当前位置：极客教程 > Matplotlib > Matplotlib 问答 > 使用Pandas和Matplotlib创建棒棒糖图表的完整指南

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

参考：Create lollipop charts with Pandas and Matplotlib

棒棒糖图（Lollipop Chart）是一种独特而有趣的数据可视化方式，它结合了条形图和散点图的特点，能够有效地展示数据点的分布和比较。本文将详细介绍如何使用Python的Pandas和Matplotlib库来创建各种类型的棒棒糖图表，从基础概念到高级技巧，全面覆盖这一主题。

1. 棒棒糖图表简介

棒棒糖图得名于其形状resembling棒棒糖，由一条垂直或水平的线（”棒”）和一个圆点（”糖”）组成。这种图表类型特别适合展示离散数据点的分布，以及不同类别之间的比较。

1.1 棒棒糖图的优势

  1. 视觉吸引力：独特的设计使得数据更加引人注目。
  2. 数据清晰度：相比传统条形图，棒棒糖图减少了视觉噪音，使数据点更加突出。
  3. 空间效率：适合展示大量类别的数据，尤其是在水平方向上。
  4. 灵活性：可以轻松地添加额外的数据维度，如颜色编码或大小变化。

让我们从一个简单的例子开始，创建一个基本的棒棒糖图：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Category': ['A', 'B', 'C', 'D', 'E'],
        'Value': [10, 25, 15, 30, 20]}
df = pd.DataFrame(data)

# 创建棒棒糖图
plt.figure(figsize=(10, 6))
plt.stem(df['Category'], df['Value'], linefmt='grey', markerfmt='D', bottom=0)
plt.title('Basic Lollipop Chart - how2matplotlib.com')
plt.xlabel('Category')
plt.ylabel('Value')
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

在这个例子中，我们使用Pandas创建了一个简单的数据框，然后使用Matplotlib的stem()函数来绘制棒棒糖图。stem()函数非常适合创建这种类型的图表，因为它自动生成了”棒”和”糖”的组合。

2. 数据准备与处理

在创建棒棒糖图之前，我们需要确保数据被正确地组织和处理。Pandas提供了强大的数据操作工具，可以帮助我们轻松地准备数据。

2.1 数据导入与清洗

首先，让我们看看如何导入和清洗数据：

import pandas as pd
import matplotlib.pyplot as plt

# 假设我们有一个CSV文件 'sales_data.csv'
df = pd.read_csv('sales_data.csv')

# 数据清洗
df = df.dropna()  # 删除缺失值
df['Sales'] = df['Sales'].astype(float)  # 确保Sales列为浮点数

# 按销售额排序
df_sorted = df.sort_values('Sales', ascending=False)

# 选择前10个产品
top_10 = df_sorted.head(10)

# 创建棒棒糖图
plt.figure(figsize=(12, 8))
plt.stem(top_10['Product'], top_10['Sales'], linefmt='grey', markerfmt='D', bottom=0)
plt.title('Top 10 Products by Sales - how2matplotlib.com')
plt.xlabel('Product')
plt.ylabel('Sales')
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

在这个例子中，我们导入了一个假设的销售数据CSV文件，进行了简单的数据清洗，然后选择了销售额最高的10个产品来创建棒棒糖图。

2.2 数据聚合

有时，我们需要对数据进行聚合后再绘图。以下是一个例子：

import pandas as pd
import matplotlib.pyplot as plt

# 假设我们有一个包含多个类别和子类别的数据框
data = {'Category': ['A', 'A', 'B', 'B', 'C', 'C'],
        'Subcategory': ['X', 'Y', 'X', 'Y', 'X', 'Y'],
        'Value': [10, 15, 20, 25, 30, 35]}
df = pd.DataFrame(data)

