Вторичная / параллельная ось X на графиках Plotly (питон)
== сравнивает ссылки на объекты в Java и не является исключением для объектов String.
Для сравнения фактического содержимого объектов (в том числе String) необходимо использовать equals.
Если сравнение двух объектов String с использованием == оказывается true, это связано с тем, что объекты String были интернированы, а виртуальная машина Java имеет несколько ссылки указывают на тот же экземпляр String. Не следует ожидать сравнения одного объекта String, содержащего то же содержимое, что и другой объект String, используя == для оценки как true.
2 ответа
Вы можете построить графики выживаемости Каплана-Мейера для пациентов с риском с помощью Plotly, используя подзаговоры. Первый график имеет коэффициент выживаемости, второй график представляет собой точечный график, на котором показан только текст, то есть маркеры не показаны.
Оба графика имеют одинаковую ось Y, и пациенты в группе риска представлены с соответствующими значениями X.
Больше примеров здесь: https://github.com/Ashafix/Kaplan-Meier_Plotly
Пример 1 - Рак легких у женщин и мужчин [ 1110]
import pandas as pd
import lifelines
import plotly
import numpy as np
plotly.offline.init_notebook_mode()
df = pd.read_csv('http://www-eio.upc.edu/~pau/cms/rdata/csv/survival/lung.csv')
fig = plotly.tools.make_subplots(rows=2, cols=1, print_grid=False)
kmfs = []
dict_sex = {1: 'Male', 2: 'Female'}
steps = 5 # the number of time points where number of patients at risk which should be shown
x_min = 0 # min value in x-axis, used to make sure that both plots have the same range
x_max = 0 # max value in x-axis
for sex in df.sex.unique():
T = df[df.sex == sex]["time"]
E = df[df.sex == sex]["status"]
kmf = lifelines.KaplanMeierFitter()
kmf.fit(T, event_observed=E)
kmfs.append(kmf)
x_max = max(x_max, max(kmf.event_table.index))
x_min = min(x_min, min(kmf.event_table.index))
fig.append_trace(plotly.graph_objs.Scatter(x=kmf.survival_function_.index,
y=kmf.survival_function_.values.flatten(),
name=dict_sex[sex]),
1, 1)
for s, sex in enumerate(df.sex.unique()):
x = []
kmf = kmfs[s].event_table
for i in range(0, int(x_max), int(x_max / (steps - 1))):
x.append(kmf.iloc[np.abs(kmf.index - i).argsort()[0]].name)
fig.append_trace(plotly.graph_objs.Scatter(x=x,
y=[dict_sex[sex]] * len(x),
text=[kmfs[s].event_table[kmfs[s].event_table.index == t].at_risk.values[0] for t in x],
mode='text',
showlegend=False),
2, 1)
# just a dummy line used as a spacer/header
t = [''] * len(x)
t[1] = 'Patients at risk'
fig.append_trace(plotly.graph_objs.Scatter(x=x,
y=[''] * len(x),
text=t,
mode='text',
showlegend=False),
2, 1)
# prettier layout
x_axis_range = [x_min - x_max * 0.05, x_max * 1.05]
fig['layout']['xaxis2']['visible'] = False
fig['layout']['xaxis2']['range'] = x_axis_range
fig['layout']['xaxis']['range'] = x_axis_range
fig['layout']['yaxis']['domain'] = [0.4, 1]
fig['layout']['yaxis2']['domain'] = [0.0, 0.3]
fig['layout']['yaxis2']['showgrid'] = False
fig['layout']['yaxis']['showgrid'] = False
plotly.offline.iplot(fig)
Пример 2 - Рак толстой кишки при различных методах лечения
df = pd.read_csv('http://www-eio.upc.edu/~pau/cms/rdata/csv/survival/colon.csv')
fig = plotly.tools.make_subplots(rows=2, cols=1, print_grid=False)
kmfs = []
steps = 5 # the number of time points where number of patients at risk which should be shown
x_min = 0 # min value in x-axis, used to make sure that both plots have the same range
x_max = 0 # max value in x-axis
for rx in df.rx.unique():
T = df[df.rx == rx]["time"]
E = df[df.rx == rx]["status"]
kmf = lifelines.KaplanMeierFitter()
kmf.fit(T, event_observed=E)
kmfs.append(kmf)
x_max = max(x_max, max(kmf.event_table.index))
x_min = min(x_min, min(kmf.event_table.index))
fig.append_trace(plotly.graph_objs.Scatter(x=kmf.survival_function_.index,
y=kmf.survival_function_.values.flatten(),
name=rx),
1, 1)
fig_patients = []
for s, rx in enumerate(df.rx.unique()):
kmf = kmfs[s].event_table
x = []
for i in range(0, int(x_max), int(x_max / (steps - 1))):
x.append(kmf.iloc[np.abs(kmf.index - i).argsort()[0]].name)
fig.append_trace(plotly.graph_objs.Scatter(x=x,
y=[rx] * len(x),
text=[kmfs[s].event_table[kmfs[s].event_table.index == t].at_risk.values[0] for t in x],
mode='text',
showlegend=False),
2, 1)
# just a dummy line used as a spacer/header
t = [''] * len(x)
t[1] = 'Patients at risk'
fig.append_trace(plotly.graph_objs.Scatter(x=x,
y=[''] * len(x),
text=t,
mode='text',
showlegend=False),
2, 1)
# prettier layout
x_axis_range = [x_min - x_max * 0.05, x_max * 1.05]
fig['layout']['xaxis2']['visible'] = False
fig['layout']['xaxis2']['range'] = x_axis_range
fig['layout']['xaxis']['range'] = x_axis_range
fig['layout']['yaxis']['domain'] = [0.4, 1]
fig['layout']['yaxis2']['domain'] = [0.0, 0.3]
fig['layout']['yaxis2']['showgrid'] = False
fig['layout']['yaxis']['showgrid'] = False
plotly.offline.iplot(fig)
[ 116] Это встроено и в линии жизни:
from lifelines import KaplanMeierFitter
ix = waltons['group'] == 'control'
ax = plt.subplot(111)
kmf_control = KaplanMeierFitter()
ax = kmf_control.fit(waltons.loc[ix]['T'], waltons.loc[ix]['E'], label='control').plot(ax=ax)
kmf_exp = KaplanMeierFitter()
ax = kmf_exp.fit(waltons.loc[~ix]['T'], waltons.loc[~ix]['E'], label='exp').plot(ax=ax)
from lifelines.plotting import add_at_risk_counts
add_at_risk_counts(kmf_exp, kmf_control, ax=ax)
Однако я не уверен, хорошо ли это работает с плотно