当前位置：极客教程 > Matplotlib > Matplotlib 问答 > 如何使用Matplotlib在Python中绘制饼图：全面指南

如何使用Matplotlib在Python中绘制饼图：全面指南

如何使用Matplotlib在Python中绘制饼图：全面指南

参考：Plot a Pie Chart in Python using Matplotlib

饼图是一种常用的数据可视化工具，用于展示数据的比例关系。在Python中，Matplotlib库提供了强大而灵活的饼图绘制功能。本文将全面介绍如何使用Matplotlib绘制各种类型的饼图，从基础到高级技巧，帮助您掌握饼图绘制的精髓。

1. Matplotlib简介

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，包括饼图、折线图、柱状图等。在开始绘制饼图之前，我们需要先导入Matplotlib库：

import matplotlib.pyplot as plt

2. 基础饼图绘制

2.1 简单饼图

让我们从最基础的饼图开始：

import matplotlib.pyplot as plt

# 数据
sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('How2matplotlib.com Basic Pie Chart')
plt.axis('equal')  # 确保饼图是圆的
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何创建一个基本的饼图。sizes列表包含各部分的大小，labels列表包含对应的标签。autopct参数用于在每个扇区显示百分比。

2.2 自定义颜色

我们可以通过colors参数自定义饼图的颜色：

import matplotlib.pyplot as plt

sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue', 'lightgreen']

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%')
plt.title('How2matplotlib.com Colored Pie Chart')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何为饼图的每个扇区指定不同的颜色。

3. 高级饼图技巧

3.1 突出显示特定扇区

有时我们需要突出显示某个特定的扇区：

import matplotlib.pyplot as plt

sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
explode = (0, 0.1, 0, 0, 0)  # 突出显示第二个扇区

plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True)
plt.title('How2matplotlib.com Exploded Pie Chart')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

explode参数用于指定每个扇区的偏移量，这里我们将第二个扇区（’B’）突出显示。

3.2 添加图例

对于复杂的饼图，添加图例可以提高可读性：

import matplotlib.pyplot as plt

sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue', 'lightgreen']

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%')
plt.title('How2matplotlib.com Pie Chart with Legend')
plt.legend(labels, title="Categories", loc="center left", bbox_to_anchor=(1, 0, 0.5, 1))
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何在饼图旁边添加一个图例。bbox_to_anchor参数用于调整图例的位置。

3.3 嵌套饼图

嵌套饼图可以展示更复杂的层次关系：

import matplotlib.pyplot as plt

# 外圈数据
sizes_outer = [40, 30, 30]
labels_outer = ['A', 'B', 'C']

# 内圈数据
sizes_inner = [30, 30, 40]
labels_inner = ['X', 'Y', 'Z']

# 创建一个图形和轴对象
fig, ax = plt.subplots()

# 绘制外圈
ax.pie(sizes_outer, labels=labels_outer, radius=1, autopct='%1.1f%%', pctdistance=0.85)

# 绘制内圈
ax.pie(sizes_inner, labels=labels_inner, radius=0.7, autopct='%1.1f%%', pctdistance=0.7)

ax.set_title('How2matplotlib.com Nested Pie Chart')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何创建一个嵌套饼图，内圈和外圈分别表示不同的数据集。

4. 数据处理和饼图

4.1 从字典创建饼图

通常，我们的数据可能以字典的形式存在：

import matplotlib.pyplot as plt

data = {'A': 30, 'B': 20, 'C': 25, 'D': 15, 'E': 10}

labels = data.keys()
sizes = data.values()

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('How2matplotlib.com Pie Chart from Dictionary')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何从字典数据创建饼图。

4.2 处理百分比数据

有时我们的数据可能已经是百分比形式：

import matplotlib.pyplot as plt

percentages = [35, 30, 20, 15]
labels = ['Product A', 'Product B', 'Product C', 'Product D']

plt.pie(percentages, labels=labels, autopct='%1.1f%%')
plt.title('How2matplotlib.com Market Share')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何直接使用百分比数据创建饼图。