# 按类别聚合数据
df_agg = df.groupby('Category')['Value'].sum().reset_index()

# 创建棒棒糖图
plt.figure(figsize=(10, 6))
plt.stem(df_agg['Category'], df_agg['Value'], linefmt='grey', markerfmt='D', bottom=0)
plt.title('Aggregated Lollipop Chart - how2matplotlib.com')
plt.xlabel('Category')
plt.ylabel('Total Value')
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子展示了如何使用Pandas的groupby()函数对数据进行聚合，然后创建一个基于聚合结果的棒棒糖图。

3. 基本棒棒糖图的创建

现在我们已经了解了数据准备的基础，让我们深入探讨如何创建各种类型的基本棒棒糖图。

3.1 垂直棒棒糖图

垂直棒棒糖图是最常见的形式，适合展示类别数据：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Fruit': ['Apple', 'Banana', 'Orange', 'Mango', 'Pineapple'],
        'Sales': [100, 80, 150, 120, 90]}
df = pd.DataFrame(data)

# 创建垂直棒棒糖图
plt.figure(figsize=(10, 6))
plt.stem(df['Fruit'], df['Sales'], linefmt='grey', markerfmt='D', bottom=0)
plt.title('Fruit Sales - Vertical Lollipop Chart - how2matplotlib.com')
plt.xlabel('Fruit')
plt.ylabel('Sales')
plt.ylim(0, max(df['Sales']) * 1.1)  # 设置y轴限制，留出一些空间
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子创建了一个简单的垂直棒棒糖图，展示了不同水果的销售量。

3.2 水平棒棒糖图

水平棒棒糖图在处理长类别名称或大量类别时特别有用：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Country': ['United States', 'China', 'Japan', 'Germany', 'United Kingdom'],
        'GDP': [21433.23, 14342.90, 5081.77, 3846.41, 2829.11]}
df = pd.DataFrame(data)

# 创建水平棒棒糖图
plt.figure(figsize=(12, 6))
plt.hlines(y=df.index, xmin=0, xmax=df['GDP'], color='grey')
plt.plot(df['GDP'], df.index, "D")
plt.yticks(df.index, df['Country'])
plt.title('GDP by Country - Horizontal Lollipop Chart - how2matplotlib.com')
plt.xlabel('GDP (Billion USD)')
plt.ylabel('Country')
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个水平棒棒糖图展示了不同国家的GDP数据，使用hlines()函数创建水平线，并用plot()函数添加端点标记。

3.3 双向棒棒糖图

双向棒棒糖图可以用来比较两组相关的数据：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Product': ['A', 'B', 'C', 'D', 'E'],
        'Sales_2020': [100, 120, 90, 150, 80],
        'Sales_2021': [110, 130, 85, 160, 95]}
df = pd.DataFrame(data)

# 创建双向棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.hlines(y=df.index, xmin=df['Sales_2020'], xmax=df['Sales_2021'], color='grey')
ax.plot(df['Sales_2020'], df.index, "D", color='blue', label='2020')
ax.plot(df['Sales_2021'], df.index, "D", color='red', label='2021')

ax.set_yticks(df.index)
ax.set_yticklabels(df['Product'])
ax.set_title('Sales Comparison 2020 vs 2021 - how2matplotlib.com')
ax.set_xlabel('Sales')
ax.set_ylabel('Product')
ax.legend()

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个双向棒棒糖图比较了2020年和2021年的销售数据，使用不同颜色的端点来区分两个年份。

4. 高级棒棒糖图技巧

在掌握了基本的棒棒糖图创建方法后，我们可以探索一些更高级的技巧来增强图表的表现力和信息量。

4.1 添加数据标签

为棒棒糖图添加数据标签可以直观地显示具体数值：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'City': ['New York', 'Los Angeles', 'Chicago', 'Houston', 'Phoenix'],
        'Population': [8336817, 3898747, 2746388, 2304580, 1608139]}
df = pd.DataFrame(data)

# 创建带数据标签的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.stem(df['City'], df['Population'], linefmt='grey', markerfmt='D', bottom=0)

