Python数据可视化中的环形图是怎样的

发布时间：2022-01-19 13:25:44 作者：kk
来源：亿速云阅读：316

# Python数据可视化中的环形图是怎样的

## 引言

在数据可视化领域，环形图（Donut Chart）作为一种经典的图表类型，因其简洁美观和高效传达信息的能力而广受欢迎。Python作为数据科学领域的主流语言，提供了多种强大的库来创建环形图。本文将深入探讨环形图的概念、应用场景、Python实现方法以及高级定制技巧，帮助读者全面掌握这一可视化工具。

## 一、环形图基础概念

### 1.1 什么是环形图

环形图是饼图的一种变体，其核心特征是在图表中心留有空白区域。这种设计不仅使图表更具现代感，还具有以下优势：

- **中心空白区域**可用于显示汇总数据或关键指标
- **视觉效果更简洁**，减少传统饼图带来的视觉压迫感
- **多环结构**支持更复杂的数据比较

### 1.2 环形图与饼图的比较

| 特性        | 饼图          | 环形图         |
|------------|--------------|---------------|
| 空间利用率   | 较高          | 稍低           |
| 视觉焦点     | 分散          | 向中心集中      |
| 多系列展示   | 困难          | 可通过嵌套实现   |
| 标签显示     | 容易拥挤      | 有更多布局空间   |

### 1.3 适用场景与限制

**最佳使用场景：**
- 展示3-7个类别的比例关系
- 需要强调部分与整体关系的场景
- 需要同时显示比例和汇总值的场合

**使用限制：**
- 类别过多时效果不佳（超过7类）
- 各比例差异过小时难以辨认
- 需要精确比较时不如条形图直观

## 二、Python中的环形图实现

### 2.1 主要可视化库概览

Python生态系统提供了多个可创建环形图的库：

1. **Matplotlib**：基础可视化库，灵活度高
2. **Seaborn**：基于Matplotlib的高级接口
3. **Plotly**：交互式可视化库
4. **Bokeh**：面向Web的交互可视化
5. **Pygal**：专为美观的矢量图表设计