5. 饼图样式定制

5.1 自定义字体和颜色

我们可以进一步自定义饼图的外观：

import matplotlib.pyplot as plt

sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#ff99cc']

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', 
        textprops={'fontsize': 14, 'fontweight': 'bold'})
plt.title('How2matplotlib.com Customized Pie Chart', fontsize=16)
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何自定义饼图的颜色和字体样式。

5.2 添加阴影和边框

为饼图添加阴影和边框可以增加视觉效果：

import matplotlib.pyplot as plt

sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']

plt.pie(sizes, labels=labels, autopct='%1.1f%%', 
        shadow=True, startangle=90, 
        wedgeprops={'edgecolor': 'black'})
plt.title('How2matplotlib.com Pie Chart with Shadow and Edge')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何为饼图添加阴影效果和边框。

6. 动态饼图

6.1 使用滑动条调整饼图

我们可以创建一个交互式的饼图，允许用户通过滑动条调整数值：

import matplotlib.pyplot as plt
from matplotlib.widgets import Slider

fig, ax = plt.subplots()
plt.subplots_adjust(bottom=0.25)

initial = [30, 30, 40]
labels = ['A', 'B', 'C']

pie = ax.pie(initial, labels=labels, autopct='%1.1f%%')
ax.set_title('How2matplotlib.com Interactive Pie Chart')

axcolor = 'lightgoldenrodyellow'
ax_slider = plt.axes([0.1, 0.1, 0.8, 0.03], facecolor=axcolor)
slider = Slider(ax_slider, 'Adjust A', 0, 100, valinit=30)

def update(val):
    new_sizes = [slider.val, 30, 100 - slider.val - 30]
    for i, s in enumerate(new_sizes):
        pie[0][i].set_size(s)
    fig.canvas.draw_idle()

slider.on_changed(update)

plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子创建了一个交互式饼图，用户可以通过滑动条调整第一个扇区的大小。

7. 多图布局中的饼图

7.1 在子图中绘制饼图

有时我们需要在一个图形中绘制多个饼图：

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 第一个饼图
sizes1 = [30, 20, 50]
labels1 = ['A', 'B', 'C']
ax1.pie(sizes1, labels=labels1, autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com Pie 1')

# 第二个饼图
sizes2 = [40, 30, 30]
labels2 = ['X', 'Y', 'Z']
ax2.pie(sizes2, labels=labels2, autopct='%1.1f%%')
ax2.set_title('How2matplotlib.com Pie 2')

plt.tight_layout()
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何在一个图形中绘制两个并排的饼图。

8. 饼图与其他图表的结合

8.1 饼图和条形图的组合

我们可以将饼图与其他类型的图表结合，以提供更全面的数据视图：

import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 饼图
sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
ax1.pie(sizes, labels=labels, autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com Pie Chart')

# 条形图
ax2.bar(labels, sizes)
ax2.set_title('How2matplotlib.com Bar Chart')
ax2.set_ylabel('Values')

plt.tight_layout()
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何将饼图和条形图并排显示，以不同的方式呈现相同的数据。

9. 3D饼图

9.1 创建3D饼图

虽然不太常见，但我们也可以创建3D饼图：

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')

size = [30, 20, 25, 15, 10]
colors = ['red', 'yellow', 'blue', 'green', 'orange']
labels = ['A', 'B', 'C', 'D', 'E']

def make_data(N, f=0.3):
    theta = np.linspace(0, 2*np.pi, N, endpoint=False)
    x = np.cos(theta)
    y = np.sin(theta)
    z = f * np.ones(N)
    return x, y, z

cs = []
for i in range(len(size)):
    N = int(size[i])
    x, y, z = make_data(N)
    ax.bar3d(x, y, 0, 0.8, 0.8, z, color=colors[i], alpha=0.8)
    cs.append(plt.Rectangle((0, 0), 1, 1, fc=colors[i]))

ax.legend(cs, labels, loc='center left', bbox_to_anchor=(1, 0.5))
ax.set_title('How2matplotlib.com 3D Pie Chart')
ax.set_axis_off()

plt.tight_layout()
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何创建一个3D饼图。虽然这不是标准的饼图表示方法，但它可以为数据可视化提供一个有趣的视角。

