合并行生成「Other」行，优化100分类变量条形图可读性

一、合并小类别为「Other」 #

针对你需要将计数小于5的品牌归入「Other」的需求，用Python pandas可以快速实现：

import pandas as pd

# 假设你的数据集存储在df中，品牌列名为'brand'
# 1. 计算各品牌的出现次数
brand_counts = df['brand'].value_counts()
# 2. 筛选出计数≥5的品牌
qualified_brands = brand_counts[brand_counts >= 5].index
# 3. 生成分组后的品牌列
df['brand_grouped'] = df['brand'].map(lambda x: x if x in qualified_brands else 'Other')
# 4. 绘制分组后的条形图
df['brand_grouped'].value_counts().plot(kind='bar')

处理后类别数量会大幅缩减，条形图的可读性会明显提升。

二、其他适合100个分类变量的可视化方法 #

如果不想合并类别，以下方法也能解决可读性问题：

• 横向条形图：将类别标签放在Y轴，避免长标签重叠，搭配计数排序能快速定位高频类别：

  df['brand'].value_counts().sort_values().plot(kind='barh')
  

• 树状图（Treemap）：用面积大小体现各品牌的计数占比，适合展示大量类别的分布关系：

  import plotly.express as px
  # 转换为计数数据框
  count_df = df['brand'].value_counts().reset_index(name='count')
  fig = px.treemap(count_df, path=['brand'], values='count')
  fig.show()
  

• 点图（Dot Plot）：仅用点表示每个类别的计数，减少视觉冗余，更清晰对比大量类别的数值差异：

  import seaborn as sns
  count_df = df['brand'].value_counts().reset_index(name='count')
  sns.stripplot(data=count_df, x='count', y='brand', orient='h')
  

• 有序条形图：不管用横向还是纵向，先按计数从高到低排序，能让图表逻辑更清晰，避免杂乱无章的视觉体验。

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