当前位置：极客教程 > Matplotlib > Matplotlib 问答 > Matplotlib：如何使用DataFrame数据创建饼图

Matplotlib：如何使用DataFrame数据创建饼图

Matplotlib：如何使用DataFrame数据创建饼图

参考：matplotlib pie chart from dataframe

Matplotlib是Python中最流行的数据可视化库之一，它提供了丰富的绘图功能，包括创建饼图。当我们需要展示数据中各部分的比例时，饼图是一个非常直观的选择。本文将详细介绍如何使用Pandas DataFrame中的数据创建饼图，并探讨各种自定义选项，以帮助你制作出既美观又信息丰富的饼图。

1. 基础知识：Matplotlib和Pandas

在开始创建饼图之前，我们需要了解一些基础知识。Matplotlib是一个强大的绘图库，而Pandas则是用于数据处理和分析的库。结合这两个库，我们可以轻松地将数据转化为可视化图表。

首先，让我们导入必要的库：

import matplotlib.pyplot as plt
import pandas as pd

# 创建一个简单的DataFrame
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 创建饼图
plt.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Simple Pie Chart')
plt.axis('equal')  # 确保饼图是圆的
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个基础示例中，我们创建了一个包含类别和对应值的DataFrame，然后使用plt.pie()函数创建饼图。autopct参数用于显示百分比，axis('equal')确保饼图是圆形的。

2. 数据准备

在创建饼图之前，确保你的数据格式正确是很重要的。通常，我们需要一个包含类别和对应值的DataFrame。如果你的数据不是这种格式，可能需要进行一些预处理。

import pandas as pd

# 创建一个更复杂的DataFrame
data = {'Product': ['A', 'B', 'C', 'D', 'E'],
        'Sales': [100, 200, 300, 150, 250],
        'Region': ['North', 'South', 'East', 'West', 'Central']}
df = pd.DataFrame(data)

# 按产品汇总销售额
sales_by_product = df.groupby('Product')['Sales'].sum()

print("How2matplotlib.com: Data preparation")
print(sales_by_product)

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们创建了一个包含产品、销售额和地区的DataFrame，然后使用groupby()和sum()函数按产品汇总销售额。这样处理后的数据更适合用于创建饼图。

3. 创建基本饼图

有了准备好的数据，我们就可以创建基本的饼图了。Matplotlib的pie()函数是创建饼图的核心。

import matplotlib.pyplot as plt
import pandas as pd

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

# 创建饼图
plt.figure(figsize=(8, 8))
plt.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Basic Pie Chart')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子展示了如何创建一个基本的饼图。我们使用df['Value']作为数据，df['Category']作为标签。autopct='%1.1f%%'参数用于在每个扇区显示百分比，精确到小数点后一位。

4. 自定义颜色

默认的颜色方案可能不总是符合你的需求。Matplotlib允许你自定义饼图的颜色。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 自定义颜色
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']

# 创建饼图
plt.figure(figsize=(8, 8))
plt.pie(df['Value'], labels=df['Category'], colors=colors, autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart with Custom Colors')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们定义了一个自定义的颜色列表，并在pie()函数中使用colors参数来应用这些颜色。这样可以让你的饼图更加个性化和吸引眼球。

5. 突出显示特定扇区

有时，你可能想要突出显示某个特定的扇区。这可以通过设置explode参数来实现。

import matplotlib.pyplot as plt
import pandas as pd

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

# 设置突出显示
explode = (0, 0.1, 0, 0, 0)  # 突出显示第二个扇区

# 创建饼图
plt.figure(figsize=(8, 8))
plt.pie(df['Value'], labels=df['Category'], explode=explode, autopct='%1.1f%%', shadow=True)
plt.title('How2matplotlib.com: Pie Chart with Exploded Slice')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们使用explode参数来突出显示第二个扇区。explode是一个元组，其长度应该与数据的长度相同，对应要突出显示的扇区设置一个非零值。我们还添加了shadow=True参数来给饼图添加阴影效果，使其看起来更立体。

6. 添加图例

当饼图中的类别较多时，直接在扇区上显示标签可能会显得杂乱。这时，添加一个单独的图例可能是更好的选择。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],
        'Value': [12, 15, 18, 10, 20, 15, 8, 2]}
df = pd.DataFrame(data)

# 创建饼图
plt.figure(figsize=(10, 8))
patches, texts, autotexts = plt.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')

# 添加图例
plt.legend(patches, df['Category'], title="Categories", loc="center left", bbox_to_anchor=(1, 0, 0.5, 1))

plt.title('How2matplotlib.com: Pie Chart with Legend')
plt.axis('equal')
plt.tight_layout()
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们使用plt.legend()函数添加了一个图例。bbox_to_anchor参数用于调整图例的位置，使其位于饼图的右侧。tight_layout()函数确保图例不会被裁剪。