10. 饼图最佳实践

10.1 处理大量数据

当处理大量数据时，饼图可能变得难以阅读。一个好的做法是将小的类别合并为”其他”：

import matplotlib.pyplot as plt

data = {'A': 30, 'B': 20, 'C': 15, 'D': 10, 'E': 5, 'F': 8, 'G': 7, 'H': 3, 'I': 2}

# 将小于5%的类别合并为"其他"
threshold = sum(data.values()) * 0.05
other = sum(value for value in data.values() if value < threshold)
filtered_data = {k: v for k, v in data.items() if v >= threshold}
filtered_data['Other'] = other

labels = filtered_data.keys()
sizes = filtered_data.values()

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('How2matplotlib.com Optimized Pie Chart')
plt.axis('equal')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何处理大量数据，通过合并小类别来提高饼图的可读性。

结论

通过本文，我们全面介通过本文，我们全面介绍了使用Matplotlib在Python中绘制饼图的各种方法和技巧。从基础的饼图绘制到高级的定制和交互式图表，我们涵盖了广泛的主题。饼图是一种强大的数据可视化工具，特别适合展示比例和百分比数据。

以下是使用Matplotlib绘制饼图时的一些关键点和最佳实践：

  1. 数据准备：确保您的数据适合用饼图表示。饼图最适合展示部分与整体的关系。

  2. 颜色选择：选择适当的颜色方案可以大大提高饼图的可读性和美观度。

  3. 标签和百分比：使用清晰的标签和百分比可以帮助读者更好地理解数据。

  4. 图例：对于复杂的饼图，添加图例可以提高可读性。

  5. 突出显示：使用explode参数可以突出显示重要的扇区。

  6. 处理小数据：对于数据点较多的情况，考虑合并小类别或使用其他图表类型。

  7. 交互性：考虑添加交互元素，如滑动条，以增加用户参与度。

  8. 组合使用：将饼图与其他图表类型结合使用可以提供更全面的数据视图。

最后，虽然饼图是一种流行的图表类型，但它并不适合所有情况。在选择使用饼图时，请考虑您的数据类型和您想要传达的信息。在某些情况下，条形图或其他类型的图表可能更适合。

通过掌握这些技巧和最佳实践，您将能够创建既信息丰富又视觉吸引的饼图，有效地传达您的数据故事。记住，数据可视化不仅仅是about创建漂亮的图表，更重要的是清晰、准确地传达信息。

11. 饼图的替代方案

在某些情况下，饼图可能不是最佳选择。以下是一些替代方案：

11.1 堆叠条形图

当需要比较多个类别的组成时，堆叠条形图可能是更好的选择：

import matplotlib.pyplot as plt
import numpy as np

categories = ['Category A', 'Category B', 'Category C']
values = {
    'Group 1': np.array([20, 35, 30]),
    'Group 2': np.array([25, 25, 15]),
    'Group 3': np.array([15, 15, 10])
}

fig, ax = plt.subplots(figsize=(10, 6))

bottom = np.zeros(3)
for group, group_values in values.items():
    ax.bar(categories, group_values, label=group, bottom=bottom)
    bottom += group_values

ax.set_title('How2matplotlib.com Stacked Bar Chart')
ax.legend()

plt.tight_layout()
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何使用堆叠条形图来表示多个类别的组成。

