数据, 术→技巧

Python数据可视化之华夫饼图

钱魏Way · · 11 次浏览

PyWaffle简介

PyWaffle 是一个基于 Matplotlib 的 Python 库，用于创建华夫图（Waffle Chart）。华夫图是一种数据可视化工具，类似于饼图，用于表示部分与整体之间的关系，但它通过网格形式展现数据，更加直观和易于理解。

这个库依赖于Matplotlib库来绘制图片，并且支持Python 3.5及更高版本，确保了广泛的应用兼容性。通过简单的参数配置，如rows（行数）、columns（列数）以及values（数值），PyWaffle即可生成美观且信息量大的瓦片图。此外，颜色、标签、图例等细节均可定制化，满足多样化的视觉需求。

PyWaffle的特点

  • 开源与兼容性：
    • PyWaffle遵循MIT协议，是一个完全开源的项目。
    • 它支持Python 3.5+版本，并依赖于Matplotlib库，确保了广泛的应用兼容性。
  • 简洁的API设计：
    • PyWaffle定义了一个Waffle类，作为matplotlib的Figure构造器的一个扩展，允许直接通过pyplot.figure调用，无缝融合到现有的数据可视化流程中。
    • 通过简单的参数配置如rows（行数）、columns（列数）以及values（值），即可生成美观且信息量大的瓦片图。
  • 高度可定制：
    • PyWaffle提供了丰富的自定义选项，包括颜色方案、图表尺寸、布局样式等，可以满足多样化的视觉需求。
    • 用户可以自定义每个类别的颜色、标签、图例等，使图表更加个性化。
  • 直观展示比例：
    • 华夫饼图的排列天然适合展示各类比例数据，尤其当数值范围广、分类多时更为明显。
    • 通过方格的数量和颜色，用户可以直观地理解不同类别之间的比例关系。
  • 广泛的应用场景：
    • PyWaffle适用于市场分析、销售业绩展示、项目管理等多种场景。
    • 在市场分析中，可以迅速反映出不同产品线或区域的销售额占比；在项目管理中，可以监控不同任务的完成进度。

PyWaffle的使用

安装 PyWaffle

在使用 PyWaffle 之前，你需要先安装它。可以使用以下命令通过 pip 进行安装：pip install pywaffle

class pywaffle.waffle.Waffle(*args, **kwargs)

