Plotnine绘图

在用python做数据分析后进行数据可视化时，大多都会使用matplotlib和seaborn，但这两个python自带库作图相对于R作图来说，稍有逊色，尤其对于使用过R语言的ggplot2，更是觉得无法习惯和使用。但是好东西从来不乏分享，正所谓酒香不怕巷子深，于是适合python平台的一个新的库plotnine被人开发和挖掘出来了，它的语法风格秉持了ggplot2的风格，甚至参数都一样。其代码简洁易学易懂、图形大方流畅是其最大的特点。  

其官网为：https://plotnine.readthedocs.io。

先来看看matplotlib作图情况。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

x = np.arange(-10,11)
y = x**2
z = x+50

## 定义一个图像窗口大小
plt.figure(figsize=(8,5))

## 按x、y坐标绘制图形
plt.plot(x,y)
plt.plot(x,z)


## 加标识、标题
plt.title("para-curve实例")  #   抛物线与直线的割
plt.xlabel("x轴") 
plt.ylabel("y轴")

#x轴刻度   【plt.xticks(x,label,rotation=40, color="r",size=10)】
plt.xticks(x,x,rotation=40, color="r",size=10) #将x轴上标度倾斜40°，红色，字体大小为25。
plt.axis("equal") 
plt.show()

##保存图像
#plt.savefig('./test2.jpg') #将图片保存在当前的环境目录下

再看plotnine作图。

from plotnine import *
import pandas as pd
%matplotlib inline

x = np.arange(-10,11)
y = x**2
z = x+50
data = pd.DataFrame({"x":x,"y":y,"z":z})

(ggplot(data, aes(x=x,y=y)) 
 + geom_line(stat='identity',color="blue")
 + geom_line(aes(x=x,y=z),size=1,color="red") 
 
 +xlab('x轴') #重命名x轴名称
 +ylab('y轴') #重命名y轴名称
 +ggtitle('抛物与直线')
 
 +theme_matplotlib()
 +theme(text=element_text(family='SimHei'))
)   

<ggplot: (150994535409)>

1、plotnine的安装与导入

跟其他第三方库安装一样，可直接使用pip install plotnine。
使用时需导入该库：from plotnine import *

此处用的0.10.1版本，查看版本如下。

import plotnine as pn
print(pn.__version__)

0.10.1

2、基本语法

使用的基本框架模式如下，各种功能用“+”连接叠加，最后用一个完整的括号()首位包裹起来。

( ggplot(df,aes()) + geom_xx())+ scale_xx() + theme() + …)

上面的绘图模式框架就像的公式一样，其中：
    ggplot用于创建图形，
    df为数据框，
    aes为数据中的变量到图形成分映射，即指定x,y；
    geom_xx()为创建几何对象，如饼图geom_bar，线图geom_line；
    scale_xx()、theme()为调整坐标轴上的元素，如颜色深浅，大小范围以及图像的图例等。
    对于多个图形的叠加，直接在括号内继续用“+”链接即可。
aes()可以放在ggplot()里也可以具体写在geom_xx()里，区别是ggplot()对象里的aes具有全局优先级，在画多个图时体现。
通过上面的基本框架可做如下归纳，分为必须有的函数和可选函数。
必选：(ggplot(data,aes) + geom_xxx()|stat_xxx())
可选：(scale_xxx() + coord_xxx() + facet_xxx() + guides() + theme())
选好数据，aes决定映射对象，geom决定映射方式，scale决定映射细节，coord决定坐标轴选择（反转和转换等），facet决定分面，guides决定图例，theme决定整体主题。
先看个简单的例子，数据如下。
        date name  price  totle
0  2023/1/26    a   39.0    2.0
1  2023/2/23    c   34.0    3.0
2  2023/3/22    b   36.0    5.0
3  2023/4/20    d   31.0    4.0
下面开始对name列和price两列做条形图。

#导入库
from plotnine import *
import pandas as pd

#创建/导入数据
m={'date':["2023/1/26","2023/2/23","2023/3/22","2023/4/20","2023/5/20","2023/6/20"],
   'name': ['a','c','b','d','m','n'],
    'price': [39.0, 34.0, 36.0, 31.0,33.0,38.0],
    'totle': [2.0, 3.5, 5.0, 4.0,3 ,6]}
data = pd.DataFrame(m)
data

	date	name	price	totle
0	2023/1/26	a	39.0	2.0
1	2023/2/23	c	34.0	3.5
2	2023/3/22	b	36.0	5.0
3	2023/4/20	d	31.0	4.0
4	2023/5/20	m	33.0	3.0
5	2023/6/20	n	38.0	6.0

