关于基于技师评估数据集绘制多类别分组条形图（Cat Plot）是否需重构数据集的技术问询

首先，咱们先明确核心需求：你需要按技师分组，每个组里的条形对应不同评估类别的通过次数。针对你的问题，我分两种实用方案来解答：

方案1：用Seaborn Catplot（推荐，轻量数据转换） #

虽然Seaborn的catplot更适配长格式（整洁）数据，但你不需要“彻底重构”原始数据集，只需要两步简单的聚合和格式转换，完全是数据分析中的常规操作：

步骤1：计算每个技师每个类别的通过次数 #

先把你的示例数据转成DataFrame，然后按技师分组，对每个评估类别求和（因为1代表通过，求和结果就是该类别的通过次数）：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# 你的原始数据
data = [{"Name":"A","cat1":1,"cat2":0},{"Name":"A","cat1":1,"cat2":1},{"Name": "B", "cat1":0, "cat2":1}]
df = pd.DataFrame(data)

# 聚合计算通过次数
summary_df = df.groupby('Name')[['cat1', 'cat2']].sum().reset_index()

步骤2：转成长格式适配Seaborn #

用melt把宽格式转成长格式，这一步只是把多列的评估类别转成单独的Category列，操作非常轻量，不会改动原始数据集：

long_df = summary_df.melt(id_vars='Name', var_name='Category', value_name='Pass_Count')

步骤3：绘制分组条形图 #

现在就可以用hue参数轻松实现分组条形效果：

sns.catplot(x='Name', y='Pass_Count', hue='Category', kind='bar', data=long_df)
plt.title('Technician Assessment Pass Counts')
plt.show()

方案2：手动用Matplotlib绘制（无需转长格式） #

如果你不想做长格式转换，也可以基于聚合后的宽格式数据，直接用Matplotlib手动构建分组条形：

# 先得到聚合后的通过次数统计
summary_df = df.groupby('Name')[['cat1', 'cat2']].sum().reset_index()

# 设置绘图基础参数
names = summary_df['Name']
categories = ['cat1', 'cat2']
x = range(len(names))
bar_width = 0.35

# 创建画布和轴
fig, ax = plt.subplots()

# 分别绘制两组条形
ax.bar([i - bar_width/2 for i in x], summary_df['cat1'], bar_width, label='cat1')
ax.bar([i + bar_width/2 for i in x], summary_df['cat2'], bar_width, label='cat2')

# 美化图表细节
ax.set_xticks(x)
ax.set_xticklabels(names)
ax.set_ylabel('Pass Count')
ax.set_xlabel('Technician Name')
ax.legend(title='Assessment Category')
plt.title('Technician Assessment Pass Counts')

plt.show()

关键说明 #

你提到“无需完全重构数据集”——其实完全不做任何数据转换是不可能的，因为原始数据是每条记录对应一次评估，你必须先计算每个技师每个类别的通过次数（这一步是核心逻辑）。但上面两种方案都不需要修改原始数据集，只是生成了一个小的聚合/转换后的中间数据集，完全算不上“彻底重新格式化”。

如果追求代码简洁和Seaborn的自带美观样式，方案1是首选；如果想避开长格式转换，方案2也能完美实现需求。

内容的提问来源于stack exchange，提问作者user23415