Python用Pandas直接绘制饼图的方法

在日常数据清洗与分析中，展示各分类在总体中的占比分布是高频需求。假设你刚刚用 Pandas 统计出季度各销售渠道的业绩汇总，需要直接输出一份清晰的渠道占比分布图。很多初学者会先提取数值再调用 Matplotlib 的底层函数，实际上 Pandas 自身内置了高度集成的图表接口，通过对 Series 或 DataFrame 对象调用 .plot.pie()，无需显式构建冗长的绘图循环，即可快速生成结构规范的饼图。

一、环境准备与最简调用：从 Series 开始

在 Pandas 中，pd.Series 是一维带标签数组，天然契合饼图“一组标签对应一组数值”的数据结构。调用 series.plot.pie() 时，Pandas 默认以索引（Index）作为每个扇区的文本标签，以对应位置的数值（Values）计算所占角度比例。

执行前请确保安装了 pandas 和 matplotlib。以下是在本地 Python 脚本或 Jupyter Notebook 中的完整可执行代码：

import pandas as pd
import matplotlib.pyplot as plt

# 配置中文字体，避免标签出现方块乱码
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 1. 构造带有分类索引的 Series 数据
channel_sales = pd.Series(
    [4200, 2600, 1800, 950, 450],
    index=['线上商城', '直营实体店', '电商平台加盟', '企业内购', '其他渠道']
)

# 2. 直接调用 plot.pie() 绘制饼图
ax = channel_sales.plot.pie(
    figsize=(6, 6),           # 保持正方形比例，防止压成椭圆
    autopct='%1.1f%%',        # 显示一位小数的百分比
    startangle=140            # 旋转起始角度
)

# 3. 清理默认的 y 轴标签（Pandas 默认会把 Series 的名称显示在左侧）
plt.ylabel('')
plt.title('季度各销售渠道业绩分布', fontsize=14)

# 4. 展示图形
plt.show()

运行这段代码后，可以看到一个比例协调的圆形图表。Pandas 自动完成了求和、百分比换算与扇区划分。注意到代码中显式调用了 plt.ylabel('')，这是因为 Pandas 内部将饼图绘制在标准笛卡尔坐标系中，默认会将 Series 的名称作为纵轴标签输出，手动将其置空即可保持页面清爽。

二、DataFrame 绘制饼图：必须掌握的 y 参数与多子图

实际业务中，数据多以多列的 DataFrame 形式存储。如果直接执行 df.plot.pie()，程序会立刻抛出异常：ValueError: pie requires either y column or subplots=True。

这是因为 DataFrame 包含多个数值列，Pandas 无法猜测应当将哪一列作为扇区的切割依据。因此，必须通过两种明确的方式之一来执行绘图：

• 指定 y 参数：显式告知绘制哪一列数值，例如 df.plot.pie(y='销售额')。
• 开启 subplots=True：如果需要横向对比多个指标（例如第一季度与第二季度对比），Pandas 会为每个数值列分别生成一个独立的子饼图。

下面展示 DataFrame 中两种调用方式的具体代码实现：

import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 构建区域多季度数据表
df_sales = pd.DataFrame({
    'Q1': [1200, 850, 600, 400],
    'Q2': [1400, 920, 580, 510]
}, index=['华东大区', '华北大区', '华南大区', '西部大区'])

# 方式一：单图展示，必须显式传递 y 参数
df_sales.plot.pie(
    y='Q1',
    figsize=(6, 6),
    autopct='%1.1f%%',
    legend=False,
    title='第一季度区域销售占比'
)
plt.ylabel('')
plt.show()

# 方式二：双季度对比，设置 subplots=True
df_sales.plot.pie(
    subplots=True,
    figsize=(12, 6),
    autopct='%1.1f%%',
    legend=False
)
plt.show()

三、核心定制参数与视觉微调

默认配置下的饼图往往信息密度低，且颜色可能过于刺眼或难以区分。通过合理运用以下几个关键参数，可以显著提升图表的信息传达效率：

在实际报表制作中，将上述参数综合应用，可以生成具备出版级质感的可视化图表：

import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

data = pd.Series([48, 24, 16, 12], index=['手机端', '桌面端', '平板端', '车机端'])

# 自定义柔和配色方案与突出特定切片
custom_colors = ['#83ADD0', '#77B9AE', '#99C2E2', '#B5D8CD']
explode_slices = [0.08, 0, 0, 0]  # 仅突出占比最高的手机端

ax = data.plot.pie(
    figsize=(7, 7),
    colors=custom_colors,
    explode=explode_slices,
    autopct='%1.1f%%',
    pctdistance=0.75,          # 百分比数字与圆心的距离
    startangle=90,             # 12点钟方向作为起始点
    counterclock=False,        # 顺时针顺序展开
    shadow=True,               # 启用轻微阴影
    wedgeprops={'edgecolor': 'white', 'linewidth': 1.5} # 切片白边分割
)

plt.ylabel('')
plt.title('访问终端流量占比结构', fontsize=14, pad=20)
plt.show()

四、实际应用中的高频问题与排查方法

1. 类别过多导致的标签重叠

当分类超过 7 个，或者存在大量占比不足 3% 的微小项目时，扇区过于狭窄，文本标签会重叠成一团。解决该问题的最佳实践是在绘图前进行数据清洗与归并：

# 数据清洗：将占比小于 5% 的类别合并为“其他”
threshold = 0.05
total_sum = data.sum()
is_small = (data / total_sum) < threshold

# 重新组装数据
clean_data = data[~is_small].copy()
clean_data['其他'] = data[is_small].sum()

# 再进行绘图
clean_data.plot.pie(autopct='%1.1f%%', figsize=(6, 6))
plt.ylabel('')
plt.show()

2. 数据包含负数或空值

饼图的本质是将总和映射到 360 度圆周上。如果数据集中包含负数，Matplotlib 会直接抛出 ValueError；若包含 NaN，切片占比计算将出现异常。在绘图前应始终执行过滤：

clean_series = raw_series.dropna()
clean_series = clean_series[clean_series >= 0]

3. 椭圆变形与长宽比失衡

如果在 Notebook 中不加参数绘制，由于默认画布比例多为长方形（如 8×6），饼图可能被横向拉伸变形成椭圆。确保调用 figsize=(6, 6)，或者在绘图后补充 plt.axis('equal')，强制锁定坐标系为等比例正圆。

五、总结

用 Pandas 直接绘制饼图的核心要领可以概括为三个要点：

1. 数据形态决定语法：单维 Series 直接 s.plot.pie()；二维 DataFrame 必须显式传参 df.plot.pie(y='列名') 或配置 subplots=True。
2. 图表美观依赖比例与标签：始终配置 figsize=(6, 6) 或等比画布，通过 autopct='%1.1f%%' 标注数值，并用 plt.ylabel('') 清理自动生成的纵轴名。
3. 注重数据适读性：在制图前过滤负数与空值，当分类过多时主动合并长尾数据为“其他”，避免扇区过窄造成视觉噪点。