Python?matplotlib實戰(zhàn)之雷達(dá)圖繪制

更新時間：2023年08月30日 11:08:06 作者：databook

雷達(dá)圖（Radar?Chart）,也被稱為蛛網(wǎng)圖或星型圖,是一種用于可視化多個變量之間關(guān)系的圖表形式,本文主要為大家介紹了如何使用Matplotlib繪制雷達(dá)圖,需要的小伙伴可以參考下

1. 主要元素

雷達(dá)圖的主要元素包括：

坐標(biāo)軸：每個變量對應(yīng)一個射線或軸線，從中心點向外延伸。射線的長度或角度表示該變量的值大小或比例。
數(shù)據(jù)點：在每個射線上，根據(jù)變量的值確定相應(yīng)的數(shù)據(jù)點或標(biāo)記點的位置。
雷達(dá)鏈：連接各個數(shù)據(jù)點或標(biāo)記點形成的多邊形或區(qū)域，用于表示多個變量之間的關(guān)系。
區(qū)域范圍：雷達(dá)鏈所連接的區(qū)域，面積大小代表各個數(shù)據(jù)綜合的結(jié)果。

2. 適用的場景

雷達(dá)圖適用的分析場景包括：

比較綜合表現(xiàn)：比較多個實體（如產(chǎn)品、團(tuán)隊、個人等）在多個指標(biāo)上的表現(xiàn)，幫助決策者了解它們之間的差異和相對優(yōu)劣。
評估績效和目標(biāo)：幫助評估績效和目標(biāo)達(dá)成情況，從而指導(dǎo)后續(xù)決策和改進(jìn)措施。
變量之間的關(guān)系趨勢：直觀地發(fā)現(xiàn)多個變量之間的關(guān)系和趨勢，例如某個變量的增長是否會導(dǎo)致其他變量的變化。
強調(diào)優(yōu)勢和劣勢：凸顯實體在某些指標(biāo)上的優(yōu)勢和劣勢，有助于決策者更好地了解實體的特點和優(yōu)勢所在。

3. 不適用的場景

雷達(dá)圖不適用的分析場景有：

無序數(shù)據(jù)：如果數(shù)據(jù)是無序的，無法明確確定各個變量之間的相對位置和關(guān)系，雷達(dá)圖的效果會大打折扣。
數(shù)據(jù)缺失：如果某些變量的數(shù)據(jù)缺失或不完整，將導(dǎo)致雷達(dá)圖無法準(zhǔn)確地展示各個變量之間的關(guān)系和差異。
多個并行路徑：當(dāng)存在多個并行路徑時，例如多個團(tuán)隊或產(chǎn)品之間的比較，雷達(dá)圖可能無法清晰地展示它們之間的差異和相對優(yōu)劣。

4. 分析實戰(zhàn)

本次通過雷達(dá)圖來分析下王者榮耀KPL聯(lián)盟幾位選手的比賽數(shù)據(jù)。

4.1. 數(shù)據(jù)來源

數(shù)據(jù)來自王者榮耀官網(wǎng)（2023年春季賽數(shù)據(jù)），整理好的數(shù)據(jù)可以從下面下載：https://databook.top/wzry/2023-spring

使用其中的文件：player-2023春季賽.csv

fp = "d:/share/data/player-2023春季賽.csv"
df = pd.read_csv(fp)
df

4.2. 數(shù)據(jù)清理

選手的數(shù)據(jù)一共有125條，本來想按勝率選擇最高的4位選手，發(fā)現(xiàn)勝率高的選手很多只參加了1，2場比賽。

所以選擇參加比賽最多的6位選手來分析。

data = df.sort_values("比賽場次", ascending=False)
data = data.iloc[:6]
data

選擇每位選手下列5個屬性來繪制雷達(dá)圖：

經(jīng)濟(jì)占比
傷害占比
承傷占比
推塔占比
參團(tuán)率

filter_cols = ["選手", "經(jīng)濟(jì)占比", "傷害占比", "承傷占比", "推塔占比", "參團(tuán)率"]
data = data.loc[:, filter_cols]
data

將百分比數(shù)據(jù)轉(zhuǎn)為數(shù)值類型：

for col in filter_cols[1:]:
    data[col] = data[col].str.replace("%", "", regex=False)
    data[col] = data[col].astype("float")
data

4.3. 分析結(jié)果可視化

繪制6位選手的雷達(dá)圖：

N = 5 # 雷達(dá)圖屬性個數(shù)
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)
angles = np.concatenate((angles, [angles[0]]))
fig = plt.figure(figsize=[10, 6])
for i in range(len(data)):
    values = data.iloc[i, 1:].tolist()
    values.append(values[0])
    position = "23" + str(i + 1)
    ax = fig.add_subplot(int(position), polar=True)
    ax.plot(angles, values, "o-")
    ax.fill(angles, values, alpha=0.4)
    ax.set_thetagrids(angles[:-1] * 180 / np.pi,
                      data.columns[1:].tolist())
    ax.set_title(data.iloc[i, 0], color="b")
    ax.set_ylim(0, 100)
plt.subplots_adjust(hspace=0.5)