Python中的雷达图

大家好，欢迎来到IT知识分享网。

 一、什么是雷达图？

雷达图（Radar Chart），也被称为蛛网图（Spider Chart）或极坐标图，是一种用于展示多个维度的数据分布的图表。它的主要特点是在一个圆形的坐标系上，通过多个半径相连的数据点来表示不同的数据维度，形成一种类似蜘蛛网的图形。每个维度对应一个角度，而半径的长度表示该维度的数值。

二、雷达图的特点：

1. 多变量展示：雷达图可以同时展示多个变量的数据。
2. 直观比较：可以直观地比较不同组或个体在各个变量上的表现。
3. 形状识别：通过图形的形状，可以快速识别数据的分布和集中趋势。

 三、雷达图的构成：

1. 中心点：图表的中心，所有轴的起点。
2. 轴：从中心点向外辐射的轴，每个轴代表一个变量。
3. 网格线：通常有同心圆或多边形网格，用于标度数值。
4. 数据点：每个变量的值在相应的轴上表示为点。
5. 线段：连接各个数据点，形成封闭的多边形。

四、雷达图的应用场景：

1. 财务分析：在财务领域，雷达图可以用于展示企业的经营状况和财务指标，如收入、利润、资产负债率等，通过对比不同时间段或不同企业的雷达图，可以直观地了解财务状况的变化和差异。
2. 绩效评估：在绩效评估中，雷达图可以用来比较不同员工或团队在多个绩效指标上的表现，如销售额、客户满意度、团队合作等，从而全面评估其综合表现。
3. 产品特性比较：当需要比较多个产品的特性时，雷达图是一个有效的工具。它可以将产品的不同特性（如价格、质量、功能、用户满意度等）在同一坐标系内进行可视化比较，帮助消费者或决策者做出更明智的选择。
4. 项目风险管理：在项目管理中，雷达图可以用来评估项目的风险状况。通过将项目的风险因素（如成本超支、进度延误、技术难题等）绘制成雷达图，可以清晰地看到项目在各个风险维度上的表现，从而制定相应的风险管理策略。
5. 环境监测：在环境监测领域，雷达图可以用来展示空气质量、水质、噪音等各项环境指标的评分。通过观察这些指标在雷达图上的位置和分布，政府和居民可以更好地了解环境状况并采取相应措施。
6. 生物医学研究：在生物医学研究中，雷达图可以用来展示生物体的生理指标随时间的变化趋势，或者比较不同治疗方案对病人病情的影响。这有助于研究人员发现潜在的规律和趋势，为疾病诊断和治疗提供有力支持。

五、实例代码

绘制一年中不同月份的降雨量分布图，代码如下所示：

import matplotlib.pyplot as plt import numpy as np # 数据示例：每个月份的降雨量 months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'] rainfall = [50, 45, 60, 80, 100, 120, 130, 110, 90, 70, 60, 55] # 将12个月份分成360度 angles = np.linspace(0, 2*np.pi, len(months), endpoint=False) # 将雷达图的第一个点重复以形成一个封闭的图形 rainfall += rainfall[:1] angles = np.concatenate((angles, [angles[0]])) # 创建雷达图 fig, ax = plt.subplots(figsize=(8, 8), subplot_kw=dict(polar=True)) ax.fill(angles, rainfall, color='skyblue', alpha=0.5, label='Monthly Rainfall') # 设置标签 ax.set_thetagrids(angles[:-1] * 180/np.pi, months) # ax.set_yticklabels([]) # 隐藏半径刻度标签 # 添加图例，并调整位置 ax.legend(loc='upper right', bbox_to_anchor=(1.05, 1.05)) # 添加标题 plt.title('Monthly Rainfall Radar Chart', size=20, y=1.1) # 显示图形 plt.show() 

代码分析：

（1）使用numpy的linspace函数生成一个线性间隔的数组，从0到2π（360度），包含12个元素，对应12个月。endpoint=False确保生成的数组不包括终点值。

