如何在独热编码的Pandas DataFrame中可视化重叠类别？

根据你的DataFrame结构（每行是实例，列是类别，1表示属于该类别），以下是几种适合的可视化方法，覆盖从少类别到多类别的场景：

1. 2-3个类别：维恩图 #

维恩图适合展示少量类别间的重叠关系，先通过计数筛选出重叠度最高的前2或3个类别，再用matplotlib-venn绘制：

步骤： #

• 先安装依赖库：

pip install matplotlib-venn

• 示例代码（假设你的DataFrame名为df）：

import matplotlib.pyplot as plt
from matplotlib_venn import venn2
import pandas as pd

# 统计每个类别的总实例数，排序后选前2个重叠最高的
category_counts = df.sum().sort_values(ascending=False)
top_cats = category_counts.index[:2].tolist()

# 计算仅属于A、仅属于B、同时属于A和B的实例数
only_a = df[(df[top_cats[0]] == 1) & (df[top_cats[1]] == 0)].shape[0]
only_b = df[(df[top_cats[0]] == 0) & (df[top_cats[1]] == 1)].shape[0]
both = df[(df[top_cats[0]] == 1) & (df[top_cats[1]] == 1)].shape[0]

# 绘制维恩图
venn2(subsets=(only_a, only_b, both), set_labels=top_cats)
plt.title(f"{top_cats[0]}与{top_cats[1]}的重叠情况")
plt.show()

如果是3个类别，替换为venn3，计算7个区域的实例数即可，逻辑和上述代码一致。

2. 多类别：两两重叠热图 #

如果类别数量超过3个，维恩图会过于拥挤，用热图展示两两类别间的交集计数更直观：

示例代码： #

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

categories = df.columns
n = len(categories)
# 初始化重叠计数矩阵
overlap_matrix = np.zeros((n, n))

# 填充矩阵：计算每对类别的共同实例数
for i in range(n):
    for j in range(n):
        overlap_matrix[i][j] = df[(df[categories[i]] == 1) & (df[categories[j]] == 1)].shape[0]

# 绘制热图
plt.figure(figsize=(10, 8))
sns.heatmap(overlap_matrix, annot=True, fmt='g', xticklabels=categories, yticklabels=categories, cmap='Blues')
plt.title("类别两两重叠计数")
plt.show()

热图中，对角线是每个类别的总实例数，其他位置的数值越高，说明对应两个类别的重叠度越高。

3. 多类别：UpSet图（推荐） #

UpSet图专门用于展示多个集合的交集分布，比维恩图更清晰，适合类别较多的场景：

步骤： #

• 安装依赖库：

pip install upsetplot

• 示例代码：

from upsetplot import plot
import pandas as pd

# 统计所有类别组合的出现次数
cat_combinations = df.apply(lambda row: tuple(categories[row == 1]), axis=1).value_counts()

# 绘制UpSet图
plot(cat_combinations)
plt.title("多类别重叠分布")
plt.show()

这个图会清晰展示哪些类别组合的重叠实例数量最多，直接对应你要找的高重叠度类别。

内容的提问来源于stack exchange，提问作者ignacioct