Colorear diagramas de dispersión por valores de columna en Python

La versatilidad de ggplot2 en R permite una asignación perfecta de colores a puntos de datos según la columna valores. Esta característica también se puede replicar en Python usando pandas dataframes y Matplotlib.

Usando Pandas y Matplotlib

Para asignar colores a valores en Matplotlib, considere los siguientes pasos:

1. Crear un diccionario de colores: defina un diccionario que asigne valores únicos en la columna categórica a un color correspondiente. Esto garantiza una asignación de color consistente en todos los puntos de datos.
2. Agregar una columna de color: cree una nueva columna en el marco de datos que asigne el color correspondiente a cada valor en la columna categórica.
3. Trazar el diagrama de dispersión: use el parámetro c en matplotlib.pyplot.scatter para especificar la columna de color como argumento de color.

Aquí hay un ejemplo de implementación:

def dfScatter(df, xcol='Height', ycol='Weight', catcol='Gender'):
    fig, ax = plt.subplots()
    categories = np.unique(df[catcol])
    colors = np.linspace(0, 1, len(categories))
    colordict = dict(zip(categories, colors))  

    df["Color"] = df[catcol].apply(lambda x: colordict[x])
    ax.scatter(df[xcol], df[ycol], c=df.Color)
    return fig

Ejemplo de uso

Considere un marco de datos con columnas Altura, Peso y Género. Para crear un diagrama de dispersión donde los colores se asignan según la columna Género:

df = pd.DataFrame({'Height':np.random.normal(size=10),
                       'Weight':np.random.normal(size=10),
                       'Gender': ["Male","Male","Unknown","Male","Male",
                                  "Female","Did not respond","Unknown","Female","Female"]})    
fig = dfScatter(df)

Esto generará un diagrama de dispersión donde la columna Género determina el color de cada punto de datos.