（2）为了形成一个封闭的雷达图，将第一个数据点复制并添加到数据列表的末尾，同时将起始角度复制并添加到角度列表的末尾。

（3）创建一个雷达图，设置图形大小为8×8英寸，并指定子图是极坐标图。

（4）使用fill函数绘制一个填充的雷达图，颜色设置为天蓝色，透明度为0.5，并添加标签。

（4）设置雷达图的角度网格标签为月份名称，并将半径刻度标签隐藏。

执行代码得到的结果如下图所示：

从这幅图中可以看出，降雨量在五月、六月、七月及八月来说相对较多，其中七月的降雨量最多超过了120毫米；而二月的降雨量最少，只有40毫米左右。整体上，降雨量呈现出一定的波动性。

将两年的降雨量数据进行对比，代码如下所示：

import matplotlib.pyplot as plt import numpy as np # 两年的数据示例：每个月份的降雨量 months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'] rainfall_year1 = [50, 45, 60, 80, 100, 120, 130, 110, 90, 70, 60, 55] rainfall_year2 = [30, 40, 75, 70, 90, 130, 140, 100, 80, 66, 55, 45] # 将12个月份分成360度 angles = np.linspace(0, 2*np.pi, len(months), endpoint=False) # 将雷达图的第一个点重复以形成一个封闭的图形 rainfall_year1 += rainfall_year1[:1] rainfall_year2 += rainfall_year2[:1] angles = np.concatenate((angles, [angles[0]])) # 创建雷达图 fig, ax = plt.subplots(figsize=(10, 10), subplot_kw=dict(polar=True)) # 绘制两年的降雨数据的折线 ax.plot(angles, rainfall_year1, label='Year 1', marker='o') ax.plot(angles, rainfall_year2, label='Year 2', marker='o') # 设置标签 ax.set_thetagrids(angles[:-1] * 180/np.pi, months) ax.set_yticklabels([]) # 隐藏半径刻度标签 # 添加图例 ax.legend(loc='upper right', bbox_to_anchor=(1.05, 1.05)) # 添加标题 plt.title('Monthly Rainfall Radar Chart for Two Years', size=20, y=1.1) # 显示图形 plt.show() 

代码分析：

（1）使用numpy的linspace函数生成一个线性间隔的数组，从0到2π（360度），包含12个元素，对应12个月。endpoint=False确保生成的数组不包括终点值。

（2）为了形成一个封闭的雷达图，将第一个数据点复制并添加到数据列表的末尾，同时将起始角度复制并添加到角度列表的末尾。

（3）创建一个雷达图，设置图形大小为10×10英寸，并指定子图是极坐标图。

（4）设置雷达图的角度网格标签为月份名称，并将半径刻度标签隐藏。

运行结果如下图所示：

从这幅图中可以看出，这幅图是两年的降雨量进行比较，可以通过比较两个数据点的位置，直观地看出两个年份在各个月份的降雨量差异。如果一个数据点比另一个更靠近中心，那么表示那一年的该月份降雨量较少；如果更远离中心，则表示降雨量较多。从上图可以看出Year 2的降雨量在三月、六月和七月高于Year 1的降雨量，而六月、七月和八月的降雨量数据点在两年中都属于远离中心，所以可以推断出这三个月是雨季。

六、注意事项

在设计和使用雷达图时，有一些注意事项需要考虑：

1. 数据选择：选择合适的数据集是设计雷达图的关键。确保选择的数据集具有一定的相关性和可比性，以便有效地进行比较和分析。
2. 变量设置：确定要在雷达图中表示的变量或指标，并为每个变量设置合适的轴标签。确保轴标签简洁明了，易于理解。
3. 尺度一致性：确保每个变量在雷达图上的尺度是一致的，以便进行比较。可以通过设置合适的刻度线和标签来实现尺度一致性。
4. 角度平衡：尽量保持雷达图中的射线角度平衡，避免过于密集或过于稀疏的射线分布。这有助于读者更好地理解数据的相对关系和权衡。