#开始画图
(ggplot(data, aes(x='name',y='price')) + geom_bar(stat='identity')) 
# stat=identity表示用数据表原有的数据进行统计,见图1。也可用geom_col()函数画柱状图，不需stat参数

<ggplot: (150994695304)>

p =(ggplot(data, aes(x='name',y='price',fill='name'))+geom_bar(stat='identity')) #见图2
print(p)   

p + coord_flip() #这种写法更简洁，加了coord_flip()函数实现了旋转轴，见图3

<ggplot: (150994647188)>

从图1到图3实现用了很简短几个函数和参数，即实现了从单一条形图到分颜色的条形图，再到条形图的旋转。

说明：

1）映射aes有参数x、y，还有参数 fill 和 color 用来分组和着色，其值可按照指定的列赋值。对于条形图x轴默认按照文本的字母顺序排序。
2）geom_bar的stat参数表示本图层数据使用的统计变换（statistical transformation），geom_bar默认的是stat=count。表示的是y值是x变量的计数，因此aes(x='x',y='y')的情况下需要设置stat="identity"。在plotnine中，geom_col()更像传统意义的柱状图绘制方法

#比较pandas.plot作图
data[["name","price"]].plot()

<Axes: >

data[["name","price"]].plot.bar()

<Axes: >

3、绘图

上面已经使用函数geom_bar()简单的实现了条形图的画法，并在映射aes里面添加参数fill对条形块填充不同的颜色，还使用函数coord_flip()对轴进行旋转。但是图形上还缺少很多元素，如每个条形块上的数据标签、条形的宽度粗细和轴上的数据排序等。

1）添加数据标签

对每个条形块上进行数据标注，可使用geom_text()函数来实现，需要给函数参数aes，其中label表示要标注的数据来源。比如在每个条形块的上方标注数据。续接上面的代码。

p + geom_text(aes(x='name',y='price',label='price'))  #添加数据标签，见图4

<ggplot: (150994661307)>

但是上面的图形数字标注的位置不是很理想，需要将数字往上在挪一点，在geom_text()中添加nudge参数即可。

p+geom_text(aes(x='name',y='price',label='price'),nudge_y=2)#向上挪移数据,见图5

<ggplot: (150861977046)>

2）隐藏图例

图中的图例有点多余，我们可以将其隐藏。叠加theme()函数，参数为legend_position=’none’即可。

p + geom_text(aes(x='name',y='price',label='price'),nudge_y=2) \
    + theme(legend_position = 'none')       #隐藏图例，见图6

<ggplot: (150862060051)>

3）设置条形块的宽度

在geom_bar()函数中添加宽度参数width参数。

q = (ggplot(data,aes(x='name',y='price',fill='name')) +
     geom_bar(stat='identity',width=0.5) +   #宽度
     geom_text(aes(x='name',y='price',label='price'),nudge_y=2) +
     theme(legend_position = 'none'))    #见图7
print(q)

4）添加标题

在图中添加标题，需叠加ggtitle()函数。

q + ggtitle("here is title")    #添加标题，见图8

<ggplot: (150994535449)>

但若标题中添加的是中文标题，则会显示乱码，由于plotnine默认的字体是没有中文字体，所以需要我们指定显示的中文字体。则需要在theme()函数中增加关于字体设置的参数text=element_text(family='SimHei')，这里的'SimHei'是黑体。

w = (ggplot(data,aes(x='name',y='price',fill='name')) + 
     geom_bar(stat='identity',width=0.5) + 
     geom_text(aes(x='name',y='price',label='price'),nudge_y=2) + 
     theme(legend_position = 'none',text=element_text(family='SimHei')) + #显示中文
     ggtitle("这里是标题")     #见图8
    )
print(w)

5）坐标轴设置

在作图时，plotnine的y轴会自动按y值的上下限默认设置范围，所以有时候为了图形的需要，需对轴的范围进行调整，另外如x轴标签要设置成yyyy-mm格式，或者间隔设置成5个月，这就需要对轴进行重新设置。 先看看对y轴的显示范围进行设置，用ylim()函数。同样，当x轴为数值时，也可以用xlim()对x轴显示范围进行设置。

w + ylim(0,50)   #y轴的范围，见图10

<ggplot: (150994534720)>

当x轴需要显示日期格式时，就要使用到scale_x_date，我们之所以选择scale_x_date是因为x轴的数据格式是datetime，如果是数字或者文本就需要用到其他的标签函数。使用scale_x_date进行设置时，其参数date_labels='%Y-%m'设置显示格式，参数breaks='5 months'表示显示间隔。这里我们对data的date和price两列数据做折线图，折线图用geom_line()函数显示。

