基于多级索引Pandas DataFrame绘制按场景分色的Seaborn箱线图

1. 重置多级索引解决报错 #

Could not interpret input 'season'报错的直接原因是season和period是DataFrame的索引，不在普通列中，首先执行索引重置操作：

# 将period、season两级索引转为可直接调用的普通列
df = df.reset_index()

2. 适配预计算统计量的绘图实现 #

默认sns.boxplot是基于原始样本自动计算中位数、四分位距等统计量，你已经提前完成了均值、标准差、最值的计算，以下给出两种可行绘图方案：

方案1：Matplotlib bxp 自定义统计量箱线图 #

该方案可以完全匹配你已有的预计算结果，精准定义箱体各个统计节点：

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

# 重置索引
df = df.reset_index()
# 生成x轴分类标签：period + season 组合
df['x_category'] = df['period'].astype(str) + '_' + df['season'].astype(str)
# 按场景分组配置调色盘
scenarios = df['model_scenario'].unique()
palette = sns.color_palette("Set2", n_colors=len(scenarios))
scenario_color_map = dict(zip(scenarios, palette))

fig, ax = plt.subplots(figsize=(12, 6))
bxp_stats = []
positions = []
box_colors = []
x_cats = sorted(df['x_category'].unique())
# 同分类下不同场景箱体偏移配置，避免重叠
offset_step = 0.2
base_pos = list(range(len(x_cats)))

for cat_idx, cat in enumerate(x_cats):
    cat_subset = df[df['x_category'] == cat]
    for scen_idx, scen in enumerate(scenarios):
        scen_row = cat_subset[cat_subset['model_scenario'] == scen].iloc[0]
        # 构造bxp要求的统计量格式
        stats = {
            'med': scen_row['hedges'],
            'q1': scen_row['hedges'] - scen_row['hedges_std'],
            'q3': scen_row['hedges'] + scen_row['hedges_std'],
            'whislo': scen_row['hedges_min'],
            'whishi': scen_row['hedges_max'],
            'fliers': []
        }
        bxp_stats.append(stats)
        positions.append(cat_idx - offset_step*(len(scenarios)/2) + scen_idx*offset_step)
        box_colors.append(scenario_color_map[scen])

# 绘制箱线图
bxp_result = ax.bxp(bxp_stats, positions=positions, patch_artist=True, showfliers=False)
# 配置箱体颜色
for patch, color in zip(bxp_result['boxes'], box_colors):
    patch.set_facecolor(color)

# 坐标轴与图例配置
ax.set_xticks(base_pos)
ax.set_xticklabels(x_cats, rotation=45)
ax.set_xlabel('Period_Season')
ax.set_ylabel('Hedges Estimate')

from matplotlib.patches import Patch
legend_elements = [Patch(facecolor=scenario_color_map[s], label=s) for s in scenarios]
ax.legend(handles=legend_elements, title='Model Scenario')
plt.tight_layout()
plt.show()

方案2：生成模拟样本适配seaborn boxplot #

如果不需要严格绑定预计算的统计值，可通过生成模拟样本快速实现seaborn风格绘图：

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

df = df.reset_index()
df['x_category'] = df['period'].astype(str) + '_' + df['season'].astype(str)

# 基于统计量生成模拟样本
sim_records = []
for _, row in df.iterrows():
    samples = np.random.normal(loc=row['hedges'], scale=row['hedges_std'], size=100)
    samples = np.clip(samples, row['hedges_min'], row['hedges_max'])
    for val in samples:
        sim_records.append({
            'x_category': row['x_category'],
            'model_scenario': row['model_scenario'],
            'hedges': val
        })
sim_df = pd.DataFrame(sim_records)

# 调用seaborn绘制箱线图
plt.figure(figsize=(12, 6))
sns.boxplot(data=sim_df, x='x_category', y='hedges', hue='model_scenario', palette='Set2')
plt.xticks(rotation=45)
plt.xlabel('Period_Season')
plt.ylabel('Hedges Estimate')
plt.tight_layout()
plt.show()

内容的提问来源于stack exchange，提问作者Trond Kristiansen