11.2 树状图

对于层次数据，树状图可能是更好的选择：

import matplotlib.pyplot as plt
import squarify

sizes = [60, 30, 10]
labels = ['Group A', 'Group B', 'Group C']
colors = ['#ff9999', '#66b3ff', '#99ff99']

plt.figure(figsize=(10, 8))
squarify.plot(sizes=sizes, label=labels, color=colors, alpha=0.8)
plt.title('How2matplotlib.com Treemap')
plt.axis('off')
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何使用squarify库创建树状图，这是饼图的一个有效替代品，特别是当处理层次数据时。

12. 动态数据更新

在某些应用中，我们可能需要实时更新饼图数据。以下是一个简单的动态更新饼图的例子：

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.animation import FuncAnimation

fig, ax = plt.subplots()

def update(frame):
    ax.clear()
    sizes = np.random.randint(1, 100, 5)
    labels = ['A', 'B', 'C', 'D', 'E']
    ax.pie(sizes, labels=labels, autopct='%1.1f%%')
    ax.set_title(f'How2matplotlib.com Dynamic Pie Chart (Frame {frame})')

ani = FuncAnimation(fig, update, frames=range(50), repeat=False)
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何创建一个动态更新的饼图，每一帧都会生成新的随机数据。

13. 饼图的局限性

尽管饼图在某些情况下非常有用，但它也有一些局限性：

  1. 难以比较：当有多个饼图时，很难准确比较不同饼图中的扇区大小。

  2. 不适合多类别：当类别数量过多时，饼图会变得杂乱和难以理解。

  3. 难以表示时间趋势：饼图不适合展示随时间变化的数据趋势。

  4. 可能误导：如果不小心使用，饼图可能会误导观众，特别是当总和不等于100%时。

为了克服这些局限性，考虑使用其他图表类型或将饼图与其他可视化方法结合使用。

14. 高级定制技巧

14.1 使用极坐标系

我们可以使用极坐标系来创建更有趣的饼图变体：

import matplotlib.pyplot as plt
import numpy as np

# 数据
size = 4
theta = np.linspace(0, 2*np.pi, size, endpoint=False)
radii = 10 * np.random.rand(size)
width = np.pi / 4 * np.random.rand(size)

ax = plt.subplot(111, projection='polar')
bars = ax.bar(theta, radii, width=width, bottom=0.0)

# 使用自定义颜色
for r, bar in zip(radii, bars):
    bar.set_facecolor(plt.cm.viridis(r / 10.))
    bar.set_alpha(0.5)

ax.set_title("How2matplotlib.com Polar Bar Chart")
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何使用极坐标系创建一个类似饼图的可视化。

14.2 半圆饼图

有时，使用半圆饼图可以为数据提供一个有趣的视角：

import matplotlib.pyplot as plt

# 数据
sizes = [30, 20, 25, 15, 10]
labels = ['A', 'B', 'C', 'D', 'E']
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#ff99cc']

# 创建半圆饼图
fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90, pctdistance=0.85)

# 设置纵横比使其成为半圆形
ax.set_aspect("equal")
plt.title("How2matplotlib.com Semi-circle Pie Chart")
plt.tight_layout()
plt.show()

Output:

如何使用Matplotlib在Python中绘制饼图：全面指南

这个例子展示了如何创建一个半圆形的饼图，这种形式可以在某些情况下提供更好的视觉效果。

结论

通过本文，我们全面探讨了使用Matplotlib在Python中绘制饼图的各种方法和技巧。从基础的饼图创建到高级的定制和交互式图表，我们涵盖了广泛的主题。饼图是一种强大的数据可视化工具，特别适合展示比例和百分比数据。

然而，重要的是要记住，选择正确的图表类型对于有效传达信息至关重要。饼图并不总是最佳选择，有时其他图表类型可能更适合您的数据和目标。

通过掌握这些技巧和最佳实践，您将能够创建既信息丰富又视觉吸引的饼图，有效地讲述您的数据故事。记住，优秀的数据可视化不仅仅是创建漂亮的图表，更重要的是清晰、准确地传达信息，帮助观众理解和洞察数据背后的含义。

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