利用pyecharts绘制雷达图的案例（含参数解释）

目录

一、概念介绍

二、数据导入

三、图像绘制 

四、 参数解释

Part 1：背景图添加

Part 2：add_schema

Part 3：绘制雷达链

Part 4 ：set_series_opts

---

一、概念介绍

雷达图（Radar Chart），或称为戴布拉图、蜘蛛网图。图形以一点为中心，每一变量维度为一极坐标轴，n个维度即形成n轴的由内向外放射状图形，形似蜘蛛网。

图形示例：（图源百度)

分析上图，我们可以得到一家企业或者某个部门在经营管理上的评分分布。

图形的基本构成如下：

雷达图的应用特点：

① 同样是属于比较与分布类型，雷达图与柱状图最明显的差异是，柱状图在实际场景中通常被用于进行单（多）维度定性数据的可视化，比如一次期中考试，绘制柱状图来对比八个班级的语文平均分；而雷达图常常用于单（多）个体的多维度数据对比，进而呈现并帮助分析对象的优劣处，比如在这次考试中，绘制雷达图来观察二班的语文、数学、英语、生物、化学、物理科目平均分的优良分布。

② 如果遇到多总体，我们可以使用多幅雷达图，或者单幅雷达图中多层数据线的形式进行总体间对比。

③ 无论是变量特征还是对象总体都不要太多，前者（>10）会使得图像的轴过多，包含信息量过大而弱化了可读性，一眼看去让人感觉很复杂。后者（>5）要么会使得线条交叉密集，要么就是多重覆盖域因附着不同填充色而导致的信息覆盖问题，当然，如果每个总体都是单维突出类型，信息突出效果还是很好的。

④ 雷达图使用的数据是多特征的，会出现一种很常见的情况，比如年龄和收入的量纲或者说取值范围是不一致的。因为雷达图是维度内的粗略对比，我们并不会去根据图形计算一班和二班的数学平均分差究竟是多少，只需要得到二班在这次期中考试中数学比一班考得好的结论就可以，所以为了将各维度数据在一个取值范围内，我们在绘图前会考虑将数据归一化或者标准化。

⑤ 在应用场景上，通常有财务状况综合评价、用户画像、员工评分、医疗症状自评等等

---

二、数据导入

        在本案例中，我们虚构了某部门五位员工的月度评价数据，希望绘制雷达图以向管理或人事部门反映员工们的亮点与不足之处。

import pandas as pd
data = pd.DataFrame(pd.read_excel('案例数据.xlsx'))

# 生成绘图series
data_radar = []
for row in range(data.shape[0]):
    dic = {}
    value = []
    for col in range(1,data.shape[1]):
        value.append(int(data.iloc[row,col]))
    dic['name'],dic['value'] = data['员工'][row],value
    data_radar.append([dic])

# 各特征维度取值范围
scope = []
for col in range(1,data.shape[1]):
    dic = {}
    dic['name'] = data.columns[col]
    dic['max'],dic['min'] = max(data.iloc[:,col]),0
    scope.append(dic)

在这里，为了突出优秀，我们数轴范围最大值来源于样本数据。如果min，max都取决于样本，绘图结果等价于使用了归一法。这个范围是可以自定义的，看你想要展现什么信息，或者作为绘图的调整。

我们需要绘制雷达图的数据结构为：

 如果数据量比较少，希望自己手动输入的话，也可以按如下格式：

data_radar = [
    [{'name':'许一','value':[22,3,3,7,3,5]}],
    [{'name':'刘二','value':[27,2,4,10,4,3]}]
    # ...
     ]

---

三、图像绘制 

        为了下文便于解释参数，这里我们将多数调整为显示。使用python编程语言，调用pyecharts包得到以下图形。

 实现代码如下：

from pyecharts import options as opts
from pyecharts.charts import Radar
from pyecharts.commons.utils import JsCode