(ggplot(data)+ geom_line(aes(x='date',y='price',group = 1)))  #见图11

<ggplot: (150862218466)>

由于x轴不是数值型，所以需要加上group参数避免报错。geom_line绘制折线图，默认的x轴需要是数值型变量，分类变量需要设置group参数，group = 1。 上面的date是日期格式，但并不是日期数据类型。我们也可以将date列数据处理成日期数据类型。

import datetime
import pandas as pd
data["date"] = [pd.to_datetime(i) for i in data.date]

在可直接对数据进行绘图，如图12。

e = (ggplot(data,aes(x='date',y='price')) + geom_line())
e

<ggplot: (150862253818)>

图12中的x轴比较拥挤，可以对x轴标签用theme()函数的axis_text_x参数设置进行旋转一个角度以错开显示。

e + theme(axis_text_x = element_text(rotation=60,size=10))  #旋转x轴标签，见图13

<ggplot: (150862253761)>

对于日期格式，用breaks设置日期间隔，可以用“5 days",“3 months”,“6 weeks”,"10 years"这样的格式设置，然后用date_labels设置x轴的文本显示格式为”%Y-%m“，这样我们就绘制出了我们要的折线图。

e + scale_x_date(breaks='2 months', date_labels='%Y-%m')   #见图14

<ggplot: (150862386929)>

注意breaks的参数值2和months之间有一个空格。
散点图和折线图基本相同，只是绘图函数变为geom_point。绘图类型取决于geom_后面的部分，常见绘图类型如下表1所示。

表1 绘图类型函数

    基本语法        描 述
    geom_blank      什么也不画
    geom_bar        条形图（饼图）
    geom_line       线图
    geom_point      点图
    geom_area       面积图
    geom_histogram   直方图
    geom_map        地图
    geom_boxplot     箱线图
    geom_violin     小提琴图
    geom_text       设置标签文本，需要添加映射

说明：geom_xx（）常会用到的参数，geom_xx(alpha=0.5,colour='black',size=0.25)。其中alpha表示图像的透明度，color表示图形轮廓用的显示颜色，size表示图形的大小粗细。

6) 主题theme_xx

主要用来修改绘图的背景主题。常见主题见表5。

         表5 theme_
    基本语法          描述
    theme_bw          黑色网格线白色背景的主题
    theme_classic     经典主题，带有x轴和y轴，没有网格线
    theme_dark        黑暗背景的主题
    theme_gray        灰色背景白色网格线的主题
    theme_linedraw     白色背景上只有各种宽度的黑色线条的主题
    theme_light       与theme_linedraw相似但具有浅灰色线条和轴的主题
    theme_matplotlib    默认的matplotlib外观，白色无网格背景
    theme_minimal      没有背景注释的简约主题
    theme_seaborn      seaborn主题
    theme_void        具有经典外观的主题，带有x轴和y轴，没有网格线
    theme_xkcd        xkcd主题

使用方法：在plotnine绘图语句中添加主题参数（后带括号），一般在绘图的格式结束之后添加。

e + theme_matplotlib()   #见图15

<ggplot: (150862416044)>

7）工具库theme

定义绘图的各个方面，用于创建主题和修改现有主题。常见用法见表6。

          表6 theme工具库
    基本语法          Value
    axis_line         坐标轴的线条
    axis_line_x       x轴的线条
    axis_line_y       y轴的线条
    axis_text         坐标轴的文本
    axis_text_x       x轴的文本
    axis_text_y       y轴的文本
    axis_ticks        刻度线
    axis_title        标题
    axis_title_x      x轴的标题
    axis_title_y      y轴的标题
    dpi               像素点数
    figure_size       当前绘图的画布大小
    legend_backgroud  图例的背景
    legend_box        图例封装
    legend_box_backgroud   图例整体的背景
    legend_position    图例位置
    legend_title       图例标题
    text               当前图象的所有文本
    title              当前图像的所有标题
    aspect_ratio       即高/宽，如aspect_ratio=1.5，优先

