你是否曾经在展示数据分析结果时，纠结于如何才能直观地呈现各个部分占整体的比例？或者在面对一堆枯燥的分类数据时，希望能有一种方式让观众一眼就抓住重点？饼图作为一种经典的数据可视化手段，正是为了解决这一问题而生。在今天的文章中，我们将一起深入探索如何使用 Python 中最强大的可视化库——Matplotlib，来绘制并定制既专业又美观的饼图。
我们不仅要涵盖基础的绘图方法，还会深入探讨如何通过自定义参数来提升图表的质感，甚至涉及一些进阶技巧，比如嵌套饼图和 3D 饼图。无论你是数据分析的初学者，还是希望提升可视化技能的开发者，这篇指南都将为你提供实用的见解和代码示例。让我们开始这段可视化的旅程吧。
目录
为什么选择饼图？
在深入代码之前，我们先来聊聊“为什么”。在数据可视化的众多工具中，饼图有着独特的地位。它通过将一个圆形划分为多个扇形，每个扇形的面积代表其占整体的比例，从而直观地展示数据的分布情况。
我们在以下场景中通常会优先考虑使用饼图：
- 展示相对比例：当你想强调某个部分相对于整体的占比时（例如，某产品在总销售额中的份额），饼图是非常直观的选择。
- 数据分类汇总：对于少量的分类数据（通常建议少于 5-7 个），饼图能清晰地展示各类别的数量对比。
- 突出显著差异：如果某一部分占据了绝大多数，饼图能立刻让观察者注意到这种“一家独大”的情况。
注意：虽然饼图很棒，但它也有局限性。如果分类太多（比如超过 10 个），图表会变得杂乱难以阅读；或者如果各部分大小相差无几，人眼很难通过面积判断出细微差别。尽管如此，只要运用得当，一个制作精良的 Matplotlib 饼图绝对能为你的数据报告增色不少。
饼图的核心组件
在敲代码之前，理解饼图的基本结构至关重要。一个标准的 Matplotlib 饼图由以下几个关键组件构成：
- 数据：这是构建图表的基石，通常是一个数值列表。每个数值决定了对应扇形的大小。
- 标签：这是给每个扇形贴上的“名字”，告诉观众哪一块代表着什么。
- 颜色：虽然可选，但合理的配色方案能极大提升图表的可读性。
- 爆炸：这是一个有趣的参数，允许我们将某个特定的扇形从圆心“炸”出来，以突出显示。
Matplotlib 的 INLINECODEe8e493df 模块为我们提供了一个非常方便的函数 INLINECODE2825e14f。让我们先来看看它的基本语法，然后再动手实践。
基本语法
matplotlib.pyplot.pie(data, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=None)
主要参数解析：
- INLINECODEec86453c: 必需参数。我们要绘制的数值数组。每个扇形的面积分数由 INLINECODEc7c7bab3 自动计算。
-
labels: 字符串列表，用于设置每个扇形的标签。 -
colors: 为扇形指定颜色的列表。如果不指定，Matplotlib 会自动使用默认配色。 - INLINECODEc760de66: 这是一个格式字符串（如 INLINECODE150dc319），用于在扇形上自动标注百分比。
-
shadow: 布尔值。设为 True 可在扇形下方添加阴影，增加立体感。 -
startangle: 设置饼图起始的旋转角度，默认为 0（从 x 轴开始逆时针旋转）。
实战演练 1：绘制你的第一个饼图
让我们通过一个简单的例子来热身。假设我们要统计不同汽车品牌的销售数据，并将其可视化。
# 导入必要的库
import matplotlib.pyplot as plt
import numpy as np
# 准备数据
cars = [‘AUDI‘, ‘BMW‘, ‘FORD‘, ‘TESLA‘, ‘JAGUAR‘, ‘MERCEDES‘]
# 这里的数值代表销量或任何你关心的指标
sales_data = [23, 17, 35, 29, 12, 41]
# 创建画布，设置图表大小
plt.figure(figsize=(10, 7))
# 绘制饼图
# 注意：Matplotlib 会自动计算百分比并进行绘制
plt.pie(sales_data, labels=cars)
# 添加标题，让图表更有意义
plt.title(‘不同汽车品牌的销售分布‘)
# 显示图表
plt.show()
运行这段代码，你会看到一个基本的饼图。虽然它能展示数据，但看起来可能有点平淡。在实际工作中，我们需要更多的细节来增强图表的信息量和美观度。
实战演练 2：自定义饼图，提升专业度
为了让你的图表在报告或演示中脱颖而出，我们需要掌握一些自定义技巧。我们可以调整起始角度、添加阴影、甚至突出显示某一个特定的数据点。
