Python Pandas DataFrame 直接绘制雷达图

在数据分析与报表呈现中，雷达图（Radar Chart，又称蜘蛛网图）常用于评估个人综合能力、车型配置对比或算法多维度指标评分。虽然 Pandas 官方的 DataFrame.plot() 原生 API 并没有内置 kind='radar' 这一快捷参数，但借助底层 Matplotlib 的极坐标投影（Polar Projection），我们完全可以直接以整张 DataFrame 作为数据源，仅用数行代码批量遍历并绘制出规整、专业的多维度雷达图。

一、为什么 Pandas 不能直接 df.plot(kind='radar')？

Pandas 的 DataFrame.plot() 主要针对笛卡尔直角坐标系设计，内置了折线图、柱状图、散点图、直方图等常见图表。而雷达图本质上是极坐标系（Polar Coordinates）下的闭合多边形折线图。极坐标由极角（角度 $\theta$）和极径（数值半径 $r$）决定，要求每个维度按角度均分，并且为了形成封闭的几何面，最后一个维度必须重新连接回起点。

因此，所谓“直接绘制雷达图”，核心解决路径是：保持 DataFrame 的结构不变（每一行代表一个实体，每一列代表一个指标），通过算法自动计算各个维度的等分角度，将行数据首尾复制闭合后直接投射至极坐标系中。

图 1：DataFrame 矩阵向极坐标系投射的转换机制

二、标准实现：四步完成 DataFrame 雷达图绘制

直接利用 Python 的 pandas、numpy 和 matplotlib.pyplot，我们遵循清晰的四步流程完成绘图：

图 2：DataFrame 雷达图绘制的四个标准步骤流程

完整代码示例

假设我们有一份包含三款智能手机在五个维度（屏幕、续航、拍照、性能、做工）评分的 DataFrame，以下是标准完整的可执行代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 1. 准备 DataFrame 数据
data = {
    "机型": ["Flagship A", "Performance B", "Battery King C"],
    "屏幕素质": [92, 80, 75],
    "续航能力": [70, 75, 98],
    "拍照表现": [95, 78, 70],
    "核心性能": [88, 96, 82],
    "机身做工": [90, 84, 80]
}
df = pd.DataFrame(data).set_index("机型")

# 2. 提取维度特征与计算角度
categories = list(df.columns)
num_vars = len(categories)

# 计算每个轴的角度（2*pi 等分）
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()

# 关键：闭合雷达图（将首个维度追加到末尾）
angles += angles[:1]

# 3. 创建极坐标画布
fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))

# 调整极坐标起始角度（让第一个轴位于正上方，按顺时针旋转）
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)

# 设置极轴标签（X 轴刻度对应维度名称）
plt.xticks(angles[:-1], categories, fontproperties="PingFang SC", size=10)

# 设置径向网格刻度范围（例如 0 - 100）
ax.set_rlabel_position(0)
plt.yticks([20, 40, 60, 80, 100], ["20", "40", "60", "80", "100"], color="grey", size=8)
plt.ylim(0, 100)

# 4. 遍历 DataFrame 每一行，直接绘制多边形和填充面
colors = ["#6B88A6", "#71A397", "#E58E26"]
for i, (index_label, row) in enumerate(df.iterrows()):
    values = row.values.flatten().tolist()
    values += values[:1]  # 闭合数据
    
    # 绘制外边框线条
    ax.plot(angles, values, linewidth=2, linestyle='solid', label=index_label, color=colors[i % len(colors)])
    # 填充半透明区域
    ax.fill(angles, values, color=colors[i % len(colors)], alpha=0.25)

# 添加图例
plt.legend(loc="upper right", bbox_to_anchor=(0.1, 0.1))
plt.title("智能机型多维度综合评测雷达图", y=1.08, fontproperties="PingFang SC", size=14, weight="bold")
plt.tight_layout()
plt.show()

三、进阶封装：一行代码直接绘制（df.pipe 或自定义函数）

为了让调用体验达到像 df.plot() 一样自然，我们可以利用 Pandas 的管道机制 df.pipe() 或者直接封装一个通用函数 plot_radar(df)。这样无需每次手动计算三角函数和闭合数据，只需传入 DataFrame 即可一行出图。

图 3：Matplotlib 原生闭合方案与 Plotly 直绘方案特性对比

封装可重用的直绘函数

def plot_radar_df(df, r_max=100, fill_alpha=0.2, title=None):
    """
    直接从 DataFrame 绘制多维雷达图通用函数
    :param df: 行索引为分类名称，列名为维度的 DataFrame
    :param r_max: 雷达图外圈最大值
    :param fill_alpha: 面积填充透明度
    :param title: 图表标题
    """
    categories = list(df.columns)
    N = len(categories)
    angles = np.linspace(0, 2 * np.pi, N, endpoint=False).tolist()
    angles += angles[:1]

    fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
    ax.set_theta_offset(np.pi / 2)
    ax.set_theta_direction(-1)
    
    plt.xticks(angles[:-1], categories)
    ax.set_ylim(0, r_max)

    for idx, row in df.iterrows():
        vals = row.tolist()
        vals += vals[:1]
        ax.plot(angles, vals, label=str(idx), linewidth=1.8)
        ax.fill(angles, vals, alpha=fill_alpha)

    plt.legend(loc="upper right", bbox_to_anchor=(1.25, 1.1))
    if title:
        plt.title(title, y=1.08)
    return fig, ax

# 使用方式：直接传入任意符合格式的 DataFrame
plot_radar_df(df, r_max=100, title="产品综合指标直绘雷达图")
plt.show()

四、绘制雷达图的 4 个关键注意事项

虽然将 DataFrame 转换为雷达图的代码并不长，但在实际业务数据处理中，以下细节经常导致图形显示异常或传达错误的信息：

图 4：雷达图使用场景中的排查与避坑要点