# 添加数据标签
for i, v in enumerate(df['Population']):
    ax.text(i, v, f'{v:,}', ha='center', va='bottom')

plt.title('Population of US Cities - Lollipop Chart with Labels - how2matplotlib.com')
plt.xlabel('City')
plt.ylabel('Population')
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子在每个数据点上方添加了人口数量标签，使用了千位分隔符来增加可读性。

4.2 颜色编码

使用颜色编码可以为棒棒糖图添加额外的数据维度：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
np.random.seed(42)
data = {'Category': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J'],
        'Value': np.random.randint(50, 100, 10),
        'Group': np.random.choice(['Group1', 'Group2', 'Group3'], 10)}
df = pd.DataFrame(data)

# 创建颜色映射
color_map = {'Group1': 'red', 'Group2': 'blue', 'Group3': 'green'}

# 创建带颜色编码的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
for group in df['Group'].unique():
    group_data = df[df['Group'] == group]
    ax.stem(group_data['Category'], group_data['Value'], linefmt=color_map[group], 
            markerfmt=f'{color_map[group]}o', label=group, bottom=0)

plt.title('Color-coded Lollipop Chart - how2matplotlib.com')
plt.xlabel('Category')
plt.ylabel('Value')
plt.legend()
plt.show()

这个例子使用不同的颜色来表示不同的组别，增加了图表的信息量。

4.3 大小变化

我们可以通过改变”糖”的大小来表示另一个数据维度：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
np.random.seed(42)
data = {'Product': ['A', 'B', 'C', 'D', 'E'],
        'Sales': np.random.randint(100, 1000, 5),
        'Profit': np.random.randint(10, 100, 5)}
df = pd.DataFrame(data)

# 创建带大小变化的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.stem(df['Product'], df['Sales'], linefmt='grey', markerfmt='none', bottom=0)

# 使用散点图添加可变大小的"糖"
scatter = ax.scatter(df['Product'], df['Sales'], s=df['Profit']*5, c=df['Profit'], 
                     cmap='viridis', edgecolor='black')

plt.title('Sales and Profit - Lollipop Chart with Variable Size - how2matplotlib.com')
plt.xlabel('Product')
plt.ylabel('Sales')

# 添加颜色条
plt.colorbar(scatter, label='Profit')

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

在这个例子中，我们使用散点图的大小来表示利润，颜色深浅也表示利润的多少，从而在一张图中展示了销售额和利润两个维度的数据。

4.4 分组棒棒糖图

分组棒棒糖图可以用来比较多个类别across不同组别：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
categories = ['A', 'B', 'C', 'D']
groups = ['Group1', 'Group2', 'Group3']
data = pd.DataFrame({
    'Category': np.repeat(categories, len(groups)),
    'Group': np.tile(groups, len(categories)),
    'Value': np.random.randint(50, 100, len(categories) * len(groups))
})

# 创建分组棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))

# 计算x轴位置
x = np.arange(len(categories))
width = 0.25

for i, group in enumerate(groups):
    group_data = data[data['Group'] == group]
    ax.stem(x + i*width, group_data['Value'], linefmt=f'C{i}', markerfmt=f'C{i}o', 
            bottom=0, label=group)

ax.set_xticks(x + width)
ax.set_xticklabels(categories)
ax.set_title('Grouped Lollipop Chart - how2matplotlib.com')
ax.set_xlabel('Category')
ax.set_ylabel('Value')
ax.legend()

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个分组棒棒糖图展示了不同类别在不同组别中的表现，使用了不同的颜色和位置偏移来区分组别。

5. 自定义样式和美化

为了使棒棒糖图更加吸引眼球和专业，我们可以对其进行各种样式自定义和美化。

5.1 自定义颜色和样式

我们可以使用自定义的颜色方案和样式来增强图表的视觉吸引力：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置Seaborn样式
sns.set_style("whitegrid")

# 创建示例数据
data = {'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 
                  'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'],
        'Sales': [100, 120, 140, 160, 180, 200, 
                  220, 240, 220, 200, 180, 160]}
df = pd.DataFrame(data)

