如何更简便地按年份与类型分组绘制收入分布条形图？

给定如下DataFrame：

data = [[2008, 'A', 12.2], [2008, 'A', 11.3], [2009, 'A', 4.2], [2010, 'A', 3.4], [2011, 'A', 14.2],
        [2008, 'B', 4.1], [2008, 'B', 17.2], [2009, 'B', 12.2], [2008, 'C', 12.2], [2011, 'C', 12.2]]
  
df = pd.DataFrame(data, columns=['year', 'type', 'income'])

需求是按year和type分组，为每个type类别绘制按年份划分的income求和后的条形图。当前已通过循环透视表实现，但希望有更简便的实现方式。

方法一：Seaborn分面绘图（最简洁） #

先完成数据聚合，再利用Seaborn的分面功能自动生成所有子图，无需手动循环：

import seaborn as sns
import matplotlib.pyplot as plt

# 按year和type聚合求和
aggregated_df = df.groupby(['year', 'type'], as_index=False)['income'].sum()

# 分面绘制条形图
g = sns.catplot(
    data=aggregated_df,
    x='year',
    y='income',
    col='type',  # 按type拆分子图
    kind='bar',
    col_wrap=1,  # 控制子图排列为1列，可根据需求调整为2/3列
    sharex=False,  # 每个子图只显示自身存在的年份，避免空值
    sharey=True
)

plt.tight_layout()
plt.show()

方法二：Pandas Unstack + 子图绘制 #

通过groupby聚合后用unstack重塑数据，再一次性生成所有子图：

import pandas as pd
import matplotlib.pyplot as plt

# 聚合并将type转为列
aggregated_df = df.groupby(['year', 'type'])['income'].sum().unstack()

# 为每个type生成单独的条形图
aggregated_df.plot(
    kind='bar',
    subplots=True,  # 每列对应一个子图
    layout=(1, 3),  # 子图排列为1行3列
    figsize=(12, 4),
    title=['Type A', 'Type B', 'Type C']
)

plt.tight_layout()
plt.show()

方法三：简化原循环逻辑 #

如果偏好原生Pandas绘图，可以去掉冗余的透视表操作，直接分组求和后绘图：

import matplotlib.pyplot as plt

for t in df['type'].unique():
    # 筛选对应type后，按year求和并绘图
    df.loc[df['type'] == t].groupby('year')['income'].sum().plot(
        kind='bar',
        title=f'Income Distribution - Type {t}'
    )
    plt.show()

内容的提问来源于stack exchange，提问作者Viktor