基于Python的层级分类文档集类别分布可视化方案咨询

嘿，针对你这种带层级结构的类别标注数据集，我有几个非常实用的Python可视化方案，完全适配你的需求，咱们一个个来看：

这个方案最适合你的层级类别场景，能同时展示类别嵌套关系和每个类别的出现数量，一眼就能看出哪个主类别下的子类最活跃，占比多少。

实现步骤： #

首先得统计所有类别的出现频次，然后构建层级映射（你的类别命名很有规律，比如M11的父类是MCAT，可以自动推断，或者手动定义），再用Plotly生成树状图。

import pandas as pd
from collections import Counter
import plotly.express as px

# 你的示例数据
docs = [['M11', 'MCAT'], ['M13', 'M131', 'MCAT'], ['C15', 'C151', 'CCAT'], 
        ['C24', 'CCAT'], ['C15', 'C152', 'CCAT'], ['GCAT'], ['C33', 'CCAT']]

# 1. 统计所有类别出现频次
all_cats = [cat for doc in docs for cat in doc]
cat_counts = Counter(all_cats)
cat_df = pd.DataFrame.from_dict(cat_counts, orient='index', columns=['count']).reset_index().rename(columns={'index':'category'})

# 2. 自动推断层级关系（如果你的命名规则固定）
def get_parent(cat):
    if cat.endswith('CAT'):
        return '总类别'  # 根节点
    # 提取前缀对应主类别，比如M11 → MCAT
    prefix = cat[0]
    return f"{prefix}CAT"

cat_df['parent'] = cat_df['category'].apply(get_parent)

# 3. 生成树状图
fig = px.treemap(cat_df, path=['parent', 'category'], values='count',
                 color='count', color_continuous_scale='YlGnBu',
                 title='类别层级分布与数量占比')
fig.show()

优势： #

• 直观展示层级嵌套+数量大小，适合汇报或快速全局查看
• 支持交互：鼠标悬停能看到具体数值

如果你的核心需求是对比哪个类别出现次数最多，条形图是最直接的选择，还能按主类别分组，让同类别的子类放在一起比较。

import seaborn as sns
import matplotlib.pyplot as plt

# 按出现次数降序排序
cat_df_sorted = cat_df.sort_values('count', ascending=False)

plt.figure(figsize=(10, 6))
sns.barplot(data=cat_df_sorted, x='count', y='category', hue='parent', palette='viridis')
plt.title('各类别出现频次对比')
plt.xlabel('出现次数')
plt.ylabel('类别名称')
plt.legend(title='主类别')
plt.tight_layout()
plt.show()

优势： #

• 数值对比最清晰，排序后一目了然
• 代码简单，调试成本低
• 适合细节分析：比如能快速发现CCAT下哪个子类出现次数最多

因为每个文档是一组类别集合，桑基图能完美展示类别之间的共现关联——比如MCAT常和哪些子类一起出现，CCAT的核心子类别是哪些，非常适合分析类别间的依赖关系。

from itertools import combinations
import plotly.graph_objects as go

# 统计两两类别共现的次数
co_occur_counts = Counter()
for doc in docs:
    # 生成文档内所有两两不重复的类别组合
    for pair in combinations(sorted(doc), 2):
        co_occur_counts[pair] += 1

# 转换成桑基图需要的格式
links_df = pd.DataFrame.from_dict(co_occur_counts, orient='index', columns=['value']).reset_index()
links_df[['source', 'target']] = pd.DataFrame(links_df['index'].tolist(), index=links_df.index)
links_df = links_df.drop('index', axis=1)

# 构建节点映射（给每个类别分配ID）
all_nodes = list(set(links_df['source'].tolist() + links_df['target'].tolist()))
node_id_map = {node: idx for idx, node in enumerate(all_nodes)}
links_df['source_id'] = links_df['source'].map(node_id_map)
links_df['target_id'] = links_df['target'].map(node_id_map)

# 绘制桑基图
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15, thickness=20, line=dict(color="black", width=0.5),
        label=all_nodes, color="lightblue"
    ),
    link=dict(
        source=links_df['source_id'], target=links_df['target_id'],
        value=links_df['value'], color="rgba(100,100,200,0.3)"
    )
)])

fig.update_layout(title_text="类别共现关系桑基图", font_size=12)
fig.show()

优势： #

• 直观展示类别间的关联强度（线条越粗，共现次数越多）
• 交互性强，能清晰看到哪些类别总是成对出现

和树状图类似，但旭日图用环形结构展示层级，视觉上更有冲击力，适合突出展示主类别的占比，以及每个主类别下子类的分布。

fig = px.sunburst(cat_df, path=['parent', 'category'], values='count',
                  color='count', hover_data=['count'],
                  title='类别层级旭日图', color_continuous_scale='OrRd')
fig.show()

优势： #

• 环形结构更美观，适合做可视化报告
• 层级嵌套关系更突出，能快速看到主类别的整体占比

额外提示： #

如果你的类别命名没有这么规律（比如无法自动推断父类），可以手动构建一个父类映射字典，比如：

parent_map = {
    'M11': 'MCAT', 'M13': 'MCAT', 'M131': 'M13',
    'C15': 'CCAT', 'C151': 'C15', 'C152': 'C15',
    # ... 其他类别映射
}
cat_df['parent'] = cat_df['category'].map(parent_map).fillna('总类别')

内容的提问来源于stack exchange，提问作者Markos di Mitsas