Python中如何使用matplotlib制作雷达图进行对比分析

发布时间：2021-11-25 14:44:17 作者：小新
来源：亿速云阅读：430

# Python中如何使用matplotlib制作雷达图进行对比分析

## 一、雷达图简介与适用场景

### 1.1 什么是雷达图
雷达图（Radar Chart），又称蜘蛛网图（Spider Chart）或星状图（Star Plot），是一种以从同一点开始的轴上表示的三个或更多个定量变量的二维图表形式。它由多个等角度分布的轴组成，每个轴代表一个变量，数据点通过折线连接形成多边形。

### 1.2 雷达图的优势特点
- **多维度对比**：可同时展示5-8个维度的数据对比
- **直观性强**：通过形状面积和顶点位置快速识别数据特征
- **异常检测**：明显凸起或凹陷可直观反映指标异常
- **整体评估**：适合展示综合能力或性能的平衡性

### 1.3 典型应用场景
1. 员工能力评估（技术能力、沟通能力等多维度）
2. 产品特性对比（不同产品的性能参数比较）
3. 游戏角色属性分析（力量、敏捷、智力等属性）
4. 企业竞争力评估（财务、客户、运营等多维度）

## 二、Matplotlib基础与雷达图绘制原理

### 2.1 Matplotlib简介
Matplotlib是Python最著名的2D绘图库，提供类似MATLAB的绘图框架，支持多种图形输出格式和交互式环境。

安装命令：
```python
pip install matplotlib numpy

2.2 极坐标系原理

雷达图本质上是绘制在极坐标系（Polar Coordinates）中的折线图： - 角度轴：表示不同的维度/指标 - 径向轴：表示指标数值大小 - 多边形：连接各维度数据点形成

2.3 基本绘制流程

创建极坐标子图
设置角度分割和标签
准备多维数据
绘制填充多边形
添加图例和标题

三、基础雷达图实现

3.1 单组数据雷达图

import numpy as np
import matplotlib.pyplot as plt

# 准备数据
categories = ['速度', '力量', '耐力', '敏捷', '智力']
values = [4, 3, 5, 2, 4]
N = len(categories)

# 计算角度
angles = np.linspace(0, 2*np.pi, N, endpoint=False).tolist()
values += values[:1]  # 闭合图形
angles += angles[:1]

# 创建极坐标图
fig, ax = plt.subplots(figsize=(6,6), subplot_kw=dict(polar=True))

# 绘制填充区域
ax.fill(angles, values, 'b', alpha=0.2)

# 绘制数据线
ax.plot(angles, values, 'bo-', linewidth=2)

# 设置刻度标签
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories)

# 设置径向刻度
ax.set_rlabel_position(30)
plt.yticks([1,2,3,4,5], ["1","2","3","4","5"], color="grey", size=7)
ax.set_ylim(0,5)

plt.title('基础雷达图示例', size=15, y=1.1)
plt.show()

3.2 代码解析

np.linspace：将圆周等分为N份
subplot_kw=dict(polar=True)：创建极坐标子图
fill()方法：填充多边形区域
set_xticks()：设置维度标签位置
set_rlabel_position()：设置径向标签位置

四、多组数据对比雷达图

4.1 两组数据对比实现

# 准备对比数据
player1 = [4, 3, 5, 2, 4]
player2 = [3, 4, 2, 5, 3]
N = len(categories)

angles = np.linspace(0, 2*np.pi, N, endpoint=False).tolist()
player1 += player1[:1]
player2 += player2[:1]
angles += angles[:1]

fig, ax = plt.subplots(figsize=(8,8), subplot_kw=dict(polar=True))

# 绘制两组数据
ax.plot(angles, player1, 'bo-', linewidth=2, label='选手A')
ax.fill(angles, player1, 'b', alpha=0.2)
ax.plot(angles, player2, 'ro-', linewidth=2, label='选手B')
ax.fill(angles, player2, 'r', alpha=0.2)

# 设置标签和样式
ax.set_xticks(angles[:-1])
ax.set_xticklabels(categories)
ax.set_rlabel_position(0)
plt.yticks([1,2,3,4,5], ["1","2","3","4","5"], color="grey", size=7)
ax.set_ylim(0,5)
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))

plt.title('选手能力对比雷达图', size=15, y=1.1)
plt.show()

4.2 三组及以上数据对比

# 准备三组数据
data = {
    '产品A': [8, 6, 7, 5, 9, 6],
    '产品B': [5, 9, 6, 8, 4, 7],
    '产品C': [7, 5, 8, 6, 7, 8]
}
categories = list(data.keys())
labels = ['设计', '性能', '续航', '价格', '服务', '生态']

# 创建画布
fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, polar=True)

# 计算角度
angles = np.linspace(0, 2*np.pi, len(labels), endpoint=False).tolist()