使用方法：在绘图格式的最后面添加theme函数，在里面添加不同的参数调整图像，theme调整参数要按顺序来。
在theme()中设置legend.position参数
theme(legend_position='right')  # 可以right,left,bottom,top,none（无图例）
也可以用(0.9,0.7)这种具体数值指定，一般在0-1内
如果使用数值设置，最好先将legend背景设为透明
theme(legend_background=element_rect(fill='white'),legend_position=(0.3,0.5))

8)其他设置

标度函数scale_xx()是对图形的调整，通过scale_xx()这样的函数将获取的数据进行调整，以改变图形的长度、颜色、大小和形状。scale_xx()函数类型如下表2。


  表2 标度函数scale
基本语法          Value
scale_x_date       x轴标签是日期
scale_x_datetime    x轴标签是时间
scale_y_date       y轴标签是日期
scale_y_datetime    y轴标签是时间
xlim             x轴范围
ylim             y轴范围


stat统计变换在数据被提取出来之前对数据进行聚合和其他计算，用stat_xx确定对数据进行的计算类型，不同类型的计算统计产生不同的图形结果。具体见表3。
      表3 统计变化stat
    基本语法    描述
    stat_abline 添加线条，用斜率和截距表示
    stat_bin    分割数据，然后绘制直方图
    stat_identity   绘制原始数据，不进行统计变化
    Stat_smooth 拟合数据。参数method默认值为'auto'
label主题设定，调整图表的细节，包括图表背景颜色、网格线的间隔和颜色、中文设置、图例显示、坐标轴标签字体及角度等。注意，如果图形中有中文字符，需要加入如下语句，否则将无法显示中文。
    表4 标签Labels
    基本语法    Value
    ggtitle     创建图表标题
    xlab       设置x轴标签
    ylab       设置y轴标签
    labs       设置所有的标签和标题
对于坐标轴显示也可以用如下的方式。

import numpy as np
e = (ggplot(data,aes(x='totle',y='price'))+geom_line(colour='red',size=2)) 
e + scale_x_continuous(limits = (0, 6),breaks = np.arange(0,6.5,0.5)) + \
theme(figure_size=(10,5))     #见图15
#按照给定的范围以及间隔，显示完整坐标刻度。

<ggplot: (150863514347)>

5、堆积条形图

堆积条形图主要是区分在该类中有哪几种构成，各构成占比是多少，并用颜色将它区分出来，这里主要使用fill分类。

data["class"]=["A","B","B","A","A","A"]
data["place"]=["an","hk","an","hk","an","hk"]
p = (ggplot(data,aes(x='class',y='totle',fill="place"))+ geom_bar(stat="identity"))
p  #见图16

<ggplot: (150863648247)>

6、分组折线图

折线分组利用fill。

t = (ggplot(data,aes(x='totle',y='price',fill="place",color="place"))+ geom_line(size=1))
t + geom_point(aes(shape='place'))   #设置不同的标记，见图17

<ggplot: (150863680841)>

7、拟合曲线图

stat_smooth拟合数据。参数method默认值为'auto',可用的方法有：
'auto'    #if(n<1000)则使用loess，否则使用glm
'lm'，'ols' #线性模型
'wls'     #加权线性模型
'rlm'     #鲁棒线性模型
'glm'     #广义线性模型
'gls'      #广义最小二乘
'lowess'  #局部加权回归（简单）
'loess'   #局部加权回归
'mavg'   #移动平均值
'gpr'     #高斯过程回归器

e + scale_x_continuous(limits = (0, 6),breaks = np.arange(0,6.5,0.5)) + stat_smooth(method='lm')

<ggplot: (150994645544)>

from plotnine.data import mtcars

(ggplot(mtcars, aes('wt', 'mpg', color='factor(gear)'))
 + geom_point()
 + stat_smooth(method='lm')
 + facet_wrap('~gear'))

