如何在Pandas分组堆叠条形图中重分类标签（无需修改数据集）

直接上可行方案，两种思路都不用改动原数据集：

方案1：绘图后修改Matplotlib图例 #

Pandas绘图底层依赖Matplotlib，所以可以拿到绘图返回的Axes对象，直接替换图例标签：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

dt = pd.DataFrame(np.random.randint(0,3,size=(10, 3)), columns=list('ABC'))
# 绘图并获取轴对象
ax = dt.groupby('A')['B'].value_counts().unstack(0).plot(kind='bar')

# 定义标签映射关系
label_map = {0: 'good', 1: 'bad', 2: 'average'}

# 获取原有图例，替换标签文本
handles, old_labels = ax.get_legend_handles_labels()
new_labels = [label_map[int(lbl)] for lbl in old_labels]
ax.legend(handles, new_labels)

plt.show()

这种方式完全在绘图层面操作，原数据集一丝不动，适合只需要调整展示效果的场景。

方案2：临时重命名索引（不污染原数据） #

如果想在Pandas处理链里完成，可以对分组后的结果临时重命名索引，再绘图——这个修改只作用于当前的临时DataFrame，原数据集不受影响：

import pandas as pd
import numpy as np

dt = pd.DataFrame(np.random.randint(0,3,size=(10, 3)), columns=list('ABC'))

label_map = {0: 'good', 1: 'bad', 2: 'average'}

# 链式调用：分组统计 → 临时重命名索引 → 绘图
(
    dt.groupby('A')['B']
    .value_counts()
    .unstack(0)
    .rename(index=label_map)
    .plot(kind='bar')
)

关于最佳实践 #

• 若只是为了绘图展示调整标签：优先用上面两种方法，别碰原数据集。保持原始数据的完整性，避免后续分析时因为标签改动产生误解。
• 若整个分析流程都需要用这些自定义标签（比如后续统计、报表都要用到good/bad/average）：那直接修改数据集的对应列更高效，比如把B列转为带自定义标签的分类类型：

  dt['B'] = dt['B'].map(label_map).astype('category')
  

  这样后续所有基于B列的操作都会自动用自定义标签，不用重复写映射。

内容的提问来源于stack exchange，提问作者user305883