Python 饼图：使用 Pandas 和 Matplotlib 构建与美化

饼图是用于可视化占比最常见的图表之一。您大概已经很熟悉了；如果不熟悉，不妨把它想象成一个大馅饼，或者一块圆形的瑞士奶酪，被切成不同大小的扇形。

Python 提供了多种创建饼图的方法。本文将重点介绍如何使用 Matplotlib 和 Pandas（Python 中最受欢迎的两个数据分析工具包）来创建饼图。我们将按方法来组织内容，方便您专注于最契合自己工作流程的思路与语法。

除了这些方法，我们还会提供一些增强饼图排版、排错、可访问性与可用性的提示。最后，我们也会讨论在某些场景下可能比饼图更合适的替代图表。

在 Python 中创建饼图的方式

我将展示两种创建 Python 饼图的方法，您可以自行选择更偏好的那一种。两种方法都很流行且可行，选哪种都不会错。

方法一：使用 Matplotlib 绘制饼图

先来看看如何用 Matplotlib 创建饼图。

在本节中，我们将分析 DataCamp 课程目录中不同课程的相关数据，您可以在这里找到。（我浏览了目录，统计了各项技术对应的课程数量，并据此创建了一个表格。）

如何创建图表

要用 Matplotlib 创建第一个饼图，可以使用 plt.pie() 函数。我们将使用一个列表来表示不同数据与 AI 技术对应的课程数（每个值代表一个扇形的大小），再用第二个列表存放技术名称，通过 labels 参数将其显示在图中。或者，我们也可以使用 plt.legend() 添加单独的图例。

像往常一样，别忘了在代码末尾运行 plt.show()，以正确显示 Matplotlib 图表。

import pandas as pd
import matplotlib.pyplot as plt

courses = [164, 127, 31, 31,12, 11]
labels = ['Python','R','SQL','Power BI','Excel','ChatGPT']
dictionary = {'courses':courses, 'labels':labels}
python_pie_chart_df = pd.DataFrame(dictionary)

plt.pie(x = python_pie_chart_df.courses, labels = python_pie_chart_df.labels)
plt.show()技术支持

plt.pie(x = python_pie_chart_df.courses)
plt.legend(labels = python_pie_chart_df.labels, loc = [0.95,0.35])
plt.show()技术支持

此外，我们还可以使用 autopct 参数显示每个扇形的百分比。下面的示例中，我们以一位小数显示扇形大小。

plt.pie(x = python_pie_chart_df.courses, labels = python_pie_chart_df.labels, autopct='%1.1f%%') 
plt.show()技术支持

如何自定义图表

Matplotlib 的饼图及其组成的扇形具有很高的可定制性。让我们看看 pie.plot() 函数提供的一些选项。

要更改扇形的颜色，可以使用 colors 参数。我们将使用该参数将 DataCamp 的配色方案应用到图表中。

datacamp_palette = ['#03ef62','#06bdfc','#ff6ea9','#ff931e','#ff5400','#7933ff']
plt.pie(x = python_pie_chart_df.courses, labels = python_pie_chart_df.labels, colors = datacamp_palette, autopct='%1.1f%%')
plt.show()技术支持

看起来是不是顺眼多了？我们还能做更多自定义。例如，可以分别通过 labeldistance 和 pctdistance 参数调节标签与百分比的距离，并使用 startangle 参数设置开始切分的角度。

plt.pie(x = python_pie_chart_df.courses, labels = python_pie_chart_df.labels, colors = datacamp_palette, autopct='%1.1f%%', 
pctdistance= 0.8, labeldistance=1.1, startangle=180)

plt.show()技术支持

最后，设想您在做演示，想突出 R 课程。一种简便的方式是使用 explode 参数将对应扇形“炸开”以强调，如下所示：

explode = (0, 0.1, 0, 0, 0, 0)  # only "explode" the 2nd slice (i.e. 'R')

plt.pie(x = python_pie_chart_df.courses, labels = python_pie_chart_df.labels, 
        colors = datacamp_palette, autopct='%1.1f%%', 
        pctdistance= 0.8, labeldistance=1.1, 
        startangle=180, explode=explode)

plt.show()技术支持

如何保存图表

创建好饼图后，您就可以与协作伙伴分享了。可以使用 plt.savefig() 函数，将文件名作为输入参数，并保存为 .png、.jpg、.svg 或 .pdf 等多种格式。此外，您可以使用 dpi 调整图像分辨率。