参数说明：

  • values (list|dict|pandas.Series) – 每个类别的数值。如果是字典，键将用作标签。
  • rows (int) – 华夫图的行数。
  • columns (int) – 华夫图的列数。行和列至少需要一个。如果传递了行或列中的一个，则另一个参数将通过数值的绝对值自动计算。如果同时传递了行和列，则块数量是固定的，并从缩放后的值中计算块数量。
  • colors (list[str]|tuple[str], optional) – 每个类别的颜色列表。其长度应与值相同。默认值来自 Set2 色图。
  • labels (list[str]|tuple[str], optional) – 每个类别的名称。如果 values 是字典，则此参数将被值的键替代。
  • legend (dict, optional) – Matplotlib pyplot.legend 的参数，以字典形式提供。例如：{‘loc’: ”, ‘bbox_to_anchor’: (,), …}。完整参数列表见legend。
  • interval_ratio_x (float, optional) – 块之间水平距离与块宽度的比率。[默认2]
  • interval_ratio_y (float, optional) – 块之间垂直距离与块高度的比率。[默认2]
  • block_aspect_ratio (float, optional) – 块宽与高的比率。[默认 1]
  • cmap_name (str, optional) – 默认颜色的色图名称，如果未指定颜色。完整列表见 colormaps_reference。[默认 ‘Set2’]
  • title (dict, optional) – Matplotlib axes.Axes.set_title 的参数，以字典形式提供。例如：{‘label’: ”, ‘fontdict’: {}, ‘loc’: ”}。完整参数列表见title。
  • characters – 字符串中的一个字符或每个类别的字符列表。[默认 None]
  • font_size – Font Awesome 图标的字体大小。默认大小不是固定的，取决于块大小。可以是相对值（如 ‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’）或绝对字体大小。
  • font_file – 自定义字体文件的路径。
  • icons (str|list[str]|tuple[str], optional) – Font Awesome 的图标名称。如果是字符串，则所有类别使用相同的图标；如果是图标的列表或元组，长度应与值相同。Font Awesome 的完整列表见 Font Awesome。[默认 None]
  • icon_style (str|list[str]|tuple[str], optional) – 要使用的图标样式。Font Awesome 图标通过样式和图标名称找到图标。样式可以是 ‘brands’, ‘regular’ 和 ‘solid’。详细信息见 Font Awesome Cheatsheet。如果是字符串，则在给定样式内搜索图标。如果是列表或元组，长度应与值相同，表示每个图标的样式。[默认 ‘solid’]
  • icon_size (int|str, optional) – Font Awesome 图标的字体大小。已弃用！请使用 font_size。默认大小不是固定的，取决于块大小。可以是相对值（如 ‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’）或绝对字体大小。
  • icon_legend (bool, optional) – 是否在图例中使用图标而不是颜色条。[默认 False]
  • plot_anchor (str, optional) – 子图的对齐方式。{‘C’, ‘SW’, ‘S’, ‘SE’, ‘E’, ‘NE’, ‘N’, ‘NW’, ‘W’}。详细信息见axes.Axes.set_anchor。[默认 ‘W’]
  • plots (dict, optional) – 子图中 Waffle 类的位置和参数，以字典形式提供，格式如 {pos: {subplot_args: values, }, }。pos 可以是三个整数的元组，其中第一个数字是行数，第二个是列数，第三个是子图的索引。pos 也可以是 3 位数字的整数或字符串类型。例如，它接受 235 或 ‘235’ 代表在具有 J 行和 K 列的网格上的第 I 个图。注意，对于此格式，所有整数必须小于 10。子图的参数与 Waffle 类参数相同，不包括 plots 本身。如果未指定子图的任何参数，则使用 Waffle 类中的相同参数作为默认值。
  • vertical (bool, optional) – 是否垂直绘制图形。[默认 False]
  • starting_location (str, optional) – 更改绘制块的起始位置。{‘NW’, ‘SW’, ‘NE’, ‘SE’}。当为 ‘NW’ 时，表示从左上角开始绘制；’SW’ 表示从左下角开始绘制；’NE’ 表示从右上角开始绘制；’SE’ 表示从右下角开始绘制。[默认 ‘SW’]
  • rounding_rule (str, optional) – 调整值以适应图表大小时应用的舍入规则。{‘nearest’, ‘floor’, ‘ceil’}。当为 ‘nearest’ 时，是“四舍五入到最近，偶数优先”的舍入模式；当为 ‘floor’ 时，舍入到区间的较小端点；当为 ‘ceil’ 时，舍入到区间的较大端点。[默认 ‘nearest’]
  • tight (bool|dict, optional) – 设置绘制时是否以及如何调用 .tight_layout。可以是 bool 或具有键 “pad”, “w_pad”, “h_pad”, “rect” 的字典或 None。如果是 bool，则设置是否在绘制时调用 .tight_layout。如果为 None，则使用autolayout 参数代替。如果是字典，则将其作为 kwargs 传递给 .tight_layout，覆盖默认填充。[默认 True]
  • block_arranging_style (string, optional) – 设置如何排列块。{‘normal’, ‘snake’, ‘new-line’}。如果为 ‘normal’，则逐行绘制块，方向相同。如果为 ‘snake’，则以蛇形模式绘制块。如果为 ‘new-line’，则在绘制每个类别时从新行开始。这仅在只分配了行或列中的一个时有效，并且当 rows 被分配时 vertical=False 或 vertical=True 时有效。[默认 ‘normal’]

基本用法

首先，我们来看一个简单的例子，展示如何使用 PyWaffle 创建一个基本的华夫图。

import matplotlib.pyplot as plt
from pywaffle import Waffle

fig = plt.figure(
    FigureClass=Waffle,
    rows=5,
    columns=10,  # Either rows or columns could be omitted
    values=[30, 16, 4]  # Pass a list of integers to values
)
plt.show()

使用字典中的值和自动调整大小：

data = {'Cat1': 10, 'Cat2': 7, 'Cat3': 9}
fig = plt.figure(
    FigureClass=Waffle,
    rows=5,
    values=data,
    legend={'loc': 'upper left', 'bbox_to_anchor': (1.05, 1)},
)
plt.show()

