### 使用 Python 绘制南丁格尔玫瑰图 南丁格尔玫瑰图是一种特殊的饼图，用于显示周期性数据的变化情况。它通过调整扇形的角度和半径来表示不同的维度数据。以下是基于 `matplotlib` 和 `seaborn` 的实现方式。 #### 方法一：使用 Matplotlib 实现南丁格尔玫瑰图 以下是一个简单的代码示例，展示了如何利用 `matplotlib` 创建南丁格尔玫瑰图： ```python import numpy as np import matplotlib.pyplot as plt # 数据准备 categories = ['A', 'B', 'C', 'D', 'E'] values = [10, 20, 30, 40, 50] # 将数据转换为极坐标形式 angles = np.linspace(0, 2 * np.pi, len(values), endpoint=False).tolist() values += values[:1] # 关闭图形 angles += angles[:1] # 初始化极坐标绘图 fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True)) # 绘制折线图形成玫瑰图效果 ax.plot(angles, values, linewidth=2, linestyle='solid') ax.fill(angles, values, alpha=0.25) # 设置刻度和标签 ax.set_xticks(np.linspace(0, 2 * np.pi, len(categories), endpoint=False)) ax.set_xticklabels(categories) plt.title('南丁格尔玫瑰图 (Matplotlib)', va='bottom') plt.show() ``` 此代码片段创建了一个基本的南丁格尔玫瑰图，并通过设置角度和值实现了极坐标的可视化[^1]。 --- #### 方法二：使用 Seaborn 结合 Matplotlib 虽然 `seaborn` 并未提供直接绘制南丁格尔玫瑰图的功能，但可以通过组合 `matplotlib` 的功能扩展其实现能力。下面是一段结合两者的方式： ```python import seaborn as sns import pandas as pd import numpy as np import matplotlib.pyplot as plt # 准备数据 data = { 'Category': ['Jan', 'Feb', 'Mar', 'Apr', 'May'], 'Value': [10, 20, 30, 40, 50] } df = pd.DataFrame(data) # 构建极坐标 sns.set_style("whitegrid") num_vars = df.shape[0] theta = np.linspace(0, 2 * np.pi, num_vars, endpoint=False) radii = df['Value'].values.tolist() # 添加首尾相连点以关闭环形 theta = np.concatenate((theta, [theta[0]])) radii = radii + [radii[0]] # 开始绘图 fig, ax = plt.subplots(subplot_kw={'projection': 'polar'}, figsize=(8, 8)) ax.plot(theta, radii, color="blue", marker="o", label="Values") ax.fill(theta, radii, facecolor='skyblue', alpha=0.25) # 自定义样式 ax.set_theta_offset(np.pi / 2) # 偏移起始角 ax.set_theta_direction(-1) # 反转方向 ax.set_xticks(theta[:-1]) # 设置分类标签 ax.set_xticklabels(df['Category']) plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1)) plt.title('南丁格尔玫瑰图 (Seaborn + Matplotlib)') plt.show() ``` 这段代码通过 `seaborn` 提供的主题风格增强了图表美观性，同时借助 `matplotlib` 的极坐标功能完成核心逻辑[^2]。 --- ### 南丁格尔玫瑰图的特点与适用场景 南丁格尔玫瑰图适用于展示具有周期性的多维数据集，尤其适合时间序列分析或分组比较的情况。其优点在于能够直观反映各部分的比例关系以及变化趋势[^4]。 ---