Python Matplotlib与Pyecharts绘制雷达图代码对比

纸上星河

发布时间：2026-10-28| 5人浏览过

原创

详细对比Python中使用Matplotlib与Pyecharts绘制雷达图的实现代码、核心原理、数据闭环处理逻辑及在交互报表与静态科研图表中的选型差异。

雷达图（Radar Chart）又称极坐标多维图或戴布拉图，适合用来展示实体在多个定性或定量指标上的综合表现。在Python生态中，绘制雷达图主要有两大流派：一是以底层绘图控制著称的 Matplotlib，它依托极坐标轴（Polar Projection）由开发者手动构建多边形；二是以Web前端引擎驱动的 Pyecharts，它通过声明式配置开箱即用支持悬停提示和动态渲染。本文将基于统一的评价数据集，从代码结构、实现机制、配置差异到场景选型展开全面对比，帮助开发者快速掌握两种工具的核心异同并准确技术定型。

Python Matplotlib与Pyecharts绘制雷达图代码对比 — 图1：Matplotlib 与 Pyecharts 技术范式与体系结构差异

一、基准对比数据设定

为了保证两套代码在横向对比时的公平性，我们设定一套工程师技能画像评估数据。包含6个技能维度，并对比“候选人A”与“岗位基准线”的得分情况：

评估指标（6个维度）：Python编程、算法基础、系统架构、工程规范、自动化运维、沟通协作
候选人A得分：[88, 76, 85, 92, 70, 80]
岗位基准要求：[80, 80, 75, 80, 80, 75]
各维度最高满分：统一设定为 100 分

二、Matplotlib 绘制雷达图：极坐标下的几何构建

在 Matplotlib 中并没有现成的 plt.radar() 接口。实现雷达图的标准做法是将子图的投影方式设置为极坐标 polar=True，然后通过三角函数分配圆周角，将折线图的首尾端点手动连接成闭合多边形。

Matplotlib 完整实现代码

import numpy as np
import matplotlib.pyplot as plt

# 1. 基础配置与中文字体支持
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 2. 定义维度与数值
categories = ['Python编程', '算法基础', '系统架构', '工程规范', '自动化运维', '沟通协作']
values_a = [88, 76, 85, 92, 70, 80]
values_baseline = [80, 80, 75, 80, 80, 75]
num_vars = len(categories)

# 3. 计算每个维度的辐射角度（平均分割 2π）
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False)

# 4. 手动完成闭环：将第一个点的值和角度追加到列表末尾
angles = np.concatenate((angles, [angles[0]]))
values_a = np.concatenate((values_a, [values_a[0]]))
values_baseline = np.concatenate((values_baseline, [values_baseline[0]]))

# 5. 创建极坐标子图
fig, ax = plt.subplots(figsize=(7, 7), subplot_kw=dict(polar=True))

# 设置极轴正方向：将 0 弧度置于正上方（12点钟方向），并顺时针排列
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)

# 设置维度文字标签与刻度
ax.set_thetagrids(np.degrees(angles[:-1]), categories, fontsize=11)
ax.set_ylim(0, 100)
ax.set_rgrids([20, 40, 60, 80, 100], labels=['20', '40', '60', '80', '100'], angle=0, color='#7F8C8D', fontsize=9)

# 6. 绘制数据折线与多边形填充
# 候选人A (主色调：鼠尾草绿)
ax.plot(angles, values_a, color='#879B88', linewidth=2, label='候选人A')
ax.fill(angles, values_a, color='#879B88', alpha=0.3)

# 岗位基准 (主色调：灰蓝虚线)
ax.plot(angles, values_baseline, color='#687D8D', linewidth=1.8, linestyle='--', label='岗位基准')
ax.fill(angles, values_baseline, color='#687D8D', alpha=0.15)

# 7. 标题与图例修饰
plt.title('候选人综合能力评估 (Matplotlib)', size=14, weight='bold', y=1.08)
plt.legend(loc='upper right', bbox_to_anchor=(1.25, 1.1), frameon=True)
plt.tight_layout()
plt.savefig('radar_matplotlib.png', dpi=300)
plt.show()

Matplotlib 核心操作要点：

1. 必须使用 angles[:-1] 传递刻度位置，因为闭合后 angles 有 7 个元素，但刻度标签只有 6 个；若传入 7 个会导致刻度重叠或抛出异常。
2. 极坐标默认 0 弧度在正右方（3点钟方向）且逆时针旋转。常规商业雷达图习惯将第 1 个指标置于顶部（12点钟），因此 ax.set_theta_offset(np.pi / 2) 和 ax.set_theta_direction(-1) 是保证排版符合直觉的关键操作。

三、Pyecharts 绘制雷达图：基于声明式的组件装配

与 Matplotlib 偏底层的坐标变换不同，Pyecharts 是百度 ECharts 的 Python 封装。它直接提供了雷达图专用的 Radar 类，开发者只需定义 schema（指标列表与每个维度的量程上限）和数据系列，多边形的闭合与坐标映射均由底层 JavaScript 引擎自动完成。