更多样式设置：

data = {'Car': 58, 'Pickup': 21, 'Truck': 11, 'Motorcycle': 7}
fig = plt.figure(
    FigureClass=Waffle,
    rows=5,
    values=data,
    colors=["#C1D82F", "#00A4E4", "#FBB034", '#6A737B'],
    title={'label': 'Vehicle Sales by Vehicle Type', 'loc': 'left'},
    labels=[f"{k} ({v}%)" for k, v in data.items()],
    legend={'loc': 'lower left', 'bbox_to_anchor': (0, -0.4), 'ncol': len(data), 'framealpha': 0},
    starting_location='NW',
    vertical=True,
    block_arranging_style='snake'
)
fig.set_facecolor('#EEEEEE')
plt.show()

PyWaffle 允许你使用图标而不是方块来表示数据。你可以使用 icons 参数来设置图标，并使用 icon_size 来设置图标大小。

data = {'Car': 58, 'Pickup': 21, 'Truck': 11, 'Motorcycle': 7}
fig = plt.figure(
    FigureClass=Waffle,
    rows=5,
    values=data,
    colors=["#c1d82f", "#00a4e4", "#fbb034", '#6a737b'],
    legend={'loc': 'upper left', 'bbox_to_anchor': (1, 1)},
    icons=['car-side', 'truck-pickup', 'truck', 'motorcycle'],
    font_size=12,
    icon_legend=True
)
plt.show()

还可以在一个图中组合多个华夫图。只需在 plots 字典中添加多个子图配置即可。

import pandas as pd
data = pd.DataFrame(
    {
        'labels': ['Car', 'Truck', 'Motorcycle'],
        'Factory A': [32384, 13354, 5245],
        'Factory B': [22147, 6678, 2156],
        'Factory C': [8932, 3879, 896],
    },
).set_index('labels')

# A glance of the data:
#             Factory A  Factory B  Factory C
# labels
# Car             27384      22147       8932
# Truck            7354       6678       3879
# Motorcycle       3245       2156       1196

fig = plt.figure(
    FigureClass=Waffle,
    plots={
        311: {
            'values': data['Factory A'] / 1000,  # Convert actual number to a reasonable block number
            'labels': [f"{k} ({v})" for k, v in data['Factory A'].items()],
            'legend': {'loc': 'upper left', 'bbox_to_anchor': (1.05, 1), 'fontsize': 8},
            'title': {'label': 'Vehicle Production of Factory A', 'loc': 'left', 'fontsize': 12}
        },
        312: {
            'values': data['Factory B'] / 1000,
            'labels': [f"{k} ({v})" for k, v in data['Factory B'].items()],
            'legend': {'loc': 'upper left', 'bbox_to_anchor': (1.2, 1), 'fontsize': 8},
            'title': {'label': 'Vehicle Production of Factory B', 'loc': 'left', 'fontsize': 12}
        },
        313: {
            'values': data['Factory C'] / 1000,
            'labels': [f"{k} ({v})" for k, v in data['Factory C'].items()],
            'legend': {'loc': 'upper left', 'bbox_to_anchor': (1.3, 1), 'fontsize': 8},
            'title': {'label': 'Vehicle Production of Factory C', 'loc': 'left', 'fontsize': 12}
        },
    },
    rows=5,  # Outside parameter applied to all subplots, same as below
    cmap_name="Accent",  # Change color with cmap
    rounding_rule='ceil',  # Change rounding rule, so value less than 1000 will still have at least 1 block
    figsize=(6, 5)
)

fig.suptitle('Vehicle Production by Vehicle Type', fontsize=14, fontweight='bold')
fig.supxlabel('1 block = 1000 vehicles', fontsize=8, x=0.14)
fig.set_facecolor('#EEEDE7')

plt.show()

参考链接：

相关文章:

  1. 交通数据可视化包TransBigData
  2. 时间序列预测之ARIMA
  3. 时序异常检测实战：酒店价格
  4. Matplotlib初级入门教程
  5. 生存分析从概念到实战
数据可视化
Python优化算法包Scikit-Opt
Python数据可视化之Seaborn
Python数据可视化之峰峦图

发表回复

您的电子邮箱地址不会被公开。 必填项已用 * 标注