面積圖，或稱區(qū)域圖，是一種隨有序變量的變化，反映數(shù)值變化的統(tǒng)計圖表。

面積圖也可用于多個系列數(shù)據(jù)的比較。

這時，面積圖的外觀看上去類似層疊的山脈，在錯落有致的外形下表達(dá)數(shù)據(jù)的總量和趨勢。

面積圖不僅可以清晰地反映出數(shù)據(jù)的趨勢變化，也能夠強(qiáng)調(diào)不同類別的數(shù)據(jù)間的差距對比。

面積圖的特點(diǎn)在于，折線與自變量坐標(biāo)軸之間的區(qū)域，會由顏色或者紋理填充。

但它的劣勢在于，填充會讓形狀互相遮蓋，反而看不清變化。一種解決方法，是使用有透明度的顏色，來“讓”出覆蓋區(qū)域。

1. 主要元素

面積圖是一種用于展示數(shù)據(jù)分布或密度的圖表類型，主要由數(shù)據(jù)點(diǎn)、面積、以及X軸和Y軸組成。
面積圖可以直觀地反映數(shù)據(jù)的分布情況。

面積圖的主要構(gòu)成元素包括：

• 數(shù)據(jù)點(diǎn)：表示數(shù)據(jù)的具體位置和大小
• 面積：表示數(shù)據(jù)的分布或密度
• X軸：一般是有序變量，表示數(shù)據(jù)點(diǎn)的變化區(qū)間
• Y軸：數(shù)據(jù)點(diǎn)在不同時刻的值

2. 適用的場景

面積圖適用于以下分析場景：

• 數(shù)據(jù)分布分析：幫助分析人員了解數(shù)據(jù)的分布情況，如城市的大小、人口分布等。
• 市場需求分析：幫助企業(yè)了解市場需求的變化趨勢，如銷售額的增長情況等。
• 健康狀況分析：幫助醫(yī)生了解患者的健康狀況，如體溫、血壓等數(shù)據(jù)的變化趨勢。

3. 不適用的場景

面積圖不適用于以下分析場景：

• 數(shù)據(jù)的精確性要求較高的分析場景：面積圖無法精確地反映數(shù)據(jù)的分布情況，在需要精確數(shù)據(jù)的場景中不適用。
• 需要顯示數(shù)據(jù)細(xì)節(jié)的分析場景：面積圖無法直觀地顯示數(shù)據(jù)的細(xì)節(jié)和變化趨勢，在需要顯示數(shù)據(jù)細(xì)節(jié)的場景中不適用。
• 需要進(jìn)行多維數(shù)據(jù)分析的場景：面積圖無法直接展示多維數(shù)據(jù)，在需要進(jìn)行多維數(shù)據(jù)分析的場景中不適用。

4. 分析實(shí)戰(zhàn)

這次使用國內(nèi)生產(chǎn)總值相關(guān)數(shù)據(jù)來實(shí)戰(zhàn)面積圖的分析。

4.1. 數(shù)據(jù)來源

數(shù)據(jù)來源國家統(tǒng)計局公開數(shù)據(jù)，已經(jīng)整理好的csv文件在：databook.top/nation/A02

本次分析使用其中的 A0201.csv 文件（國內(nèi)生產(chǎn)總值數(shù)據(jù)）。

下面的文件路徑 fp 要換成自己實(shí)際的文件路徑。

fp = "d:/share/A0201.csv"
df = pd.read_csv(fp)
df

4.2. 數(shù)據(jù)清理

從中過濾出國內(nèi)生產(chǎn)總值(億元)和人均國內(nèi)生產(chǎn)總值(元)，然后繪制面積圖看看有什么發(fā)現(xiàn)。

key1 = "國民總收入(億元)"
df[df["zbCN"]==key1].head()

key2 = "人均國內(nèi)生產(chǎn)總值(元)"
df[df["zbCN"]==key2].head()

4.3. 分析結(jié)果可視化

**國內(nèi)生產(chǎn)總值(億元)**的面積圖：

from matplotlib.ticker import MultipleLocator
with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))
    data = df[df["zbCN"] == key1].copy()
    data["value"] = data["value"] / 10000
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], label="國民總收入(萬億元)")
    ax.legend(loc="upper left")

上面的代碼把Y軸的單位改成了萬億元，原先的億元作為單位，數(shù)值太大。

用面積圖來展示分析結(jié)果，不像折線圖那樣，僅僅只是變化趨勢的感覺；

通過折線下的面積不斷擴(kuò)大，會感覺到國民總收入的總量在不斷變大，且2006年之后，總量增速明顯提高。

同樣分析步驟，人均收入的面積圖如下：

from matplotlib.ticker import MultipleLocator
with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))
    data = df[df["zbCN"] == key2].copy()
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], label=key2)
    ax.legend(loc="upper left")

接下來，我們把國民總收入和人均收入放在一起看，但是，這兩組數(shù)據(jù)的單位不一樣（一個是萬億元，一個是元）。

所以要用到之前 matplotlib基礎(chǔ)系列中介紹的雙坐標(biāo)軸技巧來展示。

from matplotlib.ticker import MultipleLocator
with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))
    ax_twinx = ax.twinx()
    data = df[df["zbCN"] == key1].copy()
    data["value"] = data["value"] / 10000
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], 
                    alpha=0.5, label="國民總收入(萬億元)")
    data = df[df["zbCN"] == key2].copy()
    data = data.sort_values(by="sj")
    ax_twinx.fill_between(data["sjCN"], data["value"], 
                          color='r', alpha=0.2, label=key2)
    ax.legend(loc="upper left")
    ax_twinx.legend(loc="upper right")

兩個面積圖用了不同顏色，并加了透明度（即alpha 參數(shù)），不加透明度，顏色會互相覆蓋。

左邊的Y軸是國民總收入，右邊的Y軸是人均收入。

這兩個面積圖幾乎完全重合，正說明了國民總收入和人均收入是強(qiáng)相關(guān)的。

以上就是Matplotlib實(shí)戰(zhàn)之面積圖繪制詳解的詳細(xì)內(nèi)容，更多關(guān)于Matplotlib面積圖的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論