关键自定义参数详解
-
startangle：通过设置起始角度，我们可以控制第一个扇形的位置。例如，将其设为 90 度，可以让第一个数据点从正上方开始，这通常符合我们的阅读习惯。 -
shadow：给扇形添加阴影可以产生一种伪 3D 的效果，让图表看起来不那么单调。 -
explode(爆炸效果)：这是一个非常实用的功能。我们可以传递一个与数据长度相同的列表，列表中的数值代表该扇形偏离圆心的距离。如果我们想强调某一项（比如销量最高的 MERCEDES），我们可以把它“炸”出来。 -
autopct：在扇形上直接显示具体的百分比数值，这样观众就不必去猜测大概的比例了。 -
wedgeprops：这是一个字典参数，允许我们深入定制扇形的属性，比如边框线宽、边框颜色等，这对于增加图表的锐利感非常有用。
让我们看看如何将这些技巧结合起来，绘制一个更高级的饼图。
import matplotlib.pyplot as plt
# 数据准备
sizes = [15, 30, 45, 10]
labels = [‘A组‘, ‘B组‘, ‘C组‘, ‘D组‘]
colors = [‘#ff9999‘,‘#66b3ff‘,‘#99ff99‘,‘#ffcc99‘] # 自定义颜色
# ‘explode‘ 参数：这里我们将 ‘C组‘ 突出显示 0.1 的距离
explode = (0, 0, 0.1, 0)
# 绘制图表
plt.figure(figsize=(8, 8))
patches, texts, autotexts = plt.pie(sizes,
explode=explode,
labels=labels,
colors=colors,
autopct=‘%1.1f%%‘, # 显示一位小数的百分比
shadow=True,
startangle=90) # 从90度开始
# 优化文字显示（可选）
# 可以通过遍历 texts 和 autotexts 来调整字体大小或颜色
for text in texts:
text.set_fontsize(12)
for autotext in autotexts:
autotext.set_color(‘white‘) # 百分比文字设为白色
autotext.set_fontsize(10)
plt.title(‘自定义饼图示例：突出显示 C 组‘)
plt.show()
在这个例子中，我们使用了自定义颜色列表，这使得图表风格更加统一和专业。同时，通过 wedgeprops（如果需要更细致的控制）和颜色优化，我们可以清晰地分辨不同的扇形。
进阶技巧：处理嵌套饼图
当我们需要展示两个层级的数据关系时，单一的饼图可能不够用了。这时，我们可以利用 Matplotlib 绘制嵌套饼图，也就是在一个大饼图内部再画一个小饼图。这在展示“大类中的小类”或者“内/外环数据对比”时非常有用。
应用场景：例如，展示全公司的部门预算占比（外环），同时展示某个特定部门的项目预算占比（内环）。
import matplotlib.pyplot as plt
import numpy as np
# 设置绘图大小
fig, ax = plt.subplots(figsize=(10, 8))
# 外环数据
size_outside = 0.3
labels_outside = [‘A‘, ‘B‘, ‘C‘, ‘D‘]
data_outside = [30, 30, 20, 20]
colors_outside = [‘#FF9999‘, ‘#66B3FF‘, ‘#99FF99‘, ‘#FFCC99‘]
# 内环数据
labels_inside = [‘A1‘, ‘A2‘, ‘A3‘, ‘B1‘, ‘B2‘, ‘C1‘, ‘D1‘, ‘D2‘]
data_inside = [10, 20, 5, 10, 20, 10, 5, 15]
colors_inside = [‘#FFAAAA‘, ‘#FFCCCC‘, ‘#FFDDDD‘,
‘#66CCFF‘, ‘#99DDFF‘,
‘#AAFFAA‘,
‘#FFDDAA‘, ‘#FFEECC‘]
# 绘制外环饼图
# wedgeprops 参数控制扇形的宽度，从而形成环形
wedges1, texts1, autotexts1 = ax.pie(data_outside,
labels=labels_outside,
radius=1, # 外环半径
colors=colors_outside,
startangle=90,
wedgeprops=dict(width=size_outside, edgecolor=‘w‘))