<ggplot: (150863983613)>

mtcars

	name	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
0	Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
1	Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
2	Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
3	Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
4	Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
5	Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
6	Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
7	Merc 240D	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
8	Merc 230	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
9	Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4
10	Merc 280C	17.8	6	167.6	123	3.92	3.440	18.90	1	0	4	4
11	Merc 450SE	16.4	8	275.8	180	3.07	4.070	17.40	0	0	3	3
12	Merc 450SL	17.3	8	275.8	180	3.07	3.730	17.60	0	0	3	3
13	Merc 450SLC	15.2	8	275.8	180	3.07	3.780	18.00	0	0	3	3
14	Cadillac Fleetwood	10.4	8	472.0	205	2.93	5.250	17.98	0	0	3	4
15	Lincoln Continental	10.4	8	460.0	215	3.00	5.424	17.82	0	0	3	4
16	Chrysler Imperial	14.7	8	440.0	230	3.23	5.345	17.42	0	0	3	4
17	Fiat 128	32.4	4	78.7	66	4.08	2.200	19.47	1	1	4	1
18	Honda Civic	30.4	4	75.7	52	4.93	1.615	18.52	1	1	4	2
19	Toyota Corolla	33.9	4	71.1	65	4.22	1.835	19.90	1	1	4	1
20	Toyota Corona	21.5	4	120.1	97	3.70	2.465	20.01	1	0	3	1
21	Dodge Challenger	15.5	8	318.0	150	2.76	3.520	16.87	0	0	3	2
22	AMC Javelin	15.2	8	304.0	150	3.15	3.435	17.30	0	0	3	2
23	Camaro Z28	13.3	8	350.0	245	3.73	3.840	15.41	0	0	3	4
24	Pontiac Firebird	19.2	8	400.0	175	3.08	3.845	17.05	0	0	3	2
25	Fiat X1-9	27.3	4	79.0	66	4.08	1.935	18.90	1	1	4	1
26	Porsche 914-2	26.0	4	120.3	91	4.43	2.140	16.70	0	1	5	2
27	Lotus Europa	30.4	4	95.1	113	3.77	1.513	16.90	1	1	5	2
28	Ford Pantera L	15.8	8	351.0	264	4.22	3.170	14.50	0	1	5	4
29	Ferrari Dino	19.7	6	145.0	175	3.62	2.770	15.50	0	1	5	6
30	Maserati Bora	15.0	8	301.0	335	3.54	3.570	14.60	0	1	5	8
31	Volvo 142E	21.4	4	121.0	109	4.11	2.780	18.60	1	1	4	2

8、夹层填充面积图

准备数据。

先做折线图看看。

date = ['2022-03-01', '2022-03-02', '2022-03-03', '2022-03-04', '2022-03-05', '2022-03-06', '2022-03-07', '2022-03-08', '2022-03-09', '2022-03-10', '2022-03-11', '2022-03-12', '2022-03-13', '2022-03-14', '2022-03-01', '2022-03-02', '2022-03-03', '2022-03-04', '2022-03-05', '2022-03-06', '2022-03-07', '2022-03-08', '2022-03-09', '2022-03-10', '2022-03-11', '2022-03-12', '2022-03-13', '2022-03-14', '2022-03-15']
fz = ['A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'A组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组', 'B组']
zhv = [0.0205, 0.02475, 0.02843, 0.03009, 0.03211, 0.04395, 0.04487, 0.04671, 0.04663, 0.04847, 0.05031, 0.05223, 0.05307, 0.05483, 0.0326, 0.0334, 0.0333, 0.03567, 0.03659, 0.03551, 0.03935, 0.04027, 0.04033, 0.04079, 0.04255, 0.04539, 0.04915, 0.05099, 0.05291]
df = pd.DataFrame(data={"日期":date,"分组":fz,"转化率":zhv})
df

	日期	分组	转化率
0	2022-03-01	A组	0.02050
1	2022-03-02	A组	0.02475
2	2022-03-03	A组	0.02843
3	2022-03-04	A组	0.03009
4	2022-03-05	A组	0.03211
5	2022-03-06	A组	0.04395
6	2022-03-07	A组	0.04487
7	2022-03-08	A组	0.04671
8	2022-03-09	A组	0.04663
9	2022-03-10	A组	0.04847
10	2022-03-11	A组	0.05031
11	2022-03-12	A组	0.05223
12	2022-03-13	A组	0.05307
13	2022-03-14	A组	0.05483
14	2022-03-01	B组	0.03260
15	2022-03-02	B组	0.03340
16	2022-03-03	B组	0.03330
17	2022-03-04	B组	0.03567
18	2022-03-05	B组	0.03659
19	2022-03-06	B组	0.03551
20	2022-03-07	B组	0.03935
21	2022-03-08	B组	0.04027
22	2022-03-09	B组	0.04033
23	2022-03-10	B组	0.04079
24	2022-03-11	B组	0.04255
25	2022-03-12	B组	0.04539
26	2022-03-13	B组	0.04915
27	2022-03-14	B组	0.05099
28	2022-03-15	B组	0.05291

