当前位置：极客笔记 > 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，我们需要先了解一些基础知识。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

# 假设我们有一个销售数据的DataFrame
sales_data = pd.DataFrame({
    'Product': ['A', 'B', 'C', 'D', 'A', 'B', 'C'],
    'Sales': [100, 200, 150, 300, 200, 100, 250]
})

# 按产品分组并求和
grouped_data = sales_data.groupby('Product')['Sales'].sum().reset_index()

print(grouped_data)

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子展示了如何将原始销售数据转换为适合创建饼图的格式。

3. 创建基本饼图

有了正确格式的数据后，我们就可以创建基本的饼图了。

import matplotlib.pyplot as plt
import pandas as pd

# 使用上面准备的数据
grouped_data = pd.DataFrame({
    'Product': ['A', 'B', 'C', 'D'],
    'Sales': [300, 300, 400, 300]
})

plt.figure(figsize=(8, 8))
plt.pie(grouped_data['Sales'], labels=grouped_data['Product'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Sales Distribution by Product')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个示例创建了一个简单的饼图，显示了各产品的销售比例。figsize参数用于设置图表大小，autopct用于在每个扇区显示百分比。

4. 自定义颜色

默认的颜色可能不总是符合你的需求。Matplotlib允许我们自定义饼图的颜色。

import matplotlib.pyplot as plt
import pandas as pd

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

colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']

plt.figure(figsize=(8, 8))
plt.pie(data['Value'], labels=data['Category'], colors=colors, autopct='%1.1f%%')
plt.title('How2matplotlib.com: Custom Color Pie Chart')
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，并通过colors参数应用到饼图中。

5. 突出显示特定扇区

有时，我们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

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

explode = (0.1, 0, 0, 0)  # 突出显示第一个扇区

plt.figure(figsize=(8, 8))
plt.pie(data['Value'], labels=data['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

explode参数是一个元组，每个值对应一个扇区。正值会将扇区从中心”拉出”。shadow=True添加了阴影效果，使图表更加立体。

6. 添加图例

当标签太长或者数据点太多时，直接在饼图上显示标签可能会很拥挤。这时，我们可以使用图例来替代。

import matplotlib.pyplot as plt
import pandas as pd

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

plt.figure(figsize=(10, 8))
patches, texts, autotexts = plt.pie(data['Value'], autopct='%1.1f%%', startangle=90)
plt.legend(patches, data['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。

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。

import matplotlib.pyplot as plt
import pandas as pd

# 外圈数据
outer_data = pd.DataFrame({
    'Category': ['A', 'B', 'C'],
    'Value': [40, 30, 30]
})

# 内圈数据
inner_data = pd.DataFrame({
    'Category': ['X', 'Y', 'Z'],
    'Value': [20, 30, 50]
})

fig, ax = plt.subplots(figsize=(10, 8))

# 绘制外圈
ax.pie(outer_data['Value'], labels=outer_data['Category'], radius=1, wedgeprops=dict(width=0.3, edgecolor='white'))

# 绘制内圈
ax.pie(inner_data['Value'], labels=inner_data['Category'], 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

这个示例创建了一个嵌套饼图，外圈和内圈分别代表不同的数据集。radius参数用于控制饼图的大小，wedgeprops用于设置扇区的宽度和边缘颜色。

8. 半圆饼图

有时，使用半圆形的饼图可以为布局提供更多空间或创造独特的视觉效果。

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

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

plt.figure(figsize=(10, 6))
plt.pie(data['Value'], labels=data['Category'], autopct='%1.1f%%', startangle=90, counterclock=False)
plt.title('How2matplotlib.com: Half Pie Chart')
plt.axis('equal')
plt.xlim(-1.1, 1.1)
plt.ylim(0, 1.1)
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来创建一个半圆形的饼图。xlim和ylim用于调整图表的显示范围。

9. 添加中心文本

在饼图的中心添加文本可以用来显示总数或其他重要信息。

import matplotlib.pyplot as plt
import pandas as pd

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

total = data['Value'].sum()

plt.figure(figsize=(8, 8))
plt.pie(data['Value'], labels=data['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart with Center Text')
plt.text(0, 0, f'Total\n{total}', ha='center', va='center', fontsize=20)
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个示例在饼图中心添加了显示总数的文本。ha和va参数用于控制文本的水平和垂直对齐方式。

10. 动态生成颜色

当数据类别较多时，手动指定颜色可能会很麻烦。我们可以使用颜色映射来动态生成颜色。

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

# 生成一些随机数据
np.random.seed(42)
data = pd.DataFrame({
    'Category': [f'Cat {i}' for i in range(10)],
    'Value': np.random.randint(10, 100, 10)
})

