如何基于三特征拆分Seaborn Countplot可视化图表？

需求说明：
需要生成不同时间框架下的频率图，每个时间框架包含4种Condition（A+、A-、B+、B-），且每个Condition的柱子需按High和Low两种Outcome的占比拆分填充（比如4hrs的A+共3个样本，1个High、2个Low，柱子按1/3和2/3比例用深浅色填充）。当前代码仅按Condition拆分柱子，未体现Outcome的比例分布。

原始代码：

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

exp = {'Time':['2hrs', '2hrs', '2hrs','2hrs','2hrs', '2hrs', '2hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs' ],
       'Condition':['A+','A-','B+','B-','B+','B-','B+','A+','A-','B+','B-','A+','A-','A+','A-',],
       'Outcome': ['High', 'Low','High','High', 'Low','High', 'Low','High','High','High','Low', 'Low','Low','Low', 'High']}
df = pd.DataFrame(data=exp)
df.head()
hue_order = ['A+', 'A-', 'B+', 'B-']
ax = sns.countplot(data=df, x='Time' , hue='Condition', hue_order=hue_order, palette='Set1')
plt.legend(title='', loc='upper left', bbox_to_anchor=(1,1))
plt.show()

要实现每个Condition柱子内按Outcome占比拆分，需要先对数据进行分组统计，再用堆叠柱状图呈现。步骤如下：

1. 数据预处理：统计各分组样本数量 #

先按Time、Condition、Outcome分组计数，再整理成便于绘图的格式：

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

# 原始数据
exp = {'Time':['2hrs', '2hrs', '2hrs','2hrs','2hrs', '2hrs', '2hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs','4hrs' ],
       'Condition':['A+','A-','B+','B-','B+','B-','B+','A+','A-','B+','B-','A+','A-','A+','A-',],
       'Outcome': ['High', 'Low','High','High', 'Low','High', 'Low','High','High','High','Low', 'Low','Low','Low', 'High']}
df = pd.DataFrame(data=exp)

# 分组统计：Time-Condition-Outcome的样本数，缺失组合填充0
count_df = df.groupby(['Time', 'Condition', 'Outcome']).size().unstack(fill_value=0)
count_df = count_df.reset_index()

2. 绘制堆叠柱状图 #

设置Seaborn风格，遍历每个Condition在对应Time位置绘制堆叠的High/Low柱子：

# 设置Seaborn风格
sns.set_style("whitegrid")

# 定义核心参数
time_order = ['2hrs', '4hrs']
condition_order = ['A+', 'A-', 'B+', 'B-']
# 为每个Condition分配深浅同色系：[High亮色, Low深色]
color_palette = {
    'A+': ['#e41a1c', '#b30000'],
    'A-': ['#377eb8', '#005086'],
    'B+': ['#4daf4a', '#2d862d'],
    'B-': ['#984ea3', '#7a2e93']
}
bar_width = 0.2  # 单个Condition柱子的宽度

# 创建画布
fig, ax = plt.subplots(figsize=(10, 6))

# 遍历每个时间框架，绘制对应Condition的堆叠柱子
for i, time in enumerate(time_order):
    # 筛选当前时间框架的数据并按Condition顺序排序
    time_data = count_df[count_df['Time'] == time]
    time_data = time_data.set_index('Condition').reindex(condition_order).reset_index()
    
    bottom = 0  # 堆叠柱子的底部起始位置
    for j, cond in enumerate(condition_order):
        # 获取当前Condition的High/Low样本数
        high_count = time_data.loc[time_data['Condition'] == cond, 'High'].values[0]
        low_count = time_data.loc[time_data['Condition'] == cond, 'Low'].values[0]
        
        # 计算柱子的x轴位置：时间框架基础位置 + Condition偏移量
        x_pos = i + j * bar_width
        
        # 绘制Low柱子（底层）
        ax.bar(x_pos, low_count, width=bar_width, color=color_palette[cond][1])
        # 绘制High柱子（堆叠在Low之上）
        ax.bar(x_pos, high_count, width=bar_width, bottom=low_count, color=color_palette[cond][0])
        
        # 可选：在柱子顶部标注总样本数
        total = high_count + low_count
        ax.text(x_pos, total + 0.1, str(total), ha='center', fontsize=10)

# 设置坐标轴与标题
ax.set_xticks([i + 1.5*bar_width for i in range(len(time_order))])
ax.set_xticklabels(time_order)
ax.set_xlabel('Time Frame')
ax.set_ylabel('Sample Count')
ax.set_title('Sample Distribution by Time, Condition and Outcome')

# 创建自定义图例
handles = []
labels = []
for cond in condition_order:
    handles.append(plt.Rectangle((0,0),1,1, color=color_palette[cond][0]))
    labels.append(f'{cond} - High')
    handles.append(plt.Rectangle((0,0),1,1, color=color_palette[cond][1]))
    labels.append(f'{cond} - Low')
ax.legend(handles, labels, title='Condition & Outcome', loc='upper left', bbox_to_anchor=(1,1))

# 调整布局防止图例截断
plt.tight_layout()
plt.show()

代码说明 #

• 数据预处理：通过groupby和unstack快速统计各分组样本数，确保缺失的组合自动填充0，避免绘图时出现断层。
• 堆叠绘制：利用matplotlib的bar函数，通过bottom参数控制堆叠层级，同一个Condition的High/Low使用深浅同色系，保证视觉上的分组一致性。
• 刻度与图例：手动计算x轴刻度位置，让每个时间框架下的4个Condition柱子排列整齐；自定义图例清晰展示每个颜色对应的分组关系。

内容的提问来源于stack exchange，提问作者Lucho