# 创建自定义颜色的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.stem(df['Month'], df['Sales'], linefmt='#8B4513', markerfmt='o', bottom=0)
ax.plot(df['Month'], df['Sales'], 'o', color='#FF6347', markersize=10)

# 自定义样式
ax.set_title('Monthly Sales - Customized Lollipop Chart - how2matplotlib.com', fontsize=16)
ax.set_xlabel('Month', fontsize=12)
ax.set_ylabel('Sales', fontsize=12)
ax.tick_params(axis='both', which='major', labelsize=10)

# 添加背景色
ax.set_facecolor('#F0F8FF')

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子使用了自定义的颜色和Seaborn样式来创建一个更加美观的棒棒糖图。

5.2 添加注释和强调

我们可以通过添加注释和强调某些数据点来引导读者关注重要信息：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {'Quarter': ['Q1', 'Q2', 'Q3', 'Q4'],
        'Revenue': [1000, 1200, 1500, 1800]}
df = pd.DataFrame(data)

# 创建带注释的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.stem(df['Quarter'], df['Revenue'], linefmt='grey', markerfmt='D', bottom=0)

# 强调最高值
max_revenue = df['Revenue'].max()
max_quarter = df.loc[df['Revenue'] == max_revenue, 'Quarter'].iloc[0]
ax.plot(max_quarter, max_revenue, 'ro', markersize=15)

# 添加注释
ax.annotate(f'Highest: {max_revenue}',            xy=(max_quarter, max_revenue),            xytext=(10, 10),
            textcoords='offset points',
            ha='left',
            va='bottom',
            bbox=dict(boxstyle='round,pad=0.5', fc='yellow', alpha=0.5),
            arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0'))

ax.set_title('Quarterly Revenue - Annotated Lollipop Chart - how2matplotlib.com', fontsize=16)
ax.set_xlabel('Quarter', fontsize=12)
ax.set_ylabel('Revenue ()', fontsize=12)

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子强调了最高收入的季度，并添加了一个注释来解释这个数据点的重要性。

5.3 使用主题和调色板

使用预定义的主题和调色板可以快速美化图表：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 设置Seaborn主题和调色板
sns.set_theme(style="darkgrid")
sns.set_palette("husl")

# 创建示例数据
data = {'Category': ['A', 'B', 'C', 'D', 'E'],
        'Value1': [10, 25, 15, 30, 20],
        'Value2': [15, 30, 10, 35, 25]}
df = pd.DataFrame(data)

# 创建使用主题的棒棒糖图
fig, ax = plt.subplots(figsize=(12, 6))
ax.stem(df['Category'], df['Value1'], linefmt='C0-', markerfmt='C0o', bottom=0, label='Value1')
ax.stem(df['Category'], df['Value2'], linefmt='C1--', markerfmt='C1D', bottom=0, label='Value2')

ax.set_title('Themed Lollipop Chart - how2matplotlib.com', fontsize=16)
ax.set_xlabel('Category', fontsize=12)
ax.set_ylabel('Value', fontsize=12)
ax.legend()

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子使用了Seaborn的主题和调色板来创建一个视觉上更加协调的棒棒糖图。

6. 交互式棒棒糖图

虽然Matplotlib主要用于创建静态图表，但我们也可以结合其他库来创建交互式的棒棒糖图。

6.1 使用Plotly创建交互式棒棒糖图

Plotly是一个强大的交互式图表库，可以用来创建动态的棒棒糖图：

import pandas as pd
import plotly.graph_objects as go

# 创建示例数据
data = {'Country': ['USA', 'China', 'Japan', 'Germany', 'UK'],
        'GDP': [21433.23, 14342.90, 5081.77, 3846.41, 2829.11]}
df = pd.DataFrame(data)