# 使用颜色映射生成颜色
colors = plt.cm.Spectral(np.linspace(0, 1, len(data)))

plt.figure(figsize=(10, 8))
plt.pie(data['Value'], labels=data['Category'], colors=colors, autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart with Dynamic 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，我们使用plt.cm.Spectral颜色映射和np.linspace函数来为每个类别生成唯一的颜色。

11. 处理小数值

当饼图中有很小的数值时，标签可能会重叠或难以阅读。我们可以将小于某个阈值的类别合并为”其他”类别。

import matplotlib.pyplot as plt
import pandas as pd

data = pd.DataFrame({
    'Category': ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H'],
    'Value': [30, 25, 20, 15, 5, 3, 1, 1]
})

# 定义阈值
threshold = 5

# 将小于阈值的类别合并为"其他"
other = data[data['Value'] < threshold]
main = data[data['Value'] >= threshold]

other_sum = other['Value'].sum()
main = main.append({'Category': 'Other', 'Value': other_sum}, ignore_index=True)

plt.figure(figsize=(10, 8))
plt.pie(main['Value'], labels=main['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart with Grouped Small Values')
plt.axis('equal')
plt.show()

这个示例将所有小于5%的类别合并为一个”其他”类别，使饼图更加清晰易读。

12. 添加数据标签

除了百分比，我们可能还想在饼图上显示实际的数值。

import matplotlib.pyplot as plt
import pandas as pd

data = pd.DataFrame({
    'Category': ['A', 'B', 'C', 'D'],
    'Value': [300, 250, 200, 250]
})

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

plt.figure(figsize=(10, 8))
plt.pie(data['Value'], labels=data['Category'], autopct=make_autopct(data['Value']))
plt.title('How2matplotlib.com: Pie Chart with Value Labels')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子定义了一个自定义函数来同时显示百分比和实际数值。

13. 创建3D饼图

虽然2D饼图通常就足够了，但有时3D效果可以增加视觉吸引力。

import matplotlib.pyplot as plt
import pandas as pd

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

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

colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99']

wedges, texts = ax.pie(data['Value'], labels=data['Category'], colors=colors, 
                       startangle=90, labeldistance=1.1, 
                       wedgeprops=dict(width=0.5, edgecolor='white'))

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

这个示例使用projection='3d'创建了一个3D饼图。wedgeprops参数用于设置饼图的宽度和边缘颜色，创造出3D效果。

14. 饼图与条形图结合

有时，将饼图与条形图结合可以提供更全面的数据视图。

import matplotlib.pyplot as plt
import pandas as pd

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

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 7))

# 饼图
ax1.pie(data['Value'], labels=data['Category'], autopct='%1.1f%%', startangle=90)
ax1.set_title('How2matplotlib.com: Pie Chart')

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

plt.tight_layout()
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子在同一个图表中创建了一个饼图和一个条形图，提供了数据的两种不同视角。

15. 动画饼图

创建动画饼图可以展示数据随时间的变化。

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

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

fig, ax = plt.subplots(figsize=(8, 8))

def update(frame):
    ax.clear()
    # 更新数据
    data['Value'] = np.random.randint(10, 40, size=4)
    ax.pie(data['Value'], labels=data['Category'], autopct='%1.1f%%')
    ax.set_title(f'How2matplotlib.com: Animated Pie Chart (Frame {frame})')
    ax.axis('equal')

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

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个示例创建了一个动画饼图，每一帧都会随机更新数据。注意，这个动画在某些环境中可能无法直接显示，可能需要保存为视频文件。

16. 处理缺失值

在实际数据中，我们可能会遇到缺失值。处理这些缺失值对于创建准确的饼图很重要。

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

# 创建包含缺失值的数据
data = pd.DataFrame({
    'Category': ['A', 'B', 'C', 'D', 'E'],
    'Value': [30, 25, np.nan, 20, 25]
})

# 删除缺失值
data_clean = data.dropna()

plt.figure(figsize=(8, 8))
plt.pie(data_clean['Value'], labels=data_clean['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart with Handled Missing Values')
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dropna()方法删除了包含缺失值的行，然后创建饼图。

17. 使用Seaborn创建饼图

虽然Matplotlib很强大，但有时使用更高级的库如Seaborn可以简化饼图的创建过程。

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

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

plt.figure(figsize=(8, 8))
sns.set_style("whitegrid")
sns.set_palette("pastel")

plt.pie(data['Value'], labels=data['Category'], autopct='%1.1f%%')
plt.title('How2matplotlib.com: Pie Chart using Seaborn')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