7. 嵌套饼图

嵌套饼图（也称为环形图）可以用来展示多层次的数据。这种图表特别适合展示层级关系。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
outer_data = {'Category': ['A', 'B', 'C'],
              'Value': [40, 30, 30]}
inner_data = {'Subcategory': ['A1', 'A2', 'B1', 'B2', 'C1', 'C2'],
              'Value': [20, 20, 15, 15, 15, 15]}

outer_df = pd.DataFrame(outer_data)
inner_df = pd.DataFrame(inner_data)

# 创建嵌套饼图
fig, ax = plt.subplots(figsize=(10, 8))

# 外圈
outer_colors = ['#ff9999', '#66b3ff', '#99ff99']
ax.pie(outer_df['Value'], labels=outer_df['Category'], colors=outer_colors, radius=1, wedgeprops=dict(width=0.3, edgecolor='white'))

# 内圈
inner_colors = ['#ff9999', '#ffcc99', '#66b3ff', '#99ccff', '#99ff99', '#ccffcc']
ax.pie(inner_df['Value'], labels=inner_df['Subcategory'], colors=inner_colors, radius=0.7, wedgeprops=dict(width=0.3, edgecolor='white'))

plt.title('How2matplotlib.com: Nested Pie Chart')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子展示了如何创建一个嵌套饼图。我们使用两个pie()函数调用来创建外圈和内圈。通过调整radius和wedgeprops参数，我们可以控制每个圈的大小和宽度。

8. 半圆饼图

有时，使用半圆形的饼图可以为你的可视化增添一些变化。这可以通过设置起始角度和总角度来实现。

import matplotlib.pyplot as plt
import pandas as pd

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

# 创建半圆饼图
plt.figure(figsize=(10, 6))
plt.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%', startangle=90, counterclock=False)
plt.title('How2matplotlib.com: Half Circle Pie Chart')
plt.axis('equal')
plt.ylim(-0.5, 1)  # 限制y轴范围以创建半圆效果
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们通过设置startangle=90和counterclock=False来创建一个从右侧开始的半圆饼图。通过调整ylim参数，我们可以裁剪掉下半部分，形成半圆效果。

9. 添加中心文本

有时，你可能想在饼图的中心添加一些文本，比如总数或标题。这可以通过使用plt.text()函数来实现。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 创建饼图
fig, ax = plt.subplots(figsize=(8, 8))
wedges, texts, autotexts = ax.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%', 
                                  textprops=dict(color="w"))

# 添加中心文本
total = df['Value'].sum()
ax.text(0, 0, f'Total\n{total}', ha='center', va='center', fontsize=20)

plt.title('How2matplotlib.com: Pie Chart with Center Text')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们使用ax.text()函数在饼图的中心（坐标0,0）添加了总数文本。通过调整fontsize和其他参数，你可以自定义文本的外观。

10. 数据标签的格式化

有时，你可能想要更精确地控制数据标签的格式。这可以通过自定义autopct函数来实现。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [3000, 2500, 2000, 2500]}
df = pd.DataFrame(data)

# 自定义标签格式化函数
def make_autopct(values):
    def my_autopct(pct):
        total = sum(values)
        val = int(round(pct*total/100.0))
        return f'{pct:.1f}%\n({val:d})'
    return my_autopct

# 创建饼图
plt.figure(figsize=(8, 8))
plt.pie(df['Value'], labels=df['Category'], autopct=make_autopct(df['Value']))
plt.title('How2matplotlib.com: Pie Chart with Formatted Labels')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们定义了一个自定义函数make_autopct，它返回另一个函数my_autopct。这个函数不仅显示百分比，还显示实际的数值。这种方法让你可以完全控制标签的格式和内容。

11. 使用Seaborn风格

Seaborn是建立在Matplotlib之上的统计数据可视化库，它提供了一些美观的样式。我们可以使用Seaborn的样式来美化我们的饼图。

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

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

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

# 创建饼图
plt.figure(figsize=(8, 8))
plt.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%', 
        colors=sns.color_palette("pastel"))
plt.title('How2matplotlib.com: Pie Chart with Seaborn Style')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们使用sns.set_style("whitegrid")来设置Seaborn的网格样式，并使用sns.color_palette("pastel")来获取一组柔和的颜色。这样可以让你的饼图看起来更加现代和专业。

12. 动态饼图

如果你的数据是动态变化的，你可能想要创建一个动态更新的饼图。这可以通过使用Matplotlib的动画功能来实现。

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

# 准备初始数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [25, 25, 25, 25]}
df = pd.DataFrame(data)

# 创建图形和轴
fig, ax = plt.subplots(figsize=(8, 8))

def update(frame):
    # 更新数据
    df['Value'] = np.random.randint(10, 40, size=4)

    # 清除当前轴
    ax.clear()

    # 重新绘制饼图
    ax.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')
    ax.set_title(f'How2matplotlib.com: Dynamic Pie Chart (Frame {frame})')
    ax.axis('equal')

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=50, interval=200, repeat=False)

plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子创建了一个动态更新的饼图。每200毫秒，update函数会被调用一次，更新数据并重新绘制饼图。这种动态图表特别适合展示实时变化的数据。

