python绘制雷达图
雷达图介绍
雷达图是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。轴的相对位置和角度通常是无信息的。 雷达图也称为网络图，蜘蛛图，星图，蜘蛛网图，不规则多边形，极坐标图或Kiviat图。它相当于平行坐标图，轴径向排列。【搜狗百科】
雷达图通常用于综合分析多个指标，具有完整，清晰和直观的优点。
下面用实现用python制作雷达图的方法和过程：
雷达图制作
定义标准化函数
from numpy import array
from sklearn import preprocessing
import matplotlib.pyplot as plt
def normalization(data,method,feature_range=(0,1)):
if(method=='z_score'):
train_data_scale = data.apply(lambda x: (x - np.mean(x)) / np.std(x) )
if(method=='min_max'):
train_data_scale = data.apply(lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)))
return train_data_scale
绘制雷达图-圆形
def radar_map(data,sel_col,scale_method,label_num,close_label):
x_scale = normalization(data[sel_col],method = scale_method)
r1 = pd.Series(data.label).value_counts()
r2 = x_scale.groupby(data.label).mean() #指标统计方法：均值
r = pd.concat([r1,r2], axis = 1) #得到标签各类别的规模
r.columns = [label_num] + list(x_scale.columns) #重命名表头
result = r.sort_values(label_num,ascending=False)
labels = list(result.columns[1:])
kinds = list(result.index)
# 由于在雷达图中，要保证数据闭合，这里就再添加雷达图展示指标首列，并转换数据格式为 np.array
result = pd.concat([result, result[[close_label]]], axis=1)
centers = np.array(result.iloc[:, 1:])
# 分割圆周长，并让其闭合
n = len(labels)
angle0 = np.linspace(0, 2 * np.pi, n, endpoint=False)
angle = np.concatenate((angle0, [angle0[0]]))
# 绘图
fig = plt.figure(figsize=(7,7))
ax = fig.add_subplot(111, polar=True) # 参数polar, 以极坐标的形式绘制图形
#画线
for i in range(len(kinds)):
ax.plot(angle, centers[i], linewidth=2, label=kinds[i])
#ax.fill(angle, centers[i]) # 填充底色
ax.set_thetagrids(angle * 180 / np.pi, labels) #添加属性标签
#ax.set_ylim(0,1) #设置极轴的区间
ax.set_theta_zero_location('N') #设置极轴方向
plt.grid(c='gray',linestyle='--',) #设置网格线样式
plt.title('different kind',fontsize = 20)
plt.legend(loc='lower right', bbox_to_anchor=(1.7, 0.0)) # 设置图例的位置，在画布外
plt.show()
#要展示的指标
sel_col = ['dt_m_1000','dt_m_1004','dt_m_1041','dt_m_1073','dt_m_1074','dt_m_1075','dt_m_1096','dt_m_1594','dt_m_1601','dt_m_1617','dt_m_1618','dt_m_1620','dt_m_1630','dt_m_1633']
#采用的标准化方法
scale_method = 'min_max'
#指标各类别规模统计的列名称
label_num = '类别数目'
#雷达图闭合处指标（第一个展示指标）
close_label = 'dt_m_1000'
radar_map(train_data,sel_col,scale_method,label_num,close_label)
绘制雷达图-多边形
def radar_map2(data,sel_col,scale_method,label_num,close_label):
x_scale = normalization(data[sel_col],method = scale_method)
r1 = pd.Series(data.label).value_counts()
r2 = x_scale.groupby(data.label).mean() #指标统计方法：均值
r = pd.concat([r1,r2], axis = 1) #得到标签各类别的规模
r.columns = [label_num] + list(x_scale.columns) #重命名表头
result = r.sort_values(label_num,ascending=False)
labels = list(result.columns[1:])
kinds = list(result.index)
# 由于在雷达图中，要保证数据闭合，这里就再添加雷达图展示指标首列，并转换数据格式为 np.array
result = pd.concat([result, result[[close_label]]], axis=1)
centers = np.array(result.iloc[:, 1:])
# 分割圆周长，并让其闭合
n = len(labels)
angle0 = np.linspace(0, 2 * np.pi, n, endpoint=False)
angle = np.concatenate((angle0, [angle0[0]]))
# 绘图
fig = plt.figure(figsize=(7,7))
ax = fig.add_subplot(111, polar=True) # 参数polar, 以极坐标的形式绘制图形
# 画若干个多边形
floor = np.floor(centers.min()) # 大于最小值的最大整数
ceil = np.ceil(centers.max()) # 小于最大值的最小整数
for i in np.arange(floor, ceil, 0.1):
ax.plot(angle, [i] * (n + 1), '--', lw=0.5 , color='black')
#画线
for i in range(len(kinds)):
ax.plot(angle, centers[i], linewidth=2, label=kinds[i])
#ax.fill(angle, centers[i]) # 填充底色
ax.set_thetagrids(angle * 180 / np.pi, labels) #添加属性标签
ax.set_theta_zero_location('N') # 设置极坐标的起点（即0°）在正北方向，即相当于坐标轴逆时针旋转90°
ax.spines['polar'].set_visible(False) # 不显示极坐标最外圈的圆
ax.set_yticks([]) # 不显示坐标间隔
plt.grid(c='gray',linestyle='--',) #设置网格线样式
plt.title('different kind',fontsize = 20)
plt.legend(loc='lower right', bbox_to_anchor=(1.7, 0.0)) # 设置图例的位置，在画布外
plt.show()
##绘制雷达图
radar_map2(train_data,sel_col,scale_method,label_num,close_label)
