将这些索引转换为普通列。reset_index()方法可以实现这一点。
day_mean_dataframe = day_mean_dataframe.reset_index() day_sum_dataframe = day_sum_dataframe.reset_index()
-
合并数据框 (pd.merge()) 现在我们有了两个数据框，一个包含均值，一个包含总和。使用 pd.merge() 函数将它们合并。关键是指定用于合并的共同列（on 参数）以及为区分相同列名（例如 cnt）而添加的后缀（suffixes 参数）。
merged_df = pd.merge(day_mean_dataframe, day_sum_dataframe, on=["yr", "season", "weathersit"], suffixes=('_mean', '_sum'))合并后的 merged_df 将包含 yr, season, weathersit 作为共同的标识列，以及 cnt_mean 和 cnt_sum 两列，分别代表聚合的均值和总和。
立即学习“Python免费学习笔记（深入）”；
可视化实现：组合条形图
数据准备就绪后，我们可以使用Matplotlib的 plt.bar() 或 plt.barh() 函数来绘制组合条形图。
网趣购物系统静态版支持网站一键静态生成，采用动态进度条模式生成静态，生成过程更加清晰明确，商品管理上增加淘宝数据包导入功能，与淘宝数据同步更新!采用领先的AJAX+XML相融技术，速度更快更高效！系统进行了大量的实用性更新，如优化核心算法、增加商品图片批量上传、谷歌地图浏览插入等，静态版独特的生成算法技术使静态生成过程可随意掌控，从而可以大大减轻服务器的负担，结合多种强大的SEO优化方式于一体，使
A. 垂直条形图 (plt.bar)
垂直条形图适用于类别标签较少的情况。我们将均值和总和的条形图并排绘制。
# 创建图和轴对象
fig, ax = plt.subplots(figsize=(14, 7))
# 为每个分组创建一个位置数组
r = np.arange(len(merged_df))
width = 0.4 # 条形图的宽度
# 绘制均值条形图
ax.bar(r - width/2, merged_df["cnt_mean"], width=width, label='平均值', color='skyblue')
# 绘制总和条形图，稍微偏移以便并排显示
ax.bar(r + width/2, merged_df["cnt_sum"], width=width, label='总和', color='lightcoral')
# 设置X轴刻度标签
# 将yr, season, weathersit组合成一个字符串作为标签
ax.set_xticks(r)
ax.set_xticklabels([f'{row.yr}, S{row.season}, W{row.weathersit}'
for _, row in merged_df.iterrows()],
rotation=90, ha='center') # 旋转标签以防重叠
# 添加图例和轴标签
ax.legend()
ax.set_xlabel('年份, 季节, 天气状况')
ax.set_ylabel('计数')
ax.set_title('不同天气状况下共享单车计数（平均值与总和）')
plt.tight_layout() # 自动调整布局，防止标签重叠
plt.show()B. 水平条形图 (plt.barh)
当类别标签较多或标签内容较长时，水平条形图 (plt.barh) 通常是更好的选择，因为它可以提供更多的空间来显示标签。
# 创建图和轴对象
fig, ax = plt.subplots(figsize=(14, 8))
# 为每个分组创建一个位置数组
r = np.arange(len(merged_df))
height = 0.4 # 条形图的高度
# 绘制均值水平条形图
ax.barh(r - height/2, merged_df["cnt_mean"], height=height, label='平均值', color='skyblue')
# 绘制总和水平条形图，稍微偏移以便并排显示
ax.barh(r + height/2, merged_df["cnt_sum"], height=height, label='总和', color='lightcoral')
# 设置Y轴刻度标签
# 将yr, season, weathersit组合成一个字符串作为标签
ax.set_yticks(r)
ax.set_yticklabels([f'{row.yr}, S{row.season}, W{row.weathersit}'
for _, row in merged_df.iterrows()])
# 添加图例和轴标签
ax.legend()
ax.set_xlabel('计数')
ax.set_ylabel('年份, 季节, 天气状况')
ax.set_title('不同天气状况下共享单车计数（平均值与总和）')
plt.tight_layout() # 自动调整布局，防止标签重叠
plt.show()注意事项与最佳实践
- 索引处理：reset_index() 是将多级索引转换为列的关键一步，它使得 pd.merge() 能够正确地识别合并键，并简化后续的绘图操作。
- 标签可读性：当分组维度较多时（如本例中的 yr, season, weathersit），将它们组合成一个有意义的字符串作为刻度标签非常重要。对于垂直条形图，可能需要 rotation=90 来防止标签重叠；对于水平条形图，标签通常有足够的空间。
- 图表美化：始终添加清晰的图例 (ax.legend())、轴标签 (ax.set_xlabel(), ax.set_ylabel()) 和图表标题 (ax.set_title())，以提高图表的可读性和信息传达能力。
- 条形图间距：通过调整 width (垂直条形图) 或 height (水平条形图) 以及条形图的起始位置 (r - width/2, r + width/2)，可以控制条形图之间的间距和排列方式。
- 选择合适的图表类型：根据数据特征和可视化目标，选择垂直或水平条形图。当分类数量多或标签长时，水平条形图通常更优。
总结
通过以上步骤，我们学习了如何将Pandas groupby()产生的不同聚合结果有效地合并并可视化在同一张条形图中。关键在于：
- 分别计算所需的聚合指标。
- 使用 reset_index() 将多级索引转换为列。
- 利用 pd.merge() 将不同的聚合结果合并到一个统一的数据框中。
- 使用Matplotlib的 plt.bar() 或 plt.barh() 函数，结合 np.arange() 和适当的偏移量，绘制并排的条形图。
- 优化刻度标签、图例和轴标签，确保图表清晰易懂。
掌握这些技巧，将使您能够更灵活、更专业地展示复杂的数据分析结果。