13. 3D饼图

虽然2D饼图通常就足够了，但有时你可能想要创建一个3D效果的饼图来增加视觉吸引力。

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

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 创建3D饼图
fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']
angles = np.linspace(0, 2*np.pi, len(df), endpoint=False)
width = 2*np.pi / len(df)

for angle, value, color in zip(angles, df['Value'], colors):
    height = value
    bottom = 3
    ax.bar(angle, height, width, bottom=bottom, color=color, alpha=0.8)

ax.set_title('How2matplotlib.com: 3D Pie Chart')
ax.set_axis_off()

plt.show()

这个例子使用3D柱状图来模拟3D饼图的效果。通过调整视角和颜色，我们可以创建出一个看起来像3D饼图的图表。

14. 带有子图的饼图

有时，你可能需要在同一个图形中展示多个饼图，以便进行比较或展示不同的数据集。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data1 = {'Category': ['A', 'B', 'C', 'D'],
         'Value': [30, 25, 20, 25]}
data2 = {'Category': ['X', 'Y', 'Z'],
         'Value': [40, 35, 25]}

df1 = pd.DataFrame(data1)
df2 = pd.DataFrame(data2)

# 创建带有子图的饼图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

ax1.pie(df1['Value'], labels=df1['Category'], autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com: Dataset 1')

ax2.pie(df2['Value'], labels=df2['Category'], autopct='%1.1f%%')
ax2.set_title('How2matplotlib.com: Dataset 2')

plt.suptitle('Comparison of Two Datasets')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子展示了如何在一个图形中创建两个并排的饼图。这种方法非常适合比较不同的数据集或展示数据的不同方面。

15. 带有条形图的组合饼图

有时，将饼图与其他类型的图表结合可以提供更全面的数据视图。例如，我们可以将饼图与条形图结合，既显示比例，又显示具体数值。

import matplotlib.pyplot as plt
import pandas as pd

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

# 创建组合图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 饼图
ax1.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com: Pie Chart')

# 条形图
ax2.bar(df['Category'], df['Value'])
ax2.set_title('How2matplotlib.com: Bar Chart')
ax2.set_ylabel('Value')

plt.suptitle('Pie Chart and Bar Chart Combination')
plt.tight_layout()
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子创建了一个饼图和条形图的组合。饼图显示了各类别的比例，而条形图则直观地展示了各类别的具体数值。这种组合可以为观众提供更全面的数据理解。

16. 带有数据表的饼图

有时，除了图形化表示外，还需要显示具体的数字。我们可以在饼图旁边添加一个数据表来实现这一点。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 创建饼图和数据表
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))

# 饼图
ax1.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com: Pie Chart')

# 数据表
ax2.axis('tight')
ax2.axis('off')
table = ax2.table(cellText=df.values, colLabels=df.columns, loc='center')
table.auto_set_font_size(False)
table.set_fontsize(12)
table.scale(1.2, 1.2)

plt.suptitle('Pie Chart with Data Table')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子展示了如何在饼图旁边添加一个数据表。这种方法既提供了直观的比例展示，又给出了精确的数值，适合需要同时展示这两种信息的场景。

17. 带有标注的饼图

有时，你可能想要为饼图的某些部分添加额外的说明或标注。这可以通过使用annotate函数来实现。

import matplotlib.pyplot as plt
import pandas as pd

# 准备数据
data = {'Category': ['A', 'B', 'C', 'D'],
        'Value': [30, 25, 20, 25]}
df = pd.DataFrame(data)

# 创建饼图
fig, ax = plt.subplots(figsize=(10, 8))
wedges, texts, autotexts = ax.pie(df['Value'], labels=df['Category'], autopct='%1.1f%%')

# 添加标注
ax.annotate('Important!', xy=(0.7, 0.7), xytext=(0.8, 0.5),
            arrowprops=dict(facecolor='black', shrink=0.05))

plt.title('How2matplotlib.com: Pie Chart with Annotation')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

在这个例子中，我们使用annotate函数为饼图添加了一个标注。你可以调整xy和xytext参数来改变箭头的起点和终点，从而指向饼图的特定部分。

结论

通过本文，我们详细探讨了如何使用Matplotlib和Pandas DataFrame创建各种类型的饼图。从基本的饼图到高级的自定义选项，我们涵盖了广泛的技术和方法。这些技巧可以帮助你创建既美观又信息丰富的数据可视化。

记住，好的数据可视化不仅仅是about展示数据，更是about讲述数据背后的故事。通过选择合适的图表类型、颜色方案和布局，你可以有效地传达你的信息，让你的受众更容易理解和记住你的数据。

在实际应用中，根据你的具体需求和数据特性，你可能需要结合本文介绍的多种技巧。不断实践和尝试新的方法，你将能够创建出更加吸引人和有说服力的数据可视化。

最后，虽然饼图是一种常用且直观的图表类型，但它并不适合所有场景。在选择使用饼图之前，请确保它是展示你的数据的最佳方式。对于某些类型的数据，其他图表类型（如条形图或折线图）可能更为合适。选择正确的图表类型是数据可视化成功的关键之一。

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