数据呈现 丨用python绘制极坐标图形

古希腊毕达哥拉斯学派曾称：

“

一切平面图形中，圆是最美的。

”

如是所言，圆是几何中最讲究对称的图形，也是最别致的曲线。相信大家在论文、报告的写作中，柱状图、条形图露脸次数应该是最多的。虽然说柱状图、条形图可以清晰的展现出数据的变化趋势，但对于视觉动物的我们，出现的次数多了，终究还是会有审美疲劳。

倘若我们能够把柱状图、条形图“掰弯”，让它以圆的形式展示，相信会给人耳目一新的感觉。

能绘制极坐标图的工具不少，今天为大家带来它三种图形的绘制，分别为散点图、柱状图、雷达图，所用工具是我们的老朋友 python自带的 matplotlib 包。

下面展示了极坐标散点图、极坐标饼状图、极坐标雷达图三种图形的画法示例，并详解每种画法代码的含义。

极坐标散点图

在画之前，首先导入所用包及相关设置。

import pandas as pd 
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline 

左右滑动查看更多

散点图将所有的数据以点的形式展现在坐标系上，可以观察数据点的分布情况，在直角坐标系，可以推断变量间的相关性，而在极坐标上，更侧重数据的分布及离散情况。

#生成范例数据
r = 2 * np.random.rand(100)               #生成100个服从“0~1”均匀分布的随机样本值
theta = 2 * np.pi * np.random.rand(100)   #生成角度 
area = 100 * r**2                         #面积
colors = theta                            #颜色
 
ax = plt.subplot(111, projection='polar')     
#projection为画图样式，除'polar'外还有'aitoff', 'hammer', 'lambert'等
c = ax.scatter(theta, r, c=colors, s=area, cmap='cool', alpha=0.75)
#ax.scatter为绘制散点图函数 
plt.show()

左右滑动查看更多

所作图形如下所示，可以看到散点在极坐标上的分布情况，以及散点自身特点（如大小、颜色等）情况。

图一

注：上图为随机数据生成的图，每次运行得到的图形会有所不同。matplot的色彩映射请参考官方文档：

https://www.matplotlib.org.cn/tutorials/colors/colormaps.html

散点图plt.scatter相关参数详解：

极坐标柱状图

柱状图是一种以长方形长度为变量的统计报告图，由一系列高度不等的纵向条纹表示数据分布的情况。极坐标柱状图则是将柱形条显示在极坐标中，其不仅保留了直角坐标系中数据变化趋势的优点，而且图形表达形式也更加美观。

N = 20
theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)       
# 从0到2pi生成均匀间隔的20个数，endpoint为Flase表示不包含末尾数字2pi，默认为True，这里指的是角度


R = 10 * np.random.rand(N)                               # 随机生成20个半径
width = np.pi / 8 * np.random.rand(N)                        # 线的宽度
ax = plt.subplot(111, projection = 'polar')                  # 极坐标图'polar'
bars = ax.bar(theta,R, width = width, bottom = 0.0)     # 绘制柱子
 
# 利用循环设置每个柱子的颜色、透明度
for r, bar in zip(radii, bars):               
    bar.set_facecolor(plt.cm.viridis(r / 10.))      # 设置颜色
    bar.set_alpha(0.5)                              # 设置透明度
plt.show()

左右滑动查看更多

所作图形如下所示，可以看到，图形可以很清楚地传达数据的大小，一如你在柱状图（条形图）上看到的，你还可以尝试在圆外添加标签，使得柱条与标签一一对应起来（不会的话请继续阅读下文极坐标雷达图的绘制）。

图二

条形图函数plt.bar参数详解：

极坐标雷达图

雷达图也称网络图，蜘蛛图等，用于比较和评估多个指标之间的强弱关系。

#生成数据，注意第一组与最后一组数据是相同的，确保可以连成一个闭合多边形
country = ["CHINA", "USA", "JAPAN", "KOREA", "ENGLAND"]
index1= [4.5, 4.9, 3.9, 2.8, 2.6, 4.5]
index2= [4.9, 4.7, 4.5, 3.9, 3.8, 4.9]   
 
plt.figure(figsize = (10, 6))               #设置图形大小
plt.subplot(polar = True)                   #设置图形为极坐标图
 
theta = np.linspace(0, 2 * np.pi, len(index1))    #根据index1的数量将圆均分
#设置网格，标签 
lines, labels = plt.thetagrids(range(0, 360, int(360/len(country))), (country))   
#绘制index1 
plt.plot(theta,index1 )
plt.fill(theta,index1 , 'g', alpha=0.1)     #设置颜色与透明度
#绘制index2
plt.plot(theta, index2)
 
# 添加图例和标题
plt.legend(labels=('index1', 'index2'), loc = 'best',frameon = True)   # loc为图例位置
plt.title("index1 vs index2")；

左右滑动查看更多

所作图形如下所示，我们不仅可以看到同一个国家两个指标index1与index2的大小关系，还可以看到不同国度同一个指标的大小情况。

图三

图例绘制函数plt.legend参数详解：

►往期推荐

回复【Python】👉简单有用易上手

回复【学术前沿】👉机器学习丨大数据

回复【数据资源】👉公开数据

回复【可视化】👉你心心念念的数据呈现

回复【老姚专栏】👉老姚趣谈值得一看

►一周热文

数据Seminar

这里是大数据、分析技术与学术研究的三叉路口

作者：威武哥（叶武威）
审阅：杨奇明编辑：青酱

    欢迎扫描👇二维码添加关注