matplotlib实战之饼图绘制详解
作者:databook
饼图,或称饼状图,是一个划分为几个扇形的圆形统计图表,这篇文章主要为大家详细介绍了如何使用Matplotlib绘制饼图,需要的小伙伴可以参考下
饼图,或称饼状图,是一个划分为几个扇形的圆形统计图表。
在饼图中,每个扇形的弧长(以及圆心角和面积)大小,表示该种类占总体的比例,且这些扇形合在一起刚好是一个完全的圆形。
饼图最显著的功能在于表现“占比”。
习惯上,人们通过比较饼图扇形的大小来获得对数据的认知。
使用饼图时,须确认各个扇形的数据加起来等于100%;
且避免扇区超过5个,扇形的排布顺序,一般情况下,将最大的扇形放在12点钟方向。
1. 主要元素
饼图的主要元素包括:
- 饼片(扇形):饼图由多个饼片组成,每个饼片的大小代表了对应部分在总体中的比例关系。
- 标签:饼图中的每个饼片通常都会有一个标签,用于表示对应部分的具体名称或者数值。
- 图例:图例是饼图的一部分,用于解释每个饼片所代表的含义,帮助观察者理解图表。
- 百分比:饼图通常会显示每个饼片所占的百分比,以便更直观地展示比例关系。
2. 适用的场景
饼图适用的场景包括:
- 比例展示:展示一个总体中各个部分的比例关系,例如市场份额、人口比例等。
- 分类数据:展示分类数据的比例关系,例如某个产品的销售额占比、不同地区的人口分布等。
- 简单数据分析:简单的数据分析,帮助观察者快速了解数据的分布情况和相对大小。
- 强调重点:突出某个部分的重要性,引起观察者的注意,例如某个产品的关键特点或者某个地区的重要经济指标。
3. 不适用的场景
饼图不适用的场景包括:
- 多个分类变量:当数据包含多个分类变量时,饼图可能会变得复杂和难以理解,不适合展示复杂的关系。
- 数据过于细分:当数据被分成过多的小块时,饼图可能会变得拥挤和难以辨认,不适合展示细分数据。
- 数据差异较小:当各个部分的差异较小,比例接近时,饼图可能无法清晰地展示差异,不适合展示相似的数据。
- 需要精确数值比较:饼图通常只能展示相对比例关系,无法提供精确的数值比较,不适合需要准确数值的场景。
4. 分析实战
本次用饼图统计展示 不同人口规模的城市数量 的统计情况。
4.1. 数据来源
数据来自国家统计局公开的城市概况数据,可从下面的网址下载:databook.top/nation/A0B
使用其中的 A0B01.csv
文件(分机构类型法人单位数)
fp = "d:/share/A0B01.csv" df = pd.read_csv(fp) df
4.2. 数据清理
最新的2022年数据缺失较多,所以选取2021年的数据进行分析。
data = df[df["sj"] == 2021] data
第一条数据全部城市情况,统计需要去除,另外,指标的名称太长,统计前也可以调整下。
接着上面过滤后的数据继续数据清洗:
data = data.reset_index() # 重置索引 data = data.iloc[1:] # 忽略第一条合计的数据 #调整指标名称,删除多余的文字 data["zbCN"] = data["zbCN"].str.replace("城市市辖区年末总", "") data["zbCN"] = data["zbCN"].str.replace("地级及以上", "") data
最后得到的数据有6条,饼图一般来说数据不要超过5个,6个也还行,再多就影响显示效果了。
4.3. 分析结果可视化
with plt.style.context("seaborn-v0_8"): fig = plt.figure() ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) ax.pie(data["value"], autopct="%1.1f%%") ax.legend( data["zbCN"].tolist(), loc="center", bbox_to_anchor=(1, 0, 0.5, 1), )
从分析结果可看出,50万~200万人口的城市超过一半,是大多数的城市规模。
两端的情况(人口20万以下,或者400万以上)的城市占比最小。
到此这篇关于matplotlib实战之饼图绘制详解的文章就介绍到这了,更多相关matplotlib饼图内容请搜索脚本之家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脚本之家!