Python数据可视化之环形图

目录

• 1.引言
• 2.方式一：饼图形式
• 3.方式二：条形图形式

1.引言

环形图（圆环）在功能上与饼图相同，整个环被分成不同的部分，用各个圆弧来表示每个数据所占的比例值。但其中心的空白可用于显示其他相关数据展示，相比于标准饼图提供了更丰富的数据信息输出。

在本文中，我们将介绍 Matplolib中绘制圆环图的两种方法。使用饼图和参数wedgeprops 的简单方法，以及使用极轴和水平条形图的复杂方法。

2.方式一：饼图形式

在 Matplotlib 中没有绘制圆环图的直接方法，但我们可以使用饼图中的参数wedgeprops来快速地将饼图转换为环形图。

首先我们先来画一个简单的饼图：

import matplotlib.pyplot as plt
plt.pie([87,13], startangle=90, colors=['#5DADE2', '#515A5A'])
plt.show()

结果如下：

接着我们添加参数wedgeprops 并定义环形图边缘的宽度,代码如下：

fig, ax = plt.subplots(figsize=(6, 6))

ax.pie([87,13],
   wedgeprops={'width':0.3},
   startangle=90,
   colors=['#5DADE2', '#515A5A'])
plt.show()

结果如下：

这很简单。现在我们可以使用中心的空间来使我们的数据更加明显。

代码如下：

fig, ax = plt.subplots(figsize=(6, 6))
wedgeprops = {'width':0.3, 'edgecolor':'black', 'linewidth':3}
ax.pie([87,13], wedgeprops=wedgeprops, startangle=90, colors=['#5DADE2', '#515A5A'])
plt.title('Worldwide Access to Electricity', fontsize=24, loc='left')
plt.text(0, 0, "87%", ha='center', va='center', fontsize=42)
plt.text(-1.2, -1.2, "Source: ourworldindata.org/energy-access", ha='left', va='center', fontsize=12)
plt.show()

结果如下：

当我们有一个简单的比较需要显示时，圆环图特别有用。在我看来，使用它们的最佳方式是像一个圆形进度条，比如我们有一个单一的比例要突出显示的例子。

当然，我们可以进一步简化上图图表。

代码如下：

fig, ax = plt.subplots(figsize=(6, 6))
data = [87, 13]
wedgeprops = {'width':0.3, 'edgecolor':'black', 'lw':3}
patches, _ = ax.pie(data, wedgeprops=wedgeprops, startangle=90, colors=['#5DADE2', 'white'])
patches[1].set_zorder(0)
patches[1].set_edgecolor('white')
plt.title('Worldwide Access to Electricity', fontsize=24, loc='left')
plt.text(0, 0, f"{data[0]}%", ha='center', va='center', fontsize=42)
plt.text(-1.2, -1.3, "Source: ourworldindata.org/energy-access", ha='left', va='top', fontsize=12)
plt.show()

结果如下：

3.方式二：条形图形式

尽管此解决方案比前一个解决方案更复杂，但它为定制提供了一些令人兴奋的选项。

我们还是从一个简单的例子开始，代码如下：

from math imp编程客栈ort pi
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw={'projection':'polar'})
data = 87
startangle = 90
x = (data * pi *2)/ 100 # convert x data from percentage
left = (startangle * pi *2)/ 360 # convert start from angle
ax.barh(1, x, left=left, height=1, color='#5DADE2')
plt.ylim(-3, 3)
plt.show()

结果如下：

接着我们来处理角度，我们必须先转换每个元素的 x 坐标，然后再将其添加到轴上。

代码如下：

from math import pi
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw={'projec编程客栈tion':'polar'})
data = 8编程客栈7
startangle = 90
x = (data * pi *2)/ 100
left = (startangle * pi *2)/ 360 #this is to control where the bar http://www.cppcns.comstarts
plt.xticks([])
plt.yticks([])
ax.spines.clear()
ax.barh(1, x, left=left, height=1, color='#5DADE2')
plt.ylim(-3, 3)
plt.text(0, -3, "87%", ha='center', va='center', fontsize=42)
plt.show()

结果如下：

使用此方法我们也达到了上述同样的效果；当然此时我们添加多个进度条、定义它们之间的距离来使得可视化效果更加丰富。

代码如下：

from math import pi
import numpy as np
from matplotlib.patches import Patch
from matplotlib.lines import Line2D
fig, ax = plt.subplots(figsize=(6, 6))
ax = plt.subplot(projection='polar')
data = [82, 75, 91]
startangle = 90
colors = ['#4393E5', '#43BAE5', '#7AE6EA']
xs = [(i * pi *2)/ 100 for i in data]
ys = [-0.2, 1, 2.2]
left = (startangle * pi *2)/ 360 #this is to control where the bar starts
# plot bars and points at the end to make them round
for i, x in enumerate(xs):
  ax.barh(ys[i], x, left=left, height=1, color=colors[i])
  ax.scatter(x+left, ys[i], s=350, color=colors[i], zorder=2)
  ax.scatter(left, ys[i], s=350, color=colors[i], zorder=2)
 
plt.ylim(-4, 4)
# legend
legend_elements = [Line2D([0], [0], marker='o', color='w', label='Group A', markerfacecolor='#4393E5', markersize=10),
         Line2D([0], [0], marker='o', color='w', label='Group B', markerfacecolor='#43BAE5', markersize=10),
         Line2D([0], [0], marker='o', color='w', label=编程客栈'Group C', markerfacecolor='#7AE6EA', markersize=10)]
ax.legend(handles=legend_elements, loc='center', frameon=False)
# clear ticks, grids, spines
plt.xticks([])
plt.yticks([])
ax.spines.clear()
plt.show()

结果如下：

到此这篇关于python数据可视化之环形图的文章就介绍到这了,更多相关Python数据可视化环形图内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们！