Python Pandas直接绘制饼状图的快捷方法
详细讲解使用 Python Pandas 内置 plot.pie() 快捷绘制饼状图的实用方法。包含 Series 与 DataFrame 对象的绘制差异、核心参数调优、常见报错排查及长尾数据合并技巧。
在 Python 数据分析日常任务中,很多分析师习惯于在 Pandas 中清洗数据后,再单独调用 Matplotlib 编写 fig, ax = plt.subplots()、手动提取标签与数值数组来绘制饼图。事实上,Pandas 本身内置了对 Matplotlib 的高层封装接口,只需直接调用 Series.plot.pie() 或 DataFrame.plot.pie(y='列名'),就能在一行代码内完成从结构化数据到饼状图的快捷映射,大幅缩短探索性数据分析的闭环周期。
一、最简快捷路径:从 Series 直接绘图
在数据结构层面,饼状图本质上表达的是“一维分类与对应数值权重”的相对占比关系。因此,Pandas 的 Series 对象是生成饼图最天然、最简洁的载体。Series 的索引(index)会被自动解析为扇区的文字标签(labels),而 Series 中的数值则自动计算其在总和中的角度比例。
下面是一个极简可执行代码示例,展示如何用一行代码完成绘制:
import pandas as pd
import matplotlib.pyplot as plt
# 准备一维统计序列
sales = pd.Series([450, 280, 190, 80], index=['电子产品', '日用百货', '服装鞋帽', '生鲜食品'])
# 一行快捷绘制饼图
sales.plot.pie(autopct='%1.1f%%', figsize=(6, 6), ylabel='')
# 展示或导出
plt.show()
在上述代码中,sales.plot.pie() 自动完成了底层 Matplotlib 轴对象的构建、数值归一化以及扇区路径的生成。通过追加 autopct='%1.1f%%',每个扇区内部即可自动显示计算后的百分比;添加 ylabel='' 则可以清除默认显示在左侧的冗余序列名称,让版面清爽整洁。
二、二维数据结构:DataFrame 的绘图规则与差异
当手头的数据以二维表格(DataFrame)形式存在时,直接调用 df.plot.pie() 会出现两种常见场景。因为 DataFrame 通常包含多个列,Pandas 无法预知你要对哪一列统计数据绘制饼图,因此必须明确给出列选择。
1. 单列绘制:指定 y 参数
如果只想对二维表里的某一个数值列绘制饼图,必须向 plot.pie() 传入 y='列名' 参数:
df = pd.DataFrame({
'2024销量': [350, 220, 180, 110],
'2025预测': [420, 260, 210, 130]
}, index=['华东', '华南', '华北', '西部'])
# 明确指定目标数值列
df.plot.pie(y='2024销量', autopct='%1.1f%%', figsize=(6, 6), ylabel='')
plt.show()
2. 多列横向对比:开启 subplots=True
若希望同时对比多列数据的占比分布,可以开启 subplots=True,Pandas 会自动按列切分并排生成多个子饼图:
# 自动为每一列生成独立的饼图子图
df.plot.pie(subplots=True, figsize=(12, 6), autopct='%1.1f%%', ylabel='', legend=False)
plt.show()
三、核心控制参数调优与视觉美化
虽然默认的快捷方法能够快速出图,但在实际业务交付中,通常需要控制百分比显示精度、起始旋转角、图例位置以及突出重点切片。Pandas 的 plot.pie() 允许直接透传 Matplotlib 的底层参数。
下面是一个集成上述美化参数的综合示例:
custom_colors = ['#477DAD', '#4F6272', '#60A5FA', '#94A3B8']
explode_slices = [0.08, 0, 0, 0] # 单独将首项突出
sales.plot.pie(
autopct='%1.1f%%',
startangle=90, # 从正上方 90 度位置开始逆时针绘制
explode=explode_slices, # 突出第一块扇区
colors=custom_colors, # 应用自定义配色
figsize=(7, 7), # 保持正圆形长宽比
ylabel='', # 抹除左侧干扰文字
legend=False # 已有扇区标签时关闭冗余图例
)
plt.title('2024 年度品类营收占比分布', fontsize=14, pad=15)
plt.show()
四、数据准备与高频陷阱排查
虽然调用接口极度精简,但在处理真实业务数据时,容易因为数据质量或底层参数缺失遇到异常。以下是三个最常见的坑点及其解决方案:
1. 报错:ValueError: pie requires either y column or 'subplots=True'
当对 DataFrame 调用 df.plot.pie() 却没有指定 y 时,Pandas 无法确认绘制哪一列,便会抛出该错误。解决方法是明确传入数值列名:df.plot.pie(y='目标列'),或者在需要多图时加上 subplots=True。
2. 图像变形为扁平椭圆
Matplotlib 默认画布并非正方形,若未显式指定比例,饼图可能会随窗口长宽比拉伸为椭圆。解决方法是始终指定 figsize=(6, 6),或在绘图后执行 plt.axis('equal') 强制锁定等比例坐标轴。
3. 类别过多导致的“彩虹饼”问题
饼图适合展示 5 到 7 个以内的主要类别。如果分类超过 8 个,扇区切片会过于狭窄,文字相互重叠,丧失可读性。快捷的解决办法是在绘图前将长尾小类合并为“其他”:
# 数据预处理:将占比较小的项目合并为“其他”
threshold = 0.05
total = raw_series.sum()
mask = (raw_series / total) < threshold
# 提取主项并将长尾汇总
main_items = raw_series[~mask]
if mask.any():
main_items['其他'] = raw_series[mask].sum()
main_items.plot.pie(autopct='%1.1f%%', figsize=(6, 6), ylabel='')
plt.show()
总结
利用 Pandas 内置的 plot.pie() 方法,无需繁杂的底层绘图模板即可快速生成结构清晰的饼状图。掌握 Series 的默认索引映射、DataFrame 的 y 参数要求,并配合 autopct、ylabel='' 与 figsize,就能在几秒钟内完成既专业又整洁的可视化交付。
本站声明
本文内容仅供参考,不代表本站观点。转载或引用请注明出处。如发现内容问题,请通过联系我们页面反馈。













