如何使用Plotly-Python绘制水平堆叠条形图并将模型名称设为图例

你当前的代码是按指标循环创建条形图轨迹（trace），每个轨迹对应一个指标下所有模型的数值，这就导致图例显示的是指标名称而非模型名称。同时，这种堆叠方式会把同一指标下所有模型的分数累加，对于0-1范围的评估指标来说，堆叠后的总和没有实际业务意义——因为每个指标都是独立的模型性能分数，不是构成整体的比例。

我们需要调整代码逻辑：遍历模型来创建每个轨迹，这样图例就会显示模型名称；同时根据你的需求，提供两种实现方式：

方式1：水平堆叠条形图（按需求实现） #

如果坚持需要堆叠效果，以下代码会将每个指标位置上的所有模型分数堆叠展示：

import plotly.graph_objects as go
import pandas as pd
from plotly.colors import qualitative

# 加载你的模型评估数据
data = [
    [0, "LogisticRegression", 0.815068, 0.777778, 0.856115, 0.739130, 0.678058, 0.752876],
    [1, "K-NearestNeighbors", 0.828767, 0.790850, 0.870504, 0.758454, 0.699958, 0.714476],
    [2, "SVM", 0.852459, 0.783133, 0.935252, 0.782609, 0.702920, 0.665067],
    [3, "GaussianProcess", 0.825503, 0.773585, 0.884892, 0.748792, 0.677740, 0.665067],
    [4, "MLP", 0.774436, 0.811024, 0.741007, 0.710145, 0.694033, 0.735327],
    [5, "DecisionTree", 0.747170, 0.785714, 0.712230, 0.676329, 0.657586, 0.692216],
    [6, "ExtraTrees", 0.859060, 0.805031, 0.920863, 0.797101, 0.732490, 0.792698],
    [7, "RandomForest", 0.826667, 0.770186, 0.892086, 0.748792, 0.673984, 0.778324],
    [8, "XGBoost", 0.838488, 0.802632, 0.877698, 0.772947, 0.718261, 0.764025],
    [9, "AdaBoostClassifier", 0.800000, 0.780822, 0.820144, 0.724638, 0.674778, 0.728927],
    [10, "GBClassifier", 0.835017, 0.784810, 0.892086, 0.763285, 0.696043, 0.754451],
    [11, "CatBoost", 0.843854, 0.783951, 0.913669, 0.772947, 0.699482, 0.768787],
    [12, "Stacking", 0.833333, 0.776398, 0.899281, 0.758454, 0.684934, 0.787949],
    [13, "Voting", 0.836120, 0.781250, 0.899281, 0.763285, 0.692287, 0.778337],
    [14, "Bagging", 0.855263, 0.787879, 0.935252, 0.787440, 0.710273, 0.792673]
]
df = pd.DataFrame(data, columns=["序号", "模型名称", "F1_Score", "Precision", "Recall", "Accuracy", "ROC_AUC", "CV_Score"])

# 准备颜色：使用Plotly内置的定性颜色序列，补充到15种（对应15个模型）
mark_colors = qualitative.D3 + qualitative.Alphabet[:5]
line_colors = [color.replace('0.8', '1.0') if '0.8' in color else color for color in mark_colors]

# 定义指标列表（作为y轴标签）
y_labels = ["F1_Score", "Precision", "Recall", "Accuracy", "ROC_AUC", "CV_Score"]

fig = go.Figure()

# 遍历每个模型，创建对应的轨迹
for idx, model_name in enumerate(df["模型名称"]):
    # 获取当前模型的所有指标值
    metric_values = df.loc[idx, y_labels].tolist()
    fig.add_trace(go.Bar(
        y=y_labels,
        x=metric_values,
        name=model_name,
        orientation='h',
        marker=dict(
            color=mark_colors[idx],
            line=dict(color=line_colors[idx], width=1)
        )
    ))

# 更新布局：设置堆叠模式、标题、轴标签和图例位置
fig.update_layout(
    barmode='stack',
    title="模型评估指标水平堆叠条形图",
    xaxis_title="指标值总和",
    yaxis_title="指标名称",
    legend_title="模型名称",
    # 将图例放在底部，避免遮挡图表
    legend=dict(orientation="h", yanchor="bottom", y=-0.4, xanchor="center", x=0.5)
)

fig.show()

方式2：水平分组条形图（更推荐） #

对于模型评估指标的对比，分组条形图比堆叠更直观，因为它可以清晰展示每个指标下不同模型的性能差异：

只需要将上述代码中的barmode='stack'改为barmode='group'即可，同时调整x轴标题为"指标值"：

fig.update_layout(
    barmode='group',  # 修改为分组模式
    title="模型评估指标水平分组条形图",
    xaxis_title="指标值",
    yaxis_title="指标名称",
    legend_title="模型名称",
    legend=dict(orientation="h", yanchor="bottom", y=-0.4, xanchor="center", x=0.5)
)

1. 遍历对象变更：从遍历指标改为遍历模型，每个轨迹对应一个模型，这样图例就会显示模型名称。
2. 颜色适配：因为有15个模型，所以扩展了颜色序列，确保每个模型有唯一的颜色标识。
3. 布局优化：调整图例位置到图表底部，避免遮挡条形图。

内容的提问来源于stack exchange，提问作者Ailurophile