Pyecharts 完整实现代码

from pyecharts import options as opts
from pyecharts.charts import Radar

# 1. 定义维度规范与各维度量程上限 (schema)
schema_list = [
    opts.RadarShapeItem(name="Python编程", max_=100),
    opts.RadarShapeItem(name="算法基础", max_=100),
    opts.RadarShapeItem(name="系统架构", max_=100),
    opts.RadarShapeItem(name="工程规范", max_=100),
    opts.RadarShapeItem(name="自动化运维", max_=100),
    opts.RadarShapeItem(name="沟通协作", max_=100),
]

# 2. 准备数据集 (原始列表即可，无需手动补首项)
data_a = [[88, 76, 85, 92, 70, 80]]
data_baseline = [[80, 80, 75, 80, 80, 75]]

# 3. 初始化雷达图并配置结构
radar = (
    Radar(init_opts=opts.InitOpts(width="720px", height="520px"))
    .add_schema(
        schema=schema_list,
        shape="polygon",  # 雷达网格形状：支持 "polygon" (多边形) 或 "circle" (同心圆)
        splitarea_opt=opts.SplitAreaOpts(
            is_show=True, 
            areastyle_opts=opts.AreaStyleOpts(opacity=0.1)
        ),
        textstyle_opts=opts.TextStyleOpts(color="#2C3E50", font_size=12),
    )
    # 添加候选人A系列
    .add(
        series_name="候选人A",
        data=data_a,
        color="#879B88",
        areastyle_opts=opts.AreaStyleOpts(opacity=0.3),
        linestyle_opts=opts.LineStyleOpts(width=2),
    )
    # 添加基准对照系列
    .add(
        series_name="岗位基准",
        data=data_baseline,
        color="#687D8D",
        areastyle_opts=opts.AreaStyleOpts(opacity=0.15),
        linestyle_opts=opts.LineStyleOpts(width=1.8, type_="dashed"),
    )
    # 全局样式与交互提示配置
    .set_global_opts(
        title_opts=opts.TitleOpts(title="候选人综合能力评估 (Pyecharts)", pos_left="center"),
        legend_opts=opts.LegendOpts(pos_top="30px"),
        tooltip_opts=opts.TooltipOpts(trigger="item"),
    )
)

# 4. 渲染为独立 HTML 文件
radar.render("radar_pyecharts.html")

四、关键维度对比与代码设计差异

在理解了具体代码与渲染管线后，我们可以将两者的开发差异归纳为以下四个核心维度：

对比维度	Matplotlib 实现方式	Pyecharts 实现方式	技术影响与开发体验
API 抽象层级	底层面向对象与极坐标投影 (`polar=True`)	高层图表类 (`Radar`) 声明式配置	Matplotlib需要显式操控坐标变换，Pyecharts开箱即用
数据闭环处理	必须手动拼接首元素 (`np.concatenate`)	自动闭合，传入原始指标数值即可	Matplotlib漏掉闭合会导致图形缺角，属于高频新手错误
指标量程定制	共享全局径向范围 (`ax.set_ylim`)	每个维度可在 `RadarShapeItem` 单独设 `max_`	当各指标量纲不一致（如得分100分与时长60秒）时，Pyecharts更灵活
多系列绘制机制	多次调用 `ax.plot()` 与 `ax.fill()`	链式调用 `.add()` 传入多组系列数据	Pyecharts在多系列聚合与图例自动关联上代码更精简
交互与动画	静态无交互，需额外GUI框架或嵌入Notebook交互	原生支持鼠标悬停浮窗（Tooltip）、图例过滤点击与平滑补间动画	商业交付与管理层汇报中 Pyecharts 的视觉与交互体验更优
产物输出媒介	静态文件（PNG、PDF、SVG、EPS）或内联静态图	HTML独立网页、Jupyter交互挂件或通过Snapshot转图片	科研学术、LaTeX排版首选Matplotlib，网页大屏首选Pyecharts

五、选型决策指南与避坑建议

在实际工程项目中，选择哪个工具取决于图表最终的交付媒介、对交互性的要求以及维度的量纲特征。

实际应用避坑提醒

雷达图维度数量控制：建议雷达图的评估维度保持在 4 到 8 个之间。少于 4 个指标时多边形趋于扁平，退化为普通线段；多于 8 个指标时轴线过于密集，文字标签极易重叠，此时水平条形图往往是更优表达。
不同量纲归一化：使用 Matplotlib 时，由于极轴半径尺度全局统一，如果各指标量纲不同（如一个指标是 0~1 的比率，另一个指标是 0~10000 的业务量），未做归一化会导致小数值指标缩在原点无法识别。而在 Pyecharts 中，可通过为每个指标显式声明 max_ 来缓解这一问题，但在严谨对比时仍推荐在输入数据前统一做 Min-Max 归一化。
透明度设置：当展示两个或多个实体时，多边形填充颜色务必设置合理的透明度（如 alpha=0.2 ~ 0.35），否则顶层的色块会完全遮挡底层轮廓，导致重叠区域的数据失真。