Seaborn主要用于设置样式和调色板，使得饼图看起来更加美观。

18. 创建环形图

环形图是饼图的一种变体，中心有一个空洞，可以用来显示额外信息。

import matplotlib.pyplot as plt
import pandas as pd

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

fig, ax = plt.subplots(figsize=(8, 8))

center_circle = plt.Circle((0,0), 0.70, fc='white')

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

wedges, texts, autotexts = ax.pie(data['Value'], labels=data['Category'], 
                                  autopct=make_autopct(data['Value']),
                                  wedgeprops=dict(width=0.5))

ax.add_artist(center_circle)
plt.title('How2matplotlib.com: Donut Chart')
plt.axis('equal')
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子创建了一个环形图，并在每个扇区显示了百分比和实际数值。

19. 饼图中的子图

有时，我们可能需要在一个图表中展示多个相关的饼图。

import matplotlib.pyplot as plt
import pandas as pd

data1 = pd.DataFrame({
    'Category': ['A', 'B', 'C'],
    'Value': [40, 30, 30]
})

data2 = pd.DataFrame({
    'Category': ['X', 'Y', 'Z'],
    'Value': [35, 40, 25]
})

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 7))

ax1.pie(data1['Value'], labels=data1['Category'], autopct='%1.1f%%')
ax1.set_title('How2matplotlib.com: Pie Chart 1')

ax2.pie(data2['Value'], labels=data2['Category'], autopct='%1.1f%%')
ax2.set_title('How2matplotlib.com: Pie Chart 2')

plt.tight_layout()
plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个示例在一个图表中创建了两个并排的饼图，可以用于比较不同数据集。

20. 极坐标条形图

虽然不是严格意义上的饼图，但极坐标条形图可以作为饼图的一个有趣替代品。

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

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

fig = plt.figure(figsize=(10, 10))
ax = fig.add_subplot(111, projection='polar')

theta = np.linspace(0.0, 2 * np.pi, len(data), endpoint=False)
radii = data['Value']
width = 2 * np.pi / len(data)

bars = ax.bar(theta, radii, width=width, bottom=0.0)

for r, bar in zip(radii, bars):
    bar.set_facecolor(plt.cm.viridis(r / 10.))
    bar.set_alpha(0.8)

ax.set_xticks(theta)
ax.set_xticklabels(data['Category'])
ax.set_title('How2matplotlib.com: Polar Bar Chart')

plt.show()

Output:

Matplotlib：如何使用DataFrame数据创建饼图

这个例子创建了一个极坐标条形图，每个条形的长度代表数值的大小，颜色根据数值动态生成。

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。这些技巧不仅可以帮助你创建美观的饼图，还能确保你的数据以最有效和最具信息量的方式呈现。

记住，虽然饼图是展示比例数据的有效工具，但它并不适合所有类型的数据。在选择使用饼图时，要考虑你的数据类型和你想传达的信息。对于某些数据集，条形图或其他类型的图表可能更合适。

最后，不断实践和实验是掌握数据可视化的关键。尝试不同的颜色方案、布局和设计选项，找出最能有效传达你的数据故事的方式。随着经验的积累，你将能够创建既美观又富有洞察力的数据可视化作品。

Camera课程

Camera API2 教程

API2 教程
Camera 性能教程

Perf 教程
Camera Native Framework 教程

Native FW 教程
Camera QCOM ISP 教程

ISP 教程
Camera QCOM Sensor 教程

Sensor 教程

Python教程

Python 教程

Python 教程
NumPy 教程

NumPy 教程
Django 教程

Django 教程

Java教程

Java 教程

Java 教程

Web教程

JavaScript 教程

JavaScript 教程
jQuery 教程

jQuery 教程
CSS 教程

CSS 教程
PHP 教程

PHP 教程
Laravel 教程

Laravel 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程

数据库教程

SQL 教程

SQL 教程
SQLite 教程

SQLite 教程
MySQL 教程

MySQL 教程
PL/SQL 教程

PL/SQL 教程
MongoDB 教程

MongoDB 教程

图形图像教程

OpenCV 教程

OpenCV 教程

办公软件教程

Excel 教程

Excel 教程

Linux教程

Linux命令全集

Linux命令全集
Linux内核API

Linux内核API
LVGL 教程

LVGL 教程

计算机教程

操作系统 教程

操作系统 教程
计算机网络 教程

计算机网络 教程
C语言 教程

C语言 教程
C++ 教程

C++ 教程
Swift 教程

Swift 教程

大数据教程

Hadoop 教程

Hadoop 教程
Spark 教程

Spark 教程
Scala 教程

Scala 教程

开发工具教程

Git 教程

Git 教程
Jenkins 教程

Jenkins 教程
ChatGPT 教程

ChatGPT 教程
IntelliJ 教程

IntelliJ 教程