下面是一个示例，展示如何以 .jpg 格式保存饼图，分辨率为每英寸 200 点。

plt.pie(x = df.courses, labels = df.labels, 
        colors = datacamp_palette, autopct='%1.1f%%', 
        pctdistance= 0.8, labeldistance=1.1, 
        startangle=180, explode=explode)

plt.savefig('demo.jpg', dpi =200)技术支持

关于如何正确保存可视化，您可以在我们的课程 Introduction to Data Visualization with Matplotlib 中了解更多。

方法二：使用 Pandas 绘制饼图

现在您已经了解了如何用 Matplotlib 创建饼图，我们再来看看在 Pandas 中如何实现。

如何创建图表

Pandas 提供了一个 plot() 方法，可用于绘制多种类型的图表。该方法既适用于 DataFrame，也适用于 Series。您可以通过 plot() 方法中的 kind 参数指定图表类型。在我们的场景中，将 kind ='pie' 即可创建饼图。您还可以添加 labels 参数为每个扇形命名，以及 autopct 参数显示每一片的百分比。

python_pie_chart_df['courses'].plot(kind='pie', labels=python_pie_chart_df['labels'], autopct='%1.1f%%')
plt.show()技术支持

如何自定义图表

Pandas 的 plot() 方法能快速绘图，但自定义选项有限。好在它以 Matplotlib 为后端，这意味着您可以在方法之外使用 Matplotlib 语法来自定义可视化。下面是一个结合 Pandas 与 Matplotlib 的示例。

ax= python_pie_chart_df['courses'].plot(kind='pie', labels=python_pie_chart_df['labels'], autopct='%1.1f%%', 
                       colors=datacamp_palette, figsize=(5,5))

ax.set_title('Pie Chart DatataCamp Courses')
ax.set_ylabel(None)

plt.show()技术支持

如何保存图表

在 Pandas 中保存饼图与在 Matplotlib 中完全相同，因为 Pandas 的底层依赖 Matplotlib。

ax= python_pie_chart_df['courses'].plot(kind='pie', labels=python_pie_chart_df['labels'], autopct='%1.1f%%', 
                       colors=datacamp_palette, figsize=(5,5))

ax.set_title('Pie Chart DatataCamp Courses')
ax.set_ylabel(None)

plt.savefig('demo.png')技术支持

饼图故障排查

要确保饼图正确显示，您必须为 Matplotlib 提供正确的数据。这意味着应始终在数据框中执行数据清洗操作，例如用 pd.dropna() 删除空值，并为输入列设置正确的数据类型。

此外，自定义对于呈现有说服力且有影响力的饼图至关重要。但请注意，如果您使用的是 Pandas，类似“炸开”等高级自定义可能不受支持。如前所述，如果您需要对饼图有更多控制，可能需要在脚本中加入 Matplotlib 代码。

提升可访问性与可用性

在展示饼图时，应遵循良好实践。

• 了解您的受众： 一条黄金法则是始终设身处地为可视化的受众着想。这意味着要充分了解受众的专业领域、技术水平和兴趣点。
• 去除杂乱： 为避免难以阅读、信息拥挤的可视化，请自问所呈现的内容是否与受众相关，尽可能移除不必要的元素。对于饼图，避免使用 3D 效果或阴影，因为它们可能妨碍解读。
• 注意字体： 尽管使用多种字体和字号可能很诱人，但通常建议只使用一种字体且不超过三种字号。遵循字体层级，让标题大于正文，并用粗体强调关键元素与标题。
• 巧用颜色： 颜色是任何数据可视化中最吸引眼球的元素之一。因此，请认真选择可视化的配色方案。这意味着在不同可视化之间保持一致的调色板，并系统化地用颜色区分群组、重要程度以及不同的信息层级。
• 多设备测试： 建议始终在多种设备上测试您的图表，以观察其呈现效果。

数据可视化可以被视为一门艺术。直觉和审美会带来差异，但也应始终考虑其背后的理论。想了解更多有效数据可视化的最佳实践，请查看我们的数据叙事与沟通速查表。此外，如果您在制作仪表板，不妨阅读这篇文章：设计仪表板的最佳实践。

饼图的替代方案

说实话，饼图是被批评最多的图表之一。已有研究表明，人类并不擅长解读角度。我们可以用上面使用过的饼图来说明这一点。看看 Excel 和 ChatGPT 这两块扇形。您能一眼分辨出哪个角度更大吗？

多半很难。这也是为什么许多数据可视化专家建议在表示占比时使用其他图表，尤其是在类别较多时，比如条形图与堆叠条形图、矩形树图，甚至是甜甜圈图。您可以在我们的文章常见数据图表类型及其在 Python 中的实现中了解更多这些替代方案。

总结

恭喜您读到教程末尾。Python 是一门高度多样化的编程语言，提供了多种库与方法来创建饼图。本文介绍了如何使用 Matplotlib 和 Pandas 创建饼图。两者都同样胜任，并且有许多相似之处。理念不是二选一，而是根据您的需求与工作流程灵活互换使用。

如果您想进一步了解饼图，或者更广泛地了解 Python 数据可视化，DataCamp 随时为您提供帮助。浏览我们的精选资料，准备成为可视化高手吧！

• Introduction to Python 课程
• Python Developer 职业路径
• Python Programming 技能路径
• Statistical Thinking in Python (Part 1) 课程