#折线图
(ggplot(df, aes(x='日期', y='转化率', group='分组', color='分组'))
 +geom_line(size=1)
 +scale_x_date(name='日期', breaks='2 weeks') #解决x轴标签覆盖问题
 +scale_fill_hue(s=0.90, l=0.65, h=0.0417, color_space='husl') #自动配色
 +xlab('时间') #重命名x轴名称
 +ylab('CVR') #重命名y轴名称
 +ggtitle('AB组活动转化率趋势图')
 +theme_matplotlib()
 +theme(legend_position = 'right',text=element_text(family='SimHei'))
 )

D:\app-soft\anaconda\lib\site-packages\plotnine\guides\guides.py:187: PlotnineWarning: Cannot generate legend for the 'fill' aesthetic. Make sure you have mapped a variable to it

<ggplot: (150994698292)>

再做一个折线图下的面积图。

#折线下面积图
(ggplot(df, aes(x='日期', y='转化率', group='分组'))
        +geom_area(aes(fill='分组'), alpha=0.75, position='identity')
        +geom_line(aes(color='分组'), size=0.75)
        +scale_x_date(name='日期', breaks='3 days') # x轴日期标签间隔
        +scale_fill_hue(s=0.90, l=0.65, h=0.0417, color_space='husl')
        +xlab('时间') +ylab('CVR')
        +ggtitle('AB组活动转化率趋势图')
        +theme_matplotlib()
        +theme(legend_position = 'right',text=element_text(family='SimHei'))
    )

<ggplot: (150862060442)>

为做夹层面图先做数据准备，如求出ymin和ymax。（求df两列中各行最大最小值）

#折线之间夹面积图/夹层填充面积
df_A = df[df['分组'] == 'A组']
df_B = df[df['分组'] == 'B组']
df_new = pd.merge(df_A, df_B, how='left', on='日期', suffixes=('A组', 'B组'))
df_new['最小值'] = df_new.apply(lambda x: x[['转化率A组', '转化率B组']].min(), axis=1)#求两列中各行最大最小值
df_new['最大值'] = df_new.apply(lambda x: x[['转化率A组', '转化率B组']].max(), axis=1)
#df_new['比较'] = df_new.apply(lambda x: 'A组高' if x['转化率A组'] - x['转化率B组'] > 0 else 'B组高', axis=1)
df_new['ymin1'] = df_new['最小值']
df_new.loc[(df_new['转化率A组']-df_new['转化率B组']) > 0, 'ymin1'] = np.nan
df_new['ymin2'] = df_new['最小值']
df_new.loc[(df_new['转化率A组']-df_new['转化率B组']) <= 0, 'ymin2'] = np.nan
df_new['ymax1'] = df_new['最大值']
df_new.loc[(df_new['转化率A组']-df_new['转化率B组']) > 0, 'ymax1'] = np.nan
df_new['ymax2'] = df_new['最大值']
df_new.loc[(df_new['转化率A组']-df_new['转化率B组']) <= 0, 'ymax2'] = np.nan

①最大值、最小值：用于绘制夹层的填充线；
②之所以ymin1/ymax1 与 ymin2/ymax2 区分开，是为了区分填充线颜色
③之所以绘制两次ribbon除了原因②之外，也是为了避免出现多余的填充

w = (ggplot()
    +geom_ribbon(df_new, aes(x='日期', ymin='ymin1', ymax='ymax1', group=1), alpha=0.5, fill='#00B2F6', color='none')
    +geom_ribbon(df_new, aes(x='日期', ymin='ymin2', ymax='ymax2', group=1), alpha=0.5, fill='#FF6B5E', color='none')
    +geom_line(df, aes(x='日期', y='转化率', group='分组', color='分组'), size=1)
    +scale_x_date(name='日期', breaks='3 days')
    +theme_matplotlib()
    +theme(legend_position = 'right',text=element_text(family='SimHei'))
    )#原文链接：https://blog.csdn.net/weixin_45881406/article/details/124902333
w

<ggplot: (150862100342)>

9、保存图

png_path = r"c:\Users\yubg\Desktop\yubg.png"
w.save(filename=png_path,width=200,height=150,units='mm',dpi=1000)

D:\app-soft\anaconda\lib\site-packages\plotnine\ggplot.py:718: PlotnineWarning: Saving 200.0 x 150.0 mm image.
D:\app-soft\anaconda\lib\site-packages\plotnine\ggplot.py:719: PlotnineWarning: Filename: c:\Users\yubg\Desktop\yubg.png