图样图森破——pyecharts之玫瑰图

说起玫瑰图，大家可能不是很熟悉，但是对它的表亲饼图（扇形图）应该都不陌生了。

在excel里，我们经常使用到饼图，像这样：

或这样：

还有这样：

今天我们来认识一下南丁格尔玫瑰图，看看与我们常见的饼图究竟有何不同。

2020年新冠病毒肆虐全球，人民日报刊载了下面这样一张图片：

从图上，我们可以清晰地看到各个国家确诊和死亡病例数量，它是以区域面积来表示数值大小，实际上我们可以将其理解为一个圆形的直方图。玫瑰图是由弗罗伦斯·南丁格尔所发明的，也称为极区图或鸡冠花图，最初也是用以表达军医院季节性死亡率。

玫瑰图本质上与饼图（扇形图）、柱状图等并没有什么不同，只是展示形式较为独特，配以缤纷的颜色和合理的排序，使得整图绚烂多彩，能够显示出不同类别之间的差异，令人印象更加深刻。

接下来我们就仿照人民日报的这张图，自己动手用pyecharts来制作一张玫瑰图。

首先，从百度的疫情实时大数据报告来获取我们所需要的数据，具体链接为https://voice.baidu.com/act/newpneumonia/newpneumonia/?from=osari_aladin_banner#tab4。

将数据保存为excel表格，然后导入我们本次需要使用的包（pyecharts和pandas），options和charts分别是pyecharts的配置项和图表类，JsCode可以将js代码传入配置项中。

from pyecharts import options, charts
from pyecharts.commons.utils import JsCode
import pandas as pd

# 玫瑰图
file = pd.read_excel('疫情数据.xlsx')
data = file.sort_values(by=['新增'], ascending=False)
items1 = [(y['地区'], y['新增']) for x, y in data.iterrows()][0:20]
data = file.sort_values(by=['死亡'], ascending=False)
items2 = [(y['地区'], y['死亡']) for x, y in data.iterrows()][0:20]

使用pandas读取我们保存好的疫情数据文件（内容如下图），分别按照'新增'、'死亡'两列从大到小排序，并保存为两个二元列表。由于地区分组太多，容易影响可视化效果，所以我们本次只选取每个指标的TOP20。

pyecharts中将玫瑰图划归为饼图，我们创建一个名为rose的对象（不要问我为啥初始化里宽高这么大，屏幕大就是任性）。本次画图会在标签中显示分类名称，所以我们先关闭图例的显示，以免占用空间。

rose = charts.Pie(init_opts=options.InitOpts(width='3800px', height='2200px'))
rose.set_global_opts(legend_opts=options.LegendOpts(is_show=False))

接下来我们开始配置第一个玫瑰图：

rose.add('新增', data_pair=items1,
         rosetype='area', radius=['3%', '100%'], center=['30%', '70%'], is_clockwise=False,
         label_opts=options.LabelOpts(is_show=True, position='inside', font_size=8, formatter='{b}:{c}')
         ).set_colors(
    ['rgb({r},{g},0)'.format(r=255 - 15 * x if x < 10 else 0, g=100 + 10 * (x - 10) if x >= 10 else 0) for x in range(20)])

使用add方法添加数据，第一个参数是数据系列名称，也就是我们excel中的'新增'，然后data_pair是我们前面创建好的二元列表items1，其格式要求为列表每个元素都是一个长度为2的列表(list)或者元组(tuple)，形如[(a1,b1),(a2,b2)]，其中a为每一项的名称（本例中就是美国、印度等地区），b为该项数值（新增病例数）。

radius：长度为2的列表，第一个元素表示内径大小，第二个元素表示外径大小，默认设置成百分比，相对于容器高宽中较小的一项的一半

center：本图中心在绘图区域的相对位置

is_clockwise：各扇区是否顺时针排布

label_opts：数据标签配置项，包含标签是否显示、位置、字体大小、显示内容等多项，其中position有outside、inside、inner、center四个取值，inside和inner均指标签位于扇区内部，outside为外部，center为在饼图中心位置；formatter是标签区域内包含哪些内容，{a}系列名（新增），{b}数据项（美国、印度等），{c}为数值（新增病例数），{d}为各区域所占整体的百分比

