局部整体（五）利用python绘制旭日图

HsuHeinrich

发布于 2024-11-23 08:42:20

14600

代码可运行

文章被收录于专栏：HsuHeinrichHsuHeinrich

运行总次数：0

代码可运行

局部整体（五）利用python绘制旭日图

旭日图（ Sunburst Charts）简介

由于其形状像太阳光由内向外辐射出来，所以叫SunBurst(太阳爆发)，中文也叫日出图。是多个层级的环图/饼图的拓展，可以显示多个层级的整体分布关系。

快速绘制

基于plotly

# 基于plotly.express（自定义程度低，代码量较少）

import plotly.express as px
import numpy as np

df = px.data.gapminder().query("year == 2007")
fig = px.sunburst(df, path=['continent', 'country'], values='pop',
                  color='lifeExp', hover_data=['iso_alpha'],
                  color_continuous_scale='RdBu',
                  color_continuous_midpoint=np.average(df['lifeExp'], weights=df['pop']))
fig.show()

定制多样化的圆环图

自定义旭日图一般是结合使用场景对相关参数进行修改，并辅以其他的绘图知识。参数信息可以通过官网进行查看，其他的绘图知识则更多来源于实战经验，大家不妨将接下来的绘图作为一种学习经验，以便于日后总结。

基于plotly.graph_objects可以自定义更为灵活的旭日图

# 基于plotly.graph_objects（自定义程度高，代码量较大）

import plotly.graph_objects as go
import plotly.express as px
import pandas as pd
import numpy as np

df = px.data.gapminder().query("year == 2007")

def build_tree(df, levels, value_columns):
    '''
    将df多层级数据转化为两列，分别表示自节点（label）和父节点（parent）。value_columns为统计值（不同层级汇总后的值）
    '''
    dfs = []  # 临时存储的df列表
    for i, level in enumerate(levels):
        dfg = df.groupby(levels[i:]).agg(value_columns).reset_index()
        df_level = pd.DataFrame({'label': dfg[level], 
                                 'parent': dfg[levels[i + 1]] if i + 1 < len(levels) else '', 
                               })
        for value_column in value_columns.keys():
            df_level[value_column] = dfg[value_column]
        dfs.append(df_level)

    df_tree = pd.concat(dfs, ignore_index=True)
    return df_tree

levels = ['country','continent']
# 这里对lifeExp只做简单的平均，plotly.express里的color是按照value作为权重进行加权平均计算的
value_columns = {'pop': 'sum', 'lifeExp': 'mean'} 
df_tree = build_tree(df, levels, value_columns)

fig =go.Figure(go.Sunburst(
    labels=df_tree['label'],
    parents=df_tree['parent'],
    values=df_tree['pop'],
    branchvalues="total",
    hovertext=df['pop'],
    marker=dict(
        colors=df_tree['lifeExp'], 
        colorscale='RdBu',
        cmid=np.average(df['lifeExp'], weights=df['pop']),
        colorbar=dict(
              title='LifeExp'
        )    
    ),
    hovertemplate='<b>%{label} </b> <br> Pops: %{value}<br> lifeExp: %{color:.2f}',
))
fig.update_layout(margin = dict(t=0, l=0, r=0, b=0))

fig.show()