# 绘制内环饼图
wedges2, texts2, autotexts2 = ax.pie(data_inside,
labels=labels_inside,
radius=1 - size_outside, # 内环半径
colors=colors_inside,
startangle=90,
labeldistance=0.7,
wedgeprops=dict(width=size_outside, edgecolor=‘w‘))
# 设置居中和比例，确保饼图是圆的而不是椭圆
ax.set(aspect="equal")
plt.title(‘嵌套饼图示例：层级数据展示‘)
plt.show()
代码解析：这里的关键在于 INLINECODE30f3fd60 中的 INLINECODE5e79224c 参数。通过设置宽度，我们将标准饼图变成了环形图。内外环半径的配合（INLINECODE0aff18fa 和 INLINECODEd002ecbb）确保了两个圆环完美契合。
探索 3D 饼图
虽然 2D 饼图在大多数情况下已经足够清晰，但有时候为了视觉冲击力，或者在某些特定的展示场合，3D 饼图也是一个有趣的选择。在 Matplotlib 中，我们需要引入 mpl_toolkits.mplot3d 模块。
需要注意的是，Matplotlib 并没有直接提供一个名为 pie3d 的函数，因此实现真正的 3D 饼图稍微有些复杂。通常，我们更推荐使用带阴影的 2D 饼图来模拟 3D 效果，因为这通常更清晰且不容易产生视觉误导。不过，如果你确实需要尝试，我们可以通过在 3D 坐标系中投影多边形来实现，但这通常超出了基础教程的范畴。
一个更实用的替代方案是使用 shadow=True 参数，这在 Matplotlib 中被广泛认为是模拟 3D 效果的最佳实践，既保留了数据的可读性，又增加了立体感。
最佳实践与常见陷阱
在我们结束之前，作为经验丰富的开发者，我想分享一些在实际项目中总结的经验。
1. 颜色的选择
不要完全依赖 Matplotlib 的默认颜色。对于重要的报告，建议使用专门设计的配色方案（比如来自 seaborn 库或者商业配色网站）。例如，对于连续性数据，使用同色系渐变；对于分类数据，使用对比度鲜明的颜色。
2. 标签的位置
如果你的分类标签很长，直接放在饼图旁边可能会重叠。我们可以利用 Matplotlib 的图例功能来优化显示：
plt.figure(figsize=(10, 7))
wedges, texts, autotexts = plt.pie(sales_data, labels=cars, autopct=‘%1.1f%%‘)
# 将图例放在图表外侧，防止遮挡
plt.legend(wedges, cars, title="汽车品牌", loc="center left", bbox_to_anchor=(1, 0, 0.5, 1))
plt.show()
3. 饼图 vs 柱状图
这是一个永恒的话题。当类别超过 5 个，或者数据差异不明显时，请考虑使用柱状图。人眼对长度的比对（柱状图）比对面积（饼图）要敏感得多。不要强行使用饼图，数据的准确传达永远是第一位的。
4. 百分比格式
在使用 INLINECODEcb32db73 时，请注意浮点数精度。INLINECODE2722752f 显示一位小数通常足够，避免显示过多小数位导致图表杂乱。此外，如果某个部分非常小，百分比文字可能会重叠，这时可能需要手动调整参数或将其剔除。
性能优化建议
如果你在处理包含成百上千个饼图的大规模数据可视化任务（例如自动化报表生成），Matplotlib 的渲染速度可能会成为瓶颈。
- 使用 INLINECODE23fdd03e 后端：在不需要弹出交互窗口，而是直接保存图片的服务器环境下，使用 INLINECODE67af74c1 可以显著提高效率。
- 关闭交互模式：在循环生成多张图表时，使用
plt.ioff()关闭交互模式，避免每次绘图都刷新界面。
总结
在这篇文章中，我们一起学习了如何使用 Matplotlib 从零开始绘制 Python 饼图。从最基本的 pie() 函数调用，到自定义颜色、阴影、爆炸效果，再到复杂的嵌套饼图，我们掌握了创建专业级数据可视化的核心技能。
通过合理运用这些工具，你可以将枯燥的数据转化为直观、美观的图表，从而更有效地传达你的分析结果。数据可视化不仅仅是画图，更是讲故事的艺术。希望你能将这些技巧应用到你的实际项目中，创造出令人眼前一亮的作品！
如果你想继续探索，不妨尝试结合 pandas 数据框直接绘图，或者学习如何将图表保存为高分辨率的图片格式。祝你的数据可视化之旅充满乐趣！