# 绘制每组数据
for name, values in data.items():
    values += values[:1]
    _angles = angles + angles[:1]
    ax.plot(_angles, values, 'o-', linewidth=2, label=name)
    ax.fill(_angles, values, alpha=0.1)

# 设置标签
ax.set_xticks(angles)
ax.set_xticklabels(labels)
ax.set_rlabel_position(30)
plt.yticks(np.arange(1,10), [str(i) for i in range(1,10)])
ax.set_ylim(0,10)

plt.title('三款产品对比雷达图', size=15, y=1.1)
plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))
plt.show()

五、高级定制技巧

5.1 样式美化技巧

# 自定义颜色和样式
colors = ['#1f77b4', '#ff7f0e', '#2ca02c']
line_styles = ['-', '--', ':']

for idx, (name, values) in enumerate(data.items()):
    values += values[:1]
    ax.plot(angles + angles[:1], values, 
            color=colors[idx],
            linestyle=line_styles[idx],
            linewidth=2,
            marker='o',
            markersize=6,
            label=name)
    
# 设置网格样式
ax.xaxis.grid(True, color='grey', linestyle='-', linewidth=0.5)
ax.yaxis.grid(True, color='grey', linestyle='--', linewidth=0.5)

# 设置背景
ax.set_facecolor('#f5f5f5')

5.2 添加数据标签

# 在顶点添加数值标签
for angle, value, label in zip(angles, values[:-1], labels):
    ax.text(angle, value+0.5, str(value), 
           ha='center', va='center',
           fontsize=10, fontweight='bold')

5.3 不等距径向刻度

# 自定义径向刻度
custom_ticks = [0, 3, 6, 9]
ax.set_yticks(custom_ticks)
ax.set_yticklabels([f'Level {i}' for i in custom_ticks], fontsize=8)

六、实际应用案例

6.1 员工能力评估系统

employees = {
    '张三': {'技术':8, '沟通':6, '创新':7, '执行力':9, '学习':8},
    '李四': {'技术':6, '沟通':9, '创新':5, '执行力':7, '学习':6},
    '王五': {'技术':9, '沟通':5, '创新':8, '执行力':6, '学习':9}
}

# 转换为适合雷达图的数据格式
categories = list(employees['张三'].keys())
values = {name: list(emp.values()) for name, emp in employees.items()}

# 绘制代码...

6.2 产品竞品分析

products = {
    'iPhone 15': {'性能':9, '相机':9, '续航':7, '屏幕':9, '生态':9, '价格':5},
    'Galaxy S23': {'性能':8, '相机':8, '续航':8, '屏幕':9, '生态':7, '价格':6},
    'Pixel 8': {'性能':7, '相机':9, '续航':6, '屏幕':8, '生态':6, '价格':7}
}

# 分析代码...

七、常见问题与解决方案

7.1 维度过多问题

问题：当维度超过8个时，图表会变得拥挤难读
解决方案：
1. 合并相关维度
2. 分组展示（如分多个雷达图）
3. 使用平行坐标图替代

7.2 数据标准化

问题：不同维度量纲不一致导致图形变形
解决方案：

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 10))
scaled_values = scaler.fit_transform(np.array(values).reshape(-1,1))

7.3 标签重叠处理

# 调整标签位置
for label, angle in zip(ax.get_xticklabels(), angles):
    if angle in [0, np.pi]:
        label.set_horizontalalignment('center')
    elif 0 < angle < np.pi:
        label.set_horizontalalignment('left')
    else:
        label.set_horizontalalignment('right')

八、总结与扩展

8.1 雷达图使用建议

维度数量控制在5-8个为佳
对比组别不超过4组
重要维度放在12点钟方向
配合表格数据增强可读性

8.2 替代方案

平行坐标图：适合更多维度的数据
条形图：简单直观的对比
雷达图矩阵：多维数据分组展示

8.3 扩展学习

使用Plotly实现交互式雷达图
结合Pandas进行数据分析
应用Seaborn的样式系统

通过本文的详细讲解，相信您已经掌握了使用Matplotlib绘制雷达图进行多维度对比分析的完整方法。在实际应用中，建议根据具体场景选择合适的可视化方案，并不断优化图表以提高信息传达效率。 “`