局部与整体类可视化图像

局部与整体类可视化图像

局部与整体类可视图表全解析

1. 韦恩图（Venn Diagram）

特点与原理

视觉表现：通过圆形重叠区域展示集合的交集和并集，重叠面积与元素数量正相关。
数学基础：基于集合论，支持2-5个集合（超过5个需用欧拉图变体）。
局限性：集合过多时视觉混乱，无法展示精确数值（需依赖标签）。

应用场景
生物学：基因家族共同表达分析。
商业分析：用户行为重叠（如同时使用产品A和B的客户比例）。
案例：比较Twitter和Instagram用户的共同活跃人群。

from matplotlib_venn import venn3
import matplotlib.pyplot as plt

# 定义三个集合的大小及交集
venn3(subsets=(20, 10, 8, 5, 3, 2, 1), 
      set_labels=('Twitter', 'Instagram', 'TikTok'))
plt.title("Social Media User Overlap")
plt.show()

 

实验结果：

 

输出说明：三圆重叠，标签显示各区域基数，中心三重交集区域占比最小。

 

2. 饼图（Pie Chart）与环形图（Doughnut Chart）

对比分析

特性	饼图	环形图
中心区域	无留白	留白（可放置标题/指标）
多系列对比	需并列多个饼图	可嵌套多层环
可读性	小块面积难比较	更清晰（尤其大数据）

 

应用场景

• 饼图：单一维度占比（如2023年公司各部门预算分配）。

• 环形图：时间序列对比（如2022 vs 2023年支出结构变化）。

Python实现

# 饼图
labels = ['R&D', 'Marketing', 'HR']
sizes = [40, 35, 25]
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
plt.title("Budget Allocation (Pie Chart)")
plt.show()

# 环形图
plt.pie(sizes, labels=labels, wedgeprops={'width':0.4}, autopct='%1.1f%%')
plt.title("Budget Allocation (Doughnut Chart)")
plt.show()

 

实验结果：

 

 

左为饼图，右为环形图。环形图中心空白区域可添加总预算数值。

---

3. 旭日图（Sunburst Chart）

层级数据可视化

• 原理：从中心向外辐射，每层代表一个数据层级，角度宽度=子类占比。

• 优势：直观展示父子关系（如国家→省→城市销售额）。

• 交互功能：支持点击展开/折叠层级（Plotly实现）。

应用场景

• 电商：商品类目下各子类销售占比。

• 文件系统：磁盘空间占用分析。

Python实现（Plotly）

import plotly.express as px
data = dict(
    parent=["Total", "Total", "Electronics", "Clothing"],
    names=["Electronics", "Clothing", "Phones", "Shirts"],
    value=[60, 40, 35, 25]
)
fig = px.sunburst(data, names='names', parents='parent', values='value')
fig.update_layout(title="Sales Distribution by Category")
fig.show()

 

实验结果：

 

交互式图表，悬停显示数值，点击可聚焦查看子类。

---

4. 圆堆积图（Circular Packing）

实验设计

• 数据准备：模拟生态系统数据（哺乳动物→食肉动物→具体物种）。

• 工具选择：circlify库计算圆形布局，matplotlib绘制。

Python实现

import circlify
data = [{"id": "Mammals", "value": 100}, 
        {"id": "Carnivores", "parent": "Mammals", "value": 60},
        {"id": "Herbivores", "parent": "Mammals", "value": 40}]
circles = circlify.circlify(data, show_enclosure=True)

fig, ax = plt.subplots(figsize=(8,8))
for circle in circles:
    if circle.level != 1:  # 跳过最外层容器
        ax.add_patch(plt.Circle((circle.x, circle.y), circle.r, 
                     fill=True, alpha=0.7, linewidth=2))
        plt.text(circle.x, circle.y, circle.ex["id"], ha='center')
plt.axis('off')
plt.title("Ecosystem Hierarchy (Circular Packing)")
plt.show()

 

实验结果：

 

---

实验总结与建议

1. 工具选择对比

工具库	适用图表	交互性	学习曲线
Matplotlib	饼图/环形图/韦恩图	无	低
Plotly	旭日图/高级饼图	强	中
Circlify	圆堆积图	无	高

2. 关键发现

• 饼图陷阱：当分类超过6个时，建议改用条形图或环形图。

• 旭日图优势：比传统树图更节省空间，适合深层次数据。

• 圆堆积图局限：面积比较不精确，需配合标签使用。

3. 性能优化

• 大数据处理：Plotly的旭日图在超过1万节点时需启用maxdepth限制层级。

• 颜色策略：使用渐变色系（如viridis）提升环形图的多系列区分度。

---

扩展方向

• 动态可视化：用Plotly Dash实现实时更新的旭日图（如股票行业占比变化）。

• 3D变体：尝试pyecharts的3D饼图增强视觉冲击力（适用于演示场景）。

通过本实验，我们验证了不同局部-整体图表的适用边界及工具链的最佳实践。实际应用中需结合数据复杂度、展示场景和受众需求灵活选择。