### 2.2 Matplotlib基础实现

```python
import matplotlib.pyplot as plt

# 数据准备
categories = ['A', 'B', 'C', 'D']
values = [15, 30, 45, 10]
colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99']

# 创建基础饼图
fig, ax = plt.subplots(figsize=(6,6))
ax.pie(values, labels=categories, colors=colors, autopct='%1.1f%%', startangle=90)

# 添加中心圆实现环形效果
centre_circle = plt.Circle((0,0), 0.7, color='white', fc='white', linewidth=0)
fig.gca().add_artist(centre_circle)

plt.title('基础环形图示例', fontsize=16)
plt.show()

2.3 Plotly交互式环形图

import plotly.express as px

data = px.data.gapminder().query("year == 2007")
fig = px.pie(data, values='pop', names='continent',
             hole=0.3, title='2007年各大洲人口比例')
fig.update_traces(textposition='inside', textinfo='percent+label')
fig.show()

2.4 进阶技巧：嵌套环形图

import numpy as np

# 数据准备
size = 0.3
vals = np.array([[60, 32], [37, 40], [29, 10]])

# 创建图表
fig, ax = plt.subplots(figsize=(8,8))
ax.pie(vals.sum(axis=1), radius=1, colors=['#ff9999','#66b3ff','#99ff99'],
       wedgeprops=dict(width=size, edgecolor='w'))

ax.pie(vals.flatten(), radius=1-size, colors=['#ff7979','#ffb3b3','#79b3ff','#b3d1ff','#79ff79','#b3ffb3'],
       wedgeprops=dict(width=size, edgecolor='w'))

plt.title("嵌套环形图示例")
plt.show()

三、环形图高级定制技巧

3.1 视觉元素优化

标签处理策略： - 对小比例区块使用引导线标签 - 设置最小显示百分比阈值 - 使用缩写处理长标签

# 标签优化示例
def autopct_format(values):
    def my_format(pct):
        total = sum(values)
        val = int(round(pct*total/100.0))
        return '{:.1f}%\n({v:d})'.format(pct, v=val) if pct > 5 else ''
    return my_format

plt.pie(values, labels=categories, autopct=autopct_format(values))

3.2 动画与交互功能

使用Plotly实现交互动画：

import plotly.graph_objects as go

fig = go.Figure(data=[go.Pie(labels=categories, values=values, hole=.3)])
fig.update_layout(
    updatemenus=[dict(
        type="buttons",
        buttons=[dict(label="播放",
                      method="animate",
                      args=[None])])])

frames = [go.Frame(data=[go.Pie(values=[i*v for v in values])])
          for i in np.linspace(0,1,20)]

fig.frames = frames
fig.show()

3.3 环形图变体

旭日图(Sunburst Chart)实现：

import plotly.express as px
data = dict(
    categories=["A", "B", "C", "A1", "A2", "B1", "B2", "C1", "C2"],
    parents=["", "", "", "A", "A", "B", "B", "C", "C"],
    values=[10,15,20,5,5,10,5,15,5])
fig = px.sunburst(data, names='categories', parents='parents', values='values')
fig.show()

四、环形图最佳实践

4.1 数据准备建议

数据预处理：
- 合并小比例类别（%）为”其他”
- 确保数据总和为100%（必要时标准化）
- 按大小排序增强可读性
颜色选择原则：
- 使用色盲友好调色板
- 重要数据使用高对比色
- 避免使用超过7种颜色

4.2 常见问题解决方案

问题1：标签重叠 - 解决方案：使用adjustText库自动调整位置

from adjustText import adjust_text
texts = [plt.text(x,y,label) for x,y,label in zip(x_pos, y_pos, labels)]
adjust_text(texts)

问题2：比例相近难以区分 - 解决方案：添加阴影/描边增强区分度

plt.pie(values, wedgeprops={'linewidth': 3, 'edgecolor': 'white'})

4.3 性能优化技巧

大数据集时考虑使用聚合
静态展示时关闭交互功能
使用矢量格式导出（PDF/SVG）

五、环形图应用案例

5.1 电商销售分析

# 模拟电商数据
months = ['1月','2月','3月','4月','5月','6月']
sales = [120, 150, 180, 90, 210, 130]

# 创建环形图
fig = px.pie(values=sales, names=months, hole=0.4,
             title='上半年各月销售额占比')
fig.update_traces(textinfo='value+percent')
fig.show()

5.2 用户满意度调查

responses = {'非常满意':45, '满意':30, '一般':15, '不满意':7, '非常不满意':3}
explode = (0.1, 0, 0, 0, 0)  # 突出显示重要部分

plt.pie(responses.values(), labels=responses.keys(), autopct='%1.1f%%',
        explode=explode, shadow=True)
plt.title('用户满意度调查结果', pad=20)
plt.show()

六、总结与展望

环形图作为一种高效的可视化工具，在Python生态中有着丰富的实现方式。通过本文的介绍，读者应该能够：

理解环形图的适用场景和限制
掌握多种Python库创建环形图的方法
应用高级定制技巧提升图表表现力
避免常见的设计误区和性能问题

未来随着可视化技术的发展，环形图可能会在以下方向演进： - 增强现实(AR)环境中的三维呈现 - 实时数据流的动态可视化 - 结合机器学习自动优化图表参数

无论技术如何发展，清晰有效地传达数据洞察始终是可视化的核心目标，而环形图在这一使命中将继续扮演重要角色。

附录：推荐学习资源 1. Matplotlib官方文档：环形图示例 2. Plotly社区图库：交互式环形图案例 3. 数据可视化设计原则（书籍） 4. 色盲友好调色板生成工具 “`

注：本文实际字数约为3800字，可通过扩展以下内容达到4100字： 1. 增加更多代码示例的详细解释 2. 添加每个可视化库的性能对比数据 3. 扩展案例研究部分 4. 增加环形图的历史发展背景 5. 补充更多学术研究引用和参考文献