前言
雷达图的背景一圈一圈地像雷达,用多边形来展现数据的大小,我认为比较适合用于有多种不同维度的情形,是发现差距的一种好工具。
比如说,「得到 APP」上的学分构成包括 5 个不同维度,我根据自己的学分构成及其变化,制作了一张雷达图。
其中「持续性」与学习的天数相关,「学习量」与听课或看书的数量相关,「笔记」与笔记的数量和互动相关,「知识分享」与分享转发的次数相关,「好奇心」与搜索的次数和广度相关。
从图中可以看出,在 2020 年的年初,我在笔记方面还比较薄弱,经过努力,我做笔记的数量明显增加了。
借助雷达图,我们可以直观地看到差距,进而通过分析,更好地进行改善。
PS:如有需要Python学习资料的小伙伴可以加下方的群去找免费管理员领取
可以免费领取源码、项目实战视频、PDF文件等
![Python可视化:matplotlib 制作雷达图进行对比分析](http://img.e-com-net.com/image/info8/021880d4063b477bab5d002e98c77ad1.jpg)
02
接下来,我们看看用 matplotlib 画图的具体步骤。
首先,导入所需的库,并设置中文字体和定义颜色等。
# 导入所需的库 import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import matplotlib.image as image # 正常显示中文标签 mpl.rcParams['font.sans-serif'] = ['SimHei'] # 自动适应布局 mpl.rcParams.update({'figure.autolayout': True}) # 正常显示负号 mpl.rcParams['axes.unicode_minus'] = False # 禁用科学计数法 pd.set_option('display.float_format', lambda x: '%.2f' % x) # 定义颜色,主色:蓝色,辅助色:灰色,互补色:橙色 c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF', '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC', '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}
其次,从 Excel 文件中读取数据,并定义画图用的数据。
# 数据源路径 filepath='./data/林骥的学分构成.xlsx' # 读取 Excel文件 df = pd.read_excel(filepath) # 提取画图所需的数据 data0 = df.iloc[0, 2:].values data1 = df.iloc[1, 2:].values #提取标签 label = np.array(df.iloc[1, 2:].index) # 根据分数添加评级的标签 for i, d in enumerate(data1): if d > 4: grade = 'A^+' elif d == 4: grade = 'A' elif d > 3: grade = 'B^+' elif d == 3: grade = 'B' else: grade = 'B^-' label[i] += '\n' + r'$\bf{' + grade + '}$' # data 有几个数据,就把整圆 360° 分成几份 angle = np.linspace(0, 2*np.pi, len(data0), endpoint=False) # 增加第一个 angle 到所有 angle 里,以实现闭合 angles = np.concatenate((angle, [angle[0]])) # 倒转顺序,以让雷达图顺时针显示 angles = angles[::-1] #增加第一个 data 到所有的 data 里,以实现闭合 data0 = np.concatenate((data0, [data0[0]])) data1 = np.concatenate((data1, [data1[0]]))
接下来,开始用「面向对象」的方法进行画图。
# 使用「面向对象」的方法画图,定义图片的大小 fig, ax=plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True)) # 设置背景颜色 fig.set_facecolor('w') ax.set_facecolor('w') # 设置标题 ax.set_title('\n林骥的学分构成及其变化\n\n', fontsize=26, loc='left', color=c['深灰色']) # 设置网格标签 ax.set_thetagrids(angles*180/np.pi, labels=label) # 画雷达图,用顺时针显示 ax.plot(angles, data0, 'o-', label=df.iloc[0, 0].strftime('%Y-%m-%d')) ax.plot(angles, data1, 'o-', label=df.iloc[1, 0].strftime('%Y-%m-%d')) # 设置极坐标 0° 的位置 ax.set_theta_zero_location('N') # 设置显示的极径范围 ax.set_rlim(0, 5) # 填充颜色 ax.fill(angles, data0, facecolor=c['浅蓝色'], alpha=0.6) ax.fill(angles, data1, facecolor=c['浅橙色'], alpha=0.6) # 设置极径标签,放在第一象限的中间位置 ax.set_rlabel_position(360-360/len(data0)/2) # 设置图例显示的位置 l = ax.legend(ncol=2, loc='lower center', frameon=False, borderaxespad=-3, fontsize=13) for text in l.get_texts(): text.set_color(c['深灰色']) # text.set_size(13) # 去掉最外围的黑圈 ax.spines['polar'].set_visible(False) # 设置坐标标签字体大小和颜色 ax.tick_params(labelsize=16, colors=c['深灰色']) plt.show()
03
雷达在展现多个维度的得分或性能方面,效果不错,在财务分析和标杆管理中有着广泛的应用。
另外,在一些游戏中,也有用雷达图来展现人物的能力。
但是,雷达图也有一些自身的缺点,包括:
(1)如果在一个雷达图中展现超过 2 组数据,会让图表难以阅读。
(2)变量的个数不宜过多,否则密密麻麻的线条可能让人抓不到重点。
(3)从表达数据的精确度来看,极坐标中的角度,不如直角坐标中的位置。
同样的数据,不同人得出的观点可能不一样,图表的选择可能也不一样,我们通常需要考虑以下几个因素:
(1)分析提炼的信息;
(2)所属数据的类型;
(3)想要表达的观点;
(4)想要强调的信息。
很多人作图有一种误区,就是喜欢运用所谓的技巧和创新,做出让人难以看懂的复杂图表,这与图表的目的背道而驰,是我们应该避免的。
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。
作者:林骥