Python画饼图|极客教程

Python画饼图

简介

饼图（Pie chart），又称为饼形图、派图，是指将整体分割成若干块，每一块的大小表示数据的占比或比例关系，并且各个块的角度大小总和等于360度，常用于展示数据的相对比例。

在数据可视化中，饼图是一种直观且易于理解的图表类型，常用于展示分类数据的占比、比例等。Python提供了多种绘制饼图的工具，其中最常用的是Matplotlib库。

本文将详细介绍如何使用Python中的Matplotlib库绘制饼图，并提供一些示例代码供参考。

安装Matplotlib库

在开始之前，我们需要先安装Matplotlib库。打开命令行终端，执行以下命令完成安装：

pip install matplotlib

准备数据

在绘制饼图之前，我们需要准备一些数据。饼图的输入数据通常是一个包含各个分类以及其对应数值的数据集，例如：

data = {
    '分类1': 40,
    '分类2': 30,
    '分类3': 20,
    '分类4': 10,
}

其中，键表示分类名称，值表示对应的数值或数量。

简单饼图

首先，我们来看一个简单的饼图示例。假设我们有一个数据集如下：

data = {
    '分类1': 40,
    '分类2': 30,
    '分类3': 20,
    '分类4': 10,
}

我们可以使用Matplotlib库的pie函数绘制饼图，并使用show函数显示图表：

import matplotlib.pyplot as plt

data = {
    '分类1': 40,
    '分类2': 30,
    '分类3': 20,
    '分类4': 10,
}

plt.pie(data.values(), labels=data.keys())
plt.show()

运行上述代码，我们可以得到一个简单的饼图，如下图所示：

注意：由于篇幅限制，以下示例代码将省略show函数调用，但实际使用时需要添加。

定制饼图样式

除了基本的饼图外，我们还可以通过定制饼图的样式来增加图表的可读性。下面是一些常用的样式定制方法：

颜色定制

我们可以通过设置colors参数来指定各个分类的颜色。例如：

colors = ['red', 'blue', 'green', 'yellow']

然后使用pie函数的colors参数指定颜色列表：

plt.pie(data.values(), labels=data.keys(), colors=colors)

饼图标签

我们可以通过设置autopct参数来显示饼图上的百分比标签。例如：

plt.pie(data.values(), labels=data.keys(), autopct='%.1f%%')

饼图分离

如果我们想要将某个分类的扇形分离出来以突出显示，可以使用explode参数。例如：

explode = [0, 0.1, 0, 0]
plt.pie(data.values(), labels=data.keys(), explode=explode)

饼图旋转

我们可以通过设置startangle参数来调整饼图的旋转角度。例如：

plt.pie(data.values(), labels=data.keys(), startangle=90)

饼图阴影

我们可以通过设置shadow参数来为饼图添加阴影效果。例如：

plt.pie(data.values(), labels=data.keys(), shadow=True)

饼图比例尺寸

我们可以通过设置radius参数来调整饼图的大小。例如：

plt.pie(data.values(), labels=data.keys(), radius=0.8)

嵌套饼图

除了绘制简单的饼图外，我们还可以绘制嵌套饼图，用于展示更多层次的分类。需要注意的是，嵌套饼图的数据需要是嵌套的字典格式。例如：

data = {
    '分类1': {
        '子分类1': 20,
        '子分类2': 30,
    },
    '分类2': {
        '子分类3': 10,
        '子分类4': 40,
    },
}

使用Matplotlib库的pie函数绘制嵌套饼图时，需要使用subplots函数创建子图。具体示例如下：

import matplotlib.pyplot as plt

data = {
    '分类1': {
        '子分类1': 20,
        '子分类2': 30,
    },
    '分类2': {
        '子分类3': 10,
        '子分类4': 40,
    },
}

fig, ax = plt.subplots()

outer_labels = data.keys()
outer_sizes = [sum(inner_sizes.values()) for inner_sizes in data.values()]
inner_labels = [inner_labels for inner_labels in data.values()]

ax.pie(outer_sizes, labels=outer_labels, radius=1)
ax.pie([inner_sizes for inner_sizes in data.values()], labels=inner_labels, radius=0.6, autopct='%.1f%%')

plt.show()