Python 数据可视化：treemap 树形图 饼图升级版超详解，体现占比的同时显示出数量(放入自写库，一行代码搞定复杂细节绘图)

  这是一个自写库系列，即笔者在数据可视化路上踩过的坑的汇总，并自定义函数和传入参数来实现快速避坑 + 快速绘制出复杂精美的图片。

引言

  Python 的绘图功能非常强大，如果能将已有的绘图库和各种复杂操作汇总在一个自己写的库/包中，并实现一行代码就调用并实现复杂的绘图功能，那就更强大了。所以本博文只强调绘图代码的实现，绘图中的统计学知识(名义变量，数值变量，xx图与xx图的区别等等)与 Python 基础库操作(seaborn，matplotlib)并不会提及，不过也欢迎关注，后续会有更多更广更丰富的知识疯狂输出。

使用方法 & 实现效果

细节图

  为什么说树形图 treemap 是饼图的升级版呢? 先来看看饼图效果吧！

  不难看出，我们的目的是对北京几个地区数据数目进行一个直观的可视化，饼图颜色会有点杀马特(需要另外调整)，占比需要显式设置；反观树形图，占比不用设置，方块大小一目了然，数量也在每一列别的下面用小括号呈现了，配色也相对柔和。

  如果我们一定需要展示占比情况的话，可以先使用 value_counts() 结合具体参数来观察一下差别，后再决定是选用水平条形图，垂直条形图，饼图，还是什么堆叠面积图之类的来绘制，这里指明一个快捷的有点骚的技巧。初识 pandas 者肯定都知道大名鼎鼎的 value_counts() ，但如果我们能在括号中添加两个小小的细节感满满的参数，效果就真的大不一样了，请看下图

  明显可以看出，升级版 value_counts() 也就是添加了三个参数的 value_counts（）还是有明显的变化的

• 有时候数目大，希望看出占比情况而不是只是显示出数量
• 升降序排列，谁多谁少一目了然，还可以直接在后面 .plot() 绘图
• dropna 参数的添加，避免数据中的空值占比没有算进去

  随意画个图看下

  这是这里的差别不明显罢了，所以柱子长短对排名的呈现并不是那么明显，以后呈现的商业实战就会贼明显了

代码展示！！

  代码中的注释已经非常非常详细了！希望能够帮你规避画图中的各种坑。绘图代码并不是自己创作的，而是从前人(创造绘图库的人)和各种大神的代码中学习并积累下来的，为了画出一幅还比较完美的图，已经踩过无数的坑了，最终通过自己设置函数和函数中的参数来进行自定义的传参绘制，真的太难了

# 基础绘图库
import matplotlib.pyplot as plt
import seaborn as sns
# %matplotlib inline
# 各种细节配置如 文字大小，图例文字等杂项
large = 22; med = 16; small = 12
params = {'axes.titlesize': large,
          'legend.fontsize': med,
          'figure.figsize': (16, 10),
          'axes.labelsize': med,
          'axes.titlesize': med,
          'xtick.labelsize': med,
          'ytick.labelsize': med,
          'figure.titlesize': large}
plt.rcParams.update(params)
plt.style.use('seaborn-whitegrid')
sns.set_style("white")
plt.rc('font', **{'family': 'Microsoft YaHei, SimHei'})  # 设置中文字体的支持
# sns.set(font='SimHei')  # 解决Seaborn中文显示问题，但会自动添加背景灰色网格
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

# ====================== 树形图：饼图升级版 =============================
def treemap(data, column, figsize=(12 ,8), title=None, ax=None):
    """
    data: 整份数据
    column：传入格式 'col_name'
    基准行，求改行各定类变量的个数，并以占比的情况反映在矩形区域中
    """
    import squarify # 这个库需要 pip install 一下
    # Prepare Data
    # 下面这行代码是 pandas 中非常经典的操作，根据选中的名义变量进行分组，
        ## 分组后求每组的元素数量，并重置索引，新增的索引列为 counts，可以自己定制
        ## 这一行代码可以单独抽出来尝试使用并理解
    data = data.groupby(column).size().reset_index(name='counts')
    # 下面的这三行代码不用理解，就是在创造 squarify 时大神自己定义的
    labels = data.apply(lambda x: str(x[0]) + "\n (" + str(x[1]) + ")", axis=1)
    sizes = data['counts'].values.tolist() # 转成列表
    colors = [plt.cm.Spectral( i /float(len(labels))) for i in range(len(labels))]

    # Draw Plot
    plt.figure(figsize=figsize, dpi= 80) # 设置图片大小
    # 添加标签，图中部分元素
    squarify.plot(sizes=sizes, label=labels, color=colors, alpha=.8, ax=ax)

    # Decorate
    plt.title(title)
    plt.axis('off') # 关闭坐标轴显示
    plt.title(title)
    plt.show()

---

后记

  数据分析，商业实践，数据可视化，网络爬虫，统计学，Excel，Word, 社会心理学，认知心理学，行为科学，民族意志学 各种专栏后续疯狂补充。

  欢迎评论与私信交流！