c = (
      # Radar()
    Radar(init_opts=opts.InitOpts(bg_color={"type": "pattern", "image": JsCode("img"), "repeat": "no-repeat"}))
        .add_js_funcs(    """    var img = new Image();
                          img.src = '背景.jpg';    """)
        .add_schema(
        schema=scope,
        shape="circle",
        center=["50%", "50%"],#宽高：900px*500px
        radius="60%",
        angleaxis_opts=opts.AngleAxisOpts(
            min_=0,
            max_=360,
            is_clockwise=False,
            interval=10,
            axistick_opts=opts.AxisTickOpts(is_show=True),
            axislabel_opts=opts.LabelOpts(is_show=True),
            axisline_opts=opts.AxisLineOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True)
        ),
        radiusaxis_opts=opts.RadiusAxisOpts(
            min_=0,
            max_=30,
            interval=5,
            splitarea_opts=opts.SplitAreaOpts(
                is_show=True, areastyle_opts=opts.AreaStyleOpts(opacity=1)
            ),
        ),
        polar_opts=opts.PolarOpts(),
        splitline_opt=opts.SplitLineOpts(is_show=False)
    )
        .add(
        series_name="许一",
        data=data_radar[0],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.2),
        linestyle_opts=opts.LineStyleOpts(width=2),
        color='#fc5a50'
    )
        .add(
        series_name="刘二",
        data=data_radar[1],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.2),
        linestyle_opts=opts.LineStyleOpts(width=2),
        color='#35ad6b'
    )
        .add(
        series_name="张三",
        data=data_radar[2],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.2),
        linestyle_opts=opts.LineStyleOpts(width=2),
        color='#3d7afd'
    )
        .add(
        series_name="李四",
        data=data_radar[3],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.2),
        linestyle_opts=opts.LineStyleOpts(width=2),
        color='#aa23ff'
    )
        .add(
        series_name="王五",
        data=data_radar[4],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.2),
        linestyle_opts=opts.LineStyleOpts(width=2),
        color='#fcb001'
    )
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(title_opts=opts.TitleOpts(title = '员工评价',subtitle = '林老头ss',pos_left='left'))
        .render("雷达图示例.html")
)

---

四、 参数解释

 Part 1：背景图添加

        在默认情况下，我们的背景是白板，而initopts给我们提供了背景色、背景图、绘画主题等多种自定义选项。上述代码中负责背景图添加的部分如下，图片我选择的是一只可爱的小鲨鱼。

如果无需增加背景，则Radar()即可。如果需要增加背景图片，我们只需要在上述代码中更改img.src部分，因为我这里背景图是放在同级目录，所以不需要提供存储路径。

 如果是想要更改背景色、主题等，可以参考地图案例的参数解释。利用pyecharts绘制分级地图的案例_林老头ss的博客-CSDN博客

Part 2：add_schema

 add_schema 负责我们雷达图的设置：

① schema ：指定雷达图的特征标签，每个轴的最大最小取值（方便画点）,此前我们已经生成了取值范围的scope【{}】型，直接赋值就行。

② shape、center、radius ：

        shape即雷达图的外轮廓形状，circle圆形为默认值。

        center为中心的位置，[50%,50%]指的是画布宽50%和高50%的位置，默认画布的宽高数据是900px*500px。。

        radius是雷达图外圆的半径长度，60%指的是当前画布的宽度和高度中较小者的60%。

③ AngleAxisOpts ：角度坐标选项设置

        min_,max_ 指定角度范围。

        is_clockwise=False 角度递增的方向是否按照时钟转动（顺时针）的方向。

        interval 径向轴显示的间隔区间大小值，interval=10表示每隔10°划分径向轴角度。

剩下四个参数分别对应如下：

 ④ RadiusAxisOpts ：径向轴选项设置

        min_,max_ 同理，设置径向轴的取值范围。

        interval 用于径向轴上的划分，interval = 5 表示每隔 5 划分径向轴长度。

        SplitAreaOpts 用来设置我们的间隔区域，is_show=True才会有灰白相间的效果，opacity指的是不透明度，可以取[0,1] , 数值越大颜色越深。

⑤ PolarOpts ： 极坐标的设置，我们选择默认值。

⑥ splitline_opt ：如果设置为True，增加分割线，变化如下图所示（不显示雷达链，免得遮挡）

 -- 注意，上面的选项点亮了才会显示对应总体的分布数据线。

Part 3：绘制雷达链

add（）用于一条一条自定义绘制总体的雷达链。

        series_name ：数据序列的名称，即总体名称。在静态图中它不会显示，交互过程中可以看到（如上上图）。

        data ：对应总体的数据list，格式为[{'name':'XX','value':[num,num,num]}],具体参考我们的数据结构。这里需要注意的是，我们value的长度要和特征维度数一致。

        areastyle_opts ：覆盖域的透明度设置，因为我们这里是五总体，必须要调整填充色的透明度。

        linestyle_opts ： 雷达链的线条宽度设置

        color ：指定不同总体雷达图的颜色，这里可以保证边界和内部填充色一致，而饱和度不同。

        symbol ：设置数据点的形状，默认是空心圆。如果我们以许一的雷达链举例，数据点的形状改为三角形，即在color后面增加symbol = SymbolType.TRIANGLE，得到的结果如下：

         其余的形状可以参考水球图的参数解释部分：利用pyecharts绘制水球图的案例_林老头ss的博客-CSDN博客_水球图pyecharts

Part 4 ：set_series_opts

        这一部分用于设置数据序列的显示，我们只提LabelOpts，对数据序列数值标签的设置，默认is_show是True，多总体情况下数字标签多容易显得很混乱，影响视觉观感。

如果不想把所有雷达链绘制在一幅图中，我们也可以每一个总体画一个然后再排布，此时每个总体的所有label和color用一个颜色也会很好看。

希望对您有所帮助~