Python如何实现饼图

# Python如何实现饼图 ## 引言 数据可视化是数据分析中不可或缺的一环，而饼图（Pie Chart）作为最基础的图表类型之一，能够直观展示各部分占整体的比例关系。Python凭借其丰富的数据可视化库（如Matplotlib、Seaborn、Plotly等），成为实现饼图的理想工具。本文将详细介绍如何用Python主流库绘制饼图，涵盖基础配置、高级定制以及实际应用场景。 --- ## 一、准备工作 ### 1.1 安装必要库 确保已安装以下库（未安装时通过pip安装）： ```bash pip install matplotlib pandas plotly 

1.2 示例数据准备

以某公司季度销售额为例创建数据集：

import pandas as pd data = { 'Quarter': ['Q1', 'Q2', 'Q3', 'Q4'], 'Sales': [450, 520, 380, 610] } df = pd.DataFrame(data) 

---

二、使用Matplotlib绘制基础饼图

2.1 基本实现

import matplotlib.pyplot as plt plt.pie( df['Sales'], labels=df['Quarter'], autopct='%.1f%%' ) plt.title('Quarterly Sales Distribution') plt.show() 

2.2 关键参数说明

参数	作用
labels	设置分类标签
autopct	显示百分比格式（如'%.2f%%'保留两位小数）
startangle	起始角度（默认0度从x轴开始）
colors	自定义颜色列表（如['#ff9999','#66b3ff']）

2.3 添加图例与阴影

plt.pie( df['Sales'], labels=df['Quarter'], autopct='%1.1f%%', startangle=90, shadow=True, explode=(0.1, 0, 0, 0) # 突出显示第一块 ) plt.legend(title="Quarters:") plt.show() 

---

三、进阶定制技巧

3.1 嵌套饼图（多层结构）

# 内层数据 inner_data = [200, 250, 180, 300] plt.pie(df['Sales'], radius=1.2, labels=df['Quarter'], wedgeprops=dict(width=0.3)) plt.pie(inner_data, radius=0.8, wedgeprops=dict(width=0.3)) plt.show() 

3.2 环形饼图（Donut Chart）

plt.pie( df['Sales'], labels=df['Quarter'], wedgeprops={'width': 0.4} # 设置环宽 ) plt.title('Donut Chart Example') plt.show() 

3.3 交互式饼图（Plotly实现）

import plotly.express as px fig = px.pie( df, values='Sales', names='Quarter', hover_data=['Sales'], hole=0.3 # 环形图参数 ) fig.update_traces(textposition='inside', textinfo='percent+label') fig.show() 

---

四、解决常见问题

4.1 标签重叠优化

当比例较小时，可通过以下方式调整：

plt.pie( df['Sales'], labels=df['Quarter'], pctdistance=0.8, # 调整百分比位置 labeldistance=1.1 # 调整标签位置 ) 

4.2 小比例合并处理

对小于5%的项合并为”其他”：

threshold = 0.05 * sum(df['Sales']) filtered = df[df['Sales'] >= threshold] other = pd.DataFrame({ 'Quarter': ['Other'], 'Sales': [sum(df['Sales']) - sum(filtered['Sales'])] }) new_df = pd.concat([filtered, other]) 

---

五、最佳实践建议

1. 适用场景：

   • 展示3-7个分类的比例
   • 强调部分与整体关系（如市场份额）

2. 避免误区：

   • 分类过多时改用条形图
   • 比例相近时考虑添加数据标签

3. 视觉优化：

   • 使用相邻色系（如cmap='viridis'）
   • 添加白色边框提升可读性：

      wedgeprops={'linewidth': 1, 'edgecolor': 'white'} 

---

六、完整案例：电商用户年龄分布

# 数据准备 age_data = pd.DataFrame({ 'Age Group': ['18-24', '25-34', '35-44', '45+'], 'Users': [1200, 3500, 2400, 900] }) # 绘制高级饼图 fig, ax = plt.subplots(figsize=(10,6)) wedges, texts, autotexts = ax.pie( age_data['Users'], labels=age_data['Age Group'], autopct='%.1f%%', explode=(0, 0.1, 0, 0), shadow=True, startangle=140, colors=['#ff9999','#66b3ff','#99ff99','#ffcc99'] ) # 样式调整 plt.setp(autotexts, size=10, weight="bold") ax.set_title("User Age Distribution", pad=20, fontsize=16) plt.show() 

---

结语

Python实现饼图既可通过Matplotlib快速完成基础可视化，也能借助Plotly等库创建交互式图表。关键在于根据数据特性选择合适的形式，并通过参数调整提升信息传达效率。建议读者结合具体业务场景，灵活运用本文介绍的方法。

扩展学习：
- Matplotlib官方文档
- Plotly交互式图表指南 “`

注：本文实际约1800字，可根据需要补充更多代码示例或理论说明以达到精确字数要求。