⚠️注意：参数rosetype即为选择展示数值大小的方式，共有两个取值可选：

1）radius表示各扇区圆心角表示所占百分比，半径表示数值大小

2）area表示各扇区弧度相等，仅以半径来表示数值大小

3）缺省则为普通饼图

设置好所需的各个参数，然后就是设置各个扇区的颜色了，对于饼图类来说，可以通过set_colors来传入一个表示颜色的列表，列表内元素可以是rgb色值、十六进制颜色码以及“red”、“blue”这种单词。在本例中，由于扇区较多，为提高区分度且不至于太过混乱，我们利用rgb色值将前15个扇区设置为红色渐进，后5个设置为绿色渐进，最终效果如下：

接下来我们再看第二个：

rose.add('死亡', data_pair=items2,
         rosetype='area', radius=['1%', '100%'], center=['70%', '70%'], is_clockwise=False,
         label_opts=options.LabelOpts(is_show=True, position='inside', font_size=10, formatter='{b}:{c}'),
         itemstyle_opts={
             "color": JsCode(
                 """new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
             offset: 0,
                              color: 'rgba(0, 160, 221, 1)'

         }, {
             offset: 1,
                              color: 'rgba(0, 255, 255, 1)'

         }], false)"""
             )
         }
         )
rose.render('rose.html')

这里我们不再使用set_colors来为每个扇区设置不同颜色，而是通过add方法中itemstyle_opts的参数来设置单个扇区的展示风格。itemstyle_opts本身支持从options中调用ItemStyleOpts来设置内部各项参数，但与生成html后的js配置不甚匹配（也可能是我没搞懂😭），所以此处我们直接使用字典传参。

color参数支持直接使用颜色，或使用js来定义渐变色（包括线性渐变LinearGradient和径向渐变Radial），具体js函数不做详细介绍，我们可以直接傻瓜式地修改其接收的参数，主要修改两处rgb的颜色即可，offset=0或1分别代表扇区的外部和内部。线性渐变色效果如下：

以上两种配色方法有不同的展示效果：扇区间多色渐变更有层次感，扇区内单色渐变显得较为立体，我们可以根据实际需求来选择最合适的方案。

玫瑰图不同于一般饼图，但同时也具有一般饼图的缺点，当扇区数量较多、部分扇区数值较小，就容易出现标签重叠、互相遮挡的问题，对此并没有较好的解决方案。像上面我们看到的人民日报刊载的这张图，其实是经过特殊处理的，可以在基本图形生成后，手动往上添加文字说明，并将其置于合适的位置。

另外，由于需要显示的数据可能分布不太均匀，离差较大，就像上面示例图中一样，美国一骑绝尘遥遥领先的情况下，导致整个图形极为狭长。这种情况下，我们可以对数据进行稍微的修饰，把极值按一定比例缩放，在不影响其大小顺序的前提下，让它在整体中稍微不那么“鹤立鸡群”，但同时在标签说明上要做一些修改，直接在数据项名称中加上数值，并且标签中只显示数据项名称，而不显示数值实际大小：

rose.add('新增', data_pair=[('{}:\n{}'.format(items1[x][0], items1[x][1]), items1[x][1] if x >= 1 else round(items1[x][1] / 2)) for x in range(20)], rosetype='area', radius=['3%', '100%'], center=['30%', '70%'], is_clockwise=False, label_opts=options.LabelOpts(is_show=True, position='inside', font_size=12, formatter='{b}',vertical_align='bottom') ).set_colors( ['rgb({r},{g},0)'.format(r=255 - 15 * x if x < 10 else 0, g=100 + 10 * (x - 10) if x >= 10 else 0) for x in range(20)])​

修改后整体效果如下：

关于玫瑰图就说到这里，数据可视化作为数据分析的一项基本工具和表达方式，最重要的是不能“以图害意”，掌握多种可视化方法，并选取最合适的一种，切莫只图花哨而忽略了其对数据结论的传达效果。