function to plot static representation of ACM with the output from the PRINCE library

plot_mca.py

from adjustText import adjust_text
import matplotlib.pyplot as plt
import seaborn as sns
def plot_acm(model, data, x=0, y=1, dims = (11, 8),
             keep_prefix=True,
             adjust_labels=True):   
    '''
    Parameters
    ----------
    model : prince.mca.MCA
        en: MCA model (fitted) from the PRINCE library.
        fr: Modèle d'ACM (déjà fitté) de la librairie PRINCE.
    data : pandas.core.frame.DataFrame
        en: Pandas dataframe containing data.
        fr: DataFrame pandas contenant les données.
    x : int, optionel
        en: Identifier of the component to plot horizontally. By default, 0.
        fr: Identifiant de l'axe factoriel qu'on souhaite représenter horizontalement. 0 par défaut.
    y : int, optionel
        en: Identifier of the component to plot vertically. By default, 1.
        fr: Identifiant de l'axe factoriel qu'on souhaite représenter verticalement. 1 par défaut.
    dims : tuple, optional
        en: Plot size. (11, 8) by default.
        fr: Taille du graphique. (11, 8) par défaut.
    keep_prefix : boolean, optional
        en: To prepend (or not) the name of the variable to the value (e.g. if set to True, will display something like "COLOR_purple", 
        otherwise will display "purple").        
        fr: Indique si le texte affiché à côté de chaque point projeté contient un préfixe contenant le nom de la variable.
        Si défini à "False", seul l'intitulé de la modalité apparait.        
    adjust_text : boolean, optional
        en: Preventing text from overlapping if set to True.
        fr: Si défini à "True", réorganise automatiquement les labels de chaque point de manière à ce qu'ils ne se chevauchent pas.
        
    Returns
    -------
    plot : matplotlib.axes._subplots.AxesSubplot
        Graphique matplotlib.
    '''
    variables = data.columns
    # variance = model.eigenvalues_summary
    variance = model.percentage_of_variance_
    coord = model.column_coordinates(data)
    #coord contient les coordonnées de chaque modalité sur chaque axe factoriel
    #on ajoute une colonne "variable", qui permet de faire le lien entre la modalité et la variable à laquelle à correspond
    coord["variable"] = ""
    new_index = []
        
    for i in range(0, len(coord)):
        row = coord.iloc[i]
        var_name = row.name
        for variable in variables:
            values = data[variable].dropna().unique()
            for value in values:                
                comb= "_".join([variable, value])
                if comb == var_name:
                    coord.iloc[i, coord.columns.get_loc("variable")] = variable
                    new_index.append(coord.iloc[i].name.replace(variable+"_", ""))
    if keep_prefix == False:
        coord.index = new_index
    #On représente ensuite les modalités sous forme d'un nuage de points
    sns.set_style("whitegrid")
    fig, ax = plt.subplots(figsize=dims)
    plot = sns.scatterplot(x=coord[x], 
                           y=coord[y],
                           hue=coord["variable"],
                           ax=ax,
                           )
    #on modifie l'intitulé des axex
    ax.set_xlabel(f"Dimension {str(x)} ({round(variance[x],1)} %)" )
    ax.set_ylabel(f"Dimension {str(y)} ({round(variance[y],1)} %)" )
    #on ajoute des lignes pointillées aux origines, pour faciliter l'analyse
    plot.axhline(y = 0, color = 'black', linestyle = '--', linewidth = 0.5)
    plot.axvline(x = 0, color = 'black', linestyle = '--', linewidth = 0.5)
    
    #on ajoute l'intitulé des points
    txts = []
    for line in range(0, coord.shape[0]):        
        txt = plot.text(coord[x][line]+0.03,
                  coord[y][line],
                  coord.index[line],
                 
                 )
        txts.append(txt)
    if adjust_labels == True:
        adjust_text(txts)

    #derniers réglages : 
        #*on supprime l'encadré autour du graphique
        #on déplace la légende à l'extérieur du graphique
    sns.despine()
    sns.move_legend(ax, "upper left", bbox_to_anchor=(1, 1))
    
    return plot

plot_mca_example.py

import pandas
import prince
dataset = pandas.read_csv('https://archive.ics.uci.edu/ml/machine-learning-databases/balloons/adult+stretch.data')
dataset.columns = ['Color', 'Size', 'Action', 'Age', 'Inflated']
mca = prince.MCA(
    n_components=20,
    n_iter=100,
    copy=True,
    check_input=True,
    engine='sklearn',
    random_state=42
)

mca = mca.fit(dataset)
plot_acm(model=mca, 
         data=dataset, 
         x=0, y=1, dims = (11, 10),
         adjust_labels=True)