也许我在做多面图表时太习惯了R's美妙的ggplot- 成语（它需要数字和字符串变量而无需抗议），但 ggplot 之外的理想方式肯定让我在一段时间内无法了解 matplotlib 世界。
我通常在多个维度上对很多条形图进行刻面，并且最近发现了基于 matplotlib 的著名 seaborn 库，它具有简单的刻面界面。
条形图通常需要一个用于 x 变量的数字向量（与分类字符串向量相反）——这里首先是一些模拟数据和一个基本图：
import pandas as pd
import numpy as np
import seaborn as sns
N = 100
## generate toy data
ind = np.random.choice(['retail','construction','information'], N)
cty = np.random.choice(['cooltown','mountain pines'], N)
age = np.random.choice(['young','old'], N)
jobs = np.random.randint(low=1,high=250,size=N)
## prep data frame
df_city = pd.DataFrame({'industry':ind,'city':cty,'jobs':jobs,'age':age})
df_city_grouped = df_city.groupby(['city','industry','age']).sum()
df_city_grouped.unstack().plot(kind='bar',stacked=True,figsize=(9, 6),title='Jobs by city, industry, age group')
这产生了这个情节。此数据框绘图方法可以使用索引在幕后进行绘图：
现在，到seaborn上，它有一个很好的刻面界面。首先，我展平了多索引，所以我有列（我认为这是 API 所必需的）。
df_city_grouped.reset_index(inplace=True)
df_city_grouped.head()
+----------+--------------+-------+------+
| city | industry | age | jobs |
+----------+--------------+-------+------+
| cooltown | construction | old | 563 |
+----------+--------------+-------+------+
| cooltown | construction | young | 1337 |
+----------+--------------+-------+------+
| cooltown | information | old | 1234 |
+----------+--------------+-------+------+
| cooltown | information | young | 1402 |
+----------+--------------+-------+------+
| cooltown | retail | old | 1035 |
+----------+--------------+-------+------+
调用它会给我错误TypeError: cannot concatenate 'str' and 'float' objects。
g = sns.FacetGrid(df_city_grouped, col="industry", row="city", margin_titles=True)
g.map(plt.bar, "age","jobs", color="darkred", lw=0)
但是，我可以破解它并将其中一个分类变量变回数字：
mapping = {
'young': 1,
'middle':2,
'old':3}
df_city_grouped['age2']=df_city_grouped.age.map(mapping)
g = sns.FacetGrid(df_city_grouped, col="industry", row="city", margin_titles=True)
g.map(plt.bar, "age2","jobs", color="darkred", lw=0)
这会产生近似结果（但在 x 上有小数）。
所以我的问题是——在分面示例中处理分类轴的最佳方法是什么？（顺便指出，
f, (ax) = plt.subplots()
sns.barplot(df_city_grouped.industry, df_city_grouped.jobs, ax=ax, ci=None)
确实适用于分类标签。在刻面习语之外。）