# 创建交互式棒棒糖图
fig = go.Figure()

fig.add_trace(go.Scatter(
    x=df['Country'],
    y=df['GDP'],
    mode='markers',
    marker=dict(size=12, color='red'),
    name='GDP'
))

fig.add_trace(go.Scatter(
    x=df['Country'],
    y=df['GDP'],
    mode='lines',
    line=dict(color='grey'),
    showlegend=False
))

fig.update_layout(
    title='Interactive GDP Lollipop Chart - how2matplotlib.com',
    xaxis_title='Country',
    yaxis_title='GDP (Billion USD)',
    hovermode='closest'
)

fig.show()

这个例子使用Plotly创建了一个交互式的棒棒糖图，用户可以悬停在数据点上查看详细信息，也可以缩放和平移图表。

7. 棒棒糖图的最佳实践

在创建棒棒糖图时，有一些最佳实践可以帮助我们制作出更加有效和专业的图表：

  1. 数据排序：通常按照数值大小对数据进行排序可以使图表更易读。
  2. 适当的间距：确保”棒”之间有足够的间距，避免视觉混乱。
  3. 颜色使用：谨慎使用颜色，避免过于花哨，除非是为了强调特定信息。
  4. 标签清晰：确保所有标签和标题都清晰可读。
  5. 数据完整性：如果使用截断的轴，请明确标注以避免误导。
  6. 响应式设计：考虑图表在不同设备上的显示效果。

让我们用一个例子来展示这些最佳实践：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 创建示例数据
data = {'Country': ['USA', 'China', 'Japan', 'Germany', 'UK', 'India', 'France', 'Italy', 'Brazil', 'Canada'],
        'GDP': [21433.23, 14342.90, 5081.77, 3846.41, 2829.11, 2723.00, 2715.52, 1988.64, 1830.36, 1736.43]}
df = pd.DataFrame(data)

# 按GDP降序排序
df = df.sort_values('GDP', ascending=False)

# 设置样式
sns.set_style("whitegrid")
plt.figure(figsize=(12, 8))

# 创建棒棒糖图
plt.stem(df['Country'], df['GDP'], linefmt='grey', markerfmt='D', bottom=0)

# 自定义样式
plt.title('Top 10 Countries by GDP - Lollipop Chart - how2matplotlib.com', fontsize=16)
plt.xlabel('Country', fontsize=12)
plt.ylabel('GDP (Billion USD)', fontsize=12)
plt.xticks(rotation=45, ha='right')

# 添加数据标签
for i, v in enumerate(df['GDP']):
    plt.text(i, v, f'{v:,.0f}', ha='center', va='bottom', fontsize=9)

# 设置y轴范围，留出一些空间
plt.ylim(0, max(df['GDP']) * 1.1)

# 添加注释
plt.annotate('Data source: World Bank 2021', xy=(1, 0), xycoords='axes fraction', 
             fontsize=8, ha='right', va='bottom', xytext=(-5, 5), textcoords='offset points')

plt.tight_layout()
plt.show()

Output:

使用Pandas和Matplotlib创建棒棒糖图表的完整指南

这个例子综合了我们讨论过的多个最佳实践，包括数据排序、清晰的标签、适当的间距和注释等。

8. 结论

棒棒糖图是一种既美观又实用的数据可视化方式，特别适合展示离散数据点的分布和比较。通过使用Pandas进行数据处理和Matplotlib进行绘图，我们可以创建出各种类型的棒棒糖图，从简单的垂直图到复杂的分组和多维度图表。

本文详细介绍了创建棒棒糖图的各个方面，包括基础知识、高级技巧、样式自定义和最佳实践。通过掌握这些技能，你可以制作出既能有效传达信息又具有视觉吸引力的棒棒糖图表。

记住，好的数据可视化不仅仅是about美观，更重要的是能够清晰、准确地传达数据背后的故事。在创建棒棒糖图时，始终要考虑你的目标受众和你想要传达的核心信息。通过不断实践和改进，你将能够熟练运用棒棒糖图这一强大的可视化工具，为你的数据分析增添新的维度。

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Matplotlib 精品教程