Представление сложных табличных данных в виде диаграммы для одного слайда ⇐ Python

[Anonymous]

Таблицы позволяют обобщить сложную информацию. У меня в латексном документе есть таблица, похожая на следующую (это результат для этого вопроса), например:

Код: Выделить всё

\documentclass{article}
\usepackage{graphicx} % Required for inserting images
\usepackage{tabularx}
\usepackage{booktabs}
\usepackage{makecell}

\begin{document}

\begin{table}[bt]
\caption{Classification results.}
\label{tab:baseline-clsf-reprt}
\setlength{\tabcolsep}{1pt} % Adjust column spacing
\renewcommand{\arraystretch}{1.2} % Adjust row height
\begin{tabular}{lcccccccccccc}
\toprule
& \multicolumn{3}{c}{Data1} &
\multicolumn{3}{c}{\makecell{Data2 \\ (original)}} &
\multicolumn{3}{c}{\makecell{Data2 \\ (experiment 3)}} &
\multicolumn{3}{c}{\makecell{Data2 \\ (experiment 4)}} \\
\cmidrule(r{1ex}){2-4}
\cmidrule(r{1ex}){5-7}
\cmidrule(r{1ex}){8-10}
\cmidrule(r{1ex}){11-13}
& Precision & Recall & F1 & Precision & Recall & F1 & Precision & Recall & F1 & Precision & Recall & F1 \\
\midrule
Apple  & 0.61 & 0.91 & 0.71 & 0.61 & 0.72 & 0.91 & 0.83   & 0.62 & 0.71 & 0.62 & 0.54 & 0.87 \\

Banana  & 0.90 & 0.32 & 0.36 & 0.86 & 0.81 & 0.53 & 0.61 & 0.69 & 0.68 & 0.72 & 0.56 & 0.57 \\

Orange   & 0.23 & 0.35 & 0.18 & 0.56 & 0.56 & 0.56 & 0.54 & 0.55 & 0.55 & 0.55 & 0.57 & 0.63 \\

Grapes   & 0.81 & 0.70 & 0.76 & 0.67 & 0.47 & 0.54 & 0.85 & 0.28 & 0.42 & 0.38 & 0.66 & 0.48 \\

Mango & 0.31 & 0.23 & 0.45 & 0.87 & 0.54 & 0.73 & 0.63 & 0.57 & 0.63 & 0.75 & 0.29 & 0.34 \\
\bottomrule
\end{tabular}
\end{table}

\end{document}

Что дает:


Сейчас я готовлю презентацию слайдов, и мне нужно было представить результаты классификации всего на одном слайде. Чтобы показать результаты каждого набора данных для каждого фрукта и показателя.
Мои попытки не привели к созданию значимой диаграммы (показана вся информация в таблице).
Первая попытка:

Код: Выделить всё

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

datasets = ['Data1', 'Data2-Orig', 'Data2-Exp3', 'Data2-Exp4']
fruits = ['Apple', 'Banana', 'Orange', 'Grapes', 'Mango']
metrics = ['Precision', 'Recall', 'F1']
colors = ['#1f77b4', '#ff7f0e', '#2ca02c']  # Colors for Precision, Recall, F1

data = {
'Fruit': ['Apple', 'Banana', 'Orange', 'Grapes', 'Mango'],
'Data1_Precision': [0.61, 0.90, 0.23, 0.81, 0.31],
'Data1_Recall': [0.91, 0.32, 0.35, 0.70, 0.23],
'Data1_F1': [0.71, 0.36, 0.18, 0.76, 0.45],
'Data2-Orig_Precision': [0.61, 0.86, 0.56, 0.67, 0.87],
'Data2-Orig_Recall': [0.72, 0.81, 0.56, 0.47, 0.54],
'Data2-Orig_F1': [0.91, 0.53, 0.56, 0.54, 0.73],
'Data2-Exp3_Precision': [0.83, 0.61, 0.54, 0.85, 0.63],
'Data2-Exp3_Recall': [0.62, 0.69, 0.55, 0.28, 0.57],
'Data2-Exp3_F1': [0.71, 0.68, 0.55, 0.42, 0.63],
'Data2-Exp4_Precision': [0.62, 0.72, 0.55, 0.38, 0.75],
'Data2-Exp4_Recall': [0.54, 0.56, 0.57, 0.66, 0.29],
'Data2-Exp4_F1': [0.87, 0.57, 0.63, 0.48, 0.34]
}

df = pd.DataFrame(data)

# Reshape data for Seaborn
df_melted = df.melt(id_vars='Fruit',
var_name='Metric',
value_name='Score')

# Split the 'Metric' column into separate columns for easier grouping
df_melted[['Dataset', 'Measure']] = df_melted['Metric'].str.split('_', expand=True)
df_melted.drop(columns='Metric', inplace=True)

plt.figure(figsize=(12, 8))
sns.set_style("whitegrid")

# Create grouped bar plot
sns.barplot(
data=df_melted,
x='Fruit',
y='Score',
hue='Dataset',
ci=None
)

# Customize plot
plt.title('Classification Results by Fruit and Dataset')
plt.xlabel('Fruit type')
plt.ylabel('Score')
plt.legend(title='Dataset', bbox_to_anchor=(1.05, 1), loc='upper left')

# Show plot
plt.tight_layout()

Выдает:

Вторая попытка:

Код: Выделить всё

fig, ax = plt.subplots(figsize=(14, 8))

# Set the width of each bar and spacing between groups
bar_width = 0.2
group_spacing = 0.25
x = np.arange(len(fruits))

# Plot bars for each dataset and metric combination
for i, dataset in enumerate(datasets):
for j, metric in enumerate(metrics):
# Calculate the position for each bar within each group
positions = x + i * (len(metrics) * bar_width + group_spacing) + j * bar_width
# Plot each metric bar
ax.bar(positions,
df[f'{dataset}_{metric}'],
width=bar_width,
label=f'{metric}' if i == 0 else "",
color=colors[j])

# Customize x-axis and labels
ax.set_xticks(x + (len(datasets) * len(metrics) * bar_width + (len(datasets) - 1) * group_spacing) / 2 - bar_width / 2)
ax.set_xticklabels(fruits)
ax.set_xlabel('Fruit type')
ax.set_ylabel('Score ')
ax.set_title('Classification Results by Dataset, Fruit, and Metric')

# Create custom legend for metrics
metric_legend = [plt.Line2D([0], [0], color=colors[i], lw=4) for i in range(len(metrics))]
ax.legend(metric_legend, metrics, title="Metrics", loc="upper left", bbox_to_anchor=(1.05, 1))

plt.tight_layout()
plt.show()

Это дает:


Все эти графики не представляют результат так, чтобы люди могли легко представить презентацию. И добавление исходной таблицы не просто имеет смысл. Пока я говорю, людям нелегко сводить результаты в таблицу.
Как бы вы рекомендовали отображать результаты в этой таблице для добавления на слайд?

Подробнее здесь: https://stackoverflow.com/questions/791 ... ngle-slide