Python Matplotlib绘制多级雷达图：多系列数据叠加与闭合路径处理

一、极坐标系建立与角度划分机制

Matplotlib 并不提供直接命名为 ax.radar() 的独立函数，雷达图本质上是在笛卡尔坐标系统上启用了极坐标投影（Polar Projection）。极坐标下，平面上的任意点由角度（θ）与极径（r）共同定位。绘制雷达图的第一步，是确定各维度的角坐标分布以及视图旋向。

1. 为什么必须使用 endpoint=False 进行角度切分

设有 \(N\) 个评估维度，圆周总角为 \(2\pi\) 弧度。我们通过 NumPy 的 np.linspace 函数生成角度坐标。很多初学者容易误将参数设置为 endpoint=True，误以为这样能直接“实现首尾闭合”。这种做法看似合理，因为 \(0\) 与 \(2\pi\) 在几何圆周上确实对应同一条辐射射线，但其数学后果会导致数据分配错误：

• 使用 endpoint=False（正确做法）：angles = np.linspace(0, 2 * np.pi, N, endpoint=False) 将区间 \([0, 2\pi)\) 左闭右开地严格分为 \(N\) 等份，相邻轴之间的夹角步长为 \(2\pi / N\)。例如当 \(N=6\) 时，得到的角坐标为 \([0^\circ, 60^\circ, 120^\circ, 180^\circ, 240^\circ, 300^\circ]\)，每个维度独占一个扇区。
• 误用 endpoint=True：若直接调用 angles = np.linspace(0, 2 * np.pi, N, endpoint=True)，NumPy 会将 \([0, 2\pi]\) 的闭区间划分为 \(N-1\) 个间隔，步长被压缩为 \(2\pi / (N-1)\)。在 \(N=6\) 时，生成的角度为 \([0^\circ, 72^\circ, 144^\circ, 216^\circ, 288^\circ, 360^\circ]\)。由于 \(360^\circ\) 与 \(0^\circ\) 在同一物理位置重叠，第六个维度的数据将覆盖在第一个维度的轴线上，其他各轴角度被整体挤压变形。

2. 起始方位与旋转方向对齐

在 Matplotlib 极坐标默认设置中，\(0\) 弧度位于笛卡尔平面的 X 轴正半轴（即表盘的 3 点钟方向），且角位移按逆时针方向增加。而在主流数据可视化规范中，读者习惯从表盘 12 点钟正上方开始顺时针读取各指标。

为了符合直觉排布，需要对极轴进行方位偏置与旋向反转：

# 设置极坐标起始角度偏置：将 0 弧度调整至正上方 12 点钟方向
ax.set_theta_offset(np.pi / 2)

# 设置角度递增方向：-1 表示顺时针递增，1 表示逆时针
ax.set_theta_direction(-1)

二、闭合路径处理：从数组切片到闭合多边形

在极坐标系中绘制雷达数据折线时，调用 ax.plot(angles, values) 常常会遇到一个典型现象：折线在前 \(N-1\) 条边上绘制正常，但最后一个维度的点与第一个维度的点之间却留下一处空白缺口，折线无法形成完整的多边形环路。

1. 边界缺口的底层原因

Matplotlib 的 plot 方法执行的是离散坐标点之间的依次连线。若向其传入 \(N\) 个角度与 \(N\) 个数值，渲染引擎只会执行从点 0 到点 1、点 1 到点 2、……直至点 \(N-2\) 到点 \(N-1\) 的连续折线，它并不知道这组数据意在表达一个封闭的周向多边形。

虽然调用 ax.fill(angles, values) 时，图形填充算法通常会自动将起点和终点连接起来闭合填色，但如果 ax.plot 绘制的外边框没有闭合，就会呈现出“内部有填充，但外轮廓断开一条缺口”的明显渲染瑕疵。如果轮廓线加粗或配置了虚线，这种断裂感会格外突出。

2. 标准首尾数组拼接方案

消除缺口的标准化处理方式，是在原始角度序列与数值序列的末尾，分别追加首个元素，构成包含 \(N+1\) 个元素的数组：

# 将原始角度与数据数组首位追加到末尾，形成封闭环路
angles_closed = np.concatenate((angles, [angles[0]]))
values_closed = np.concatenate((values, [values[0]]))

# 使用闭合后的 N+1 维数组绘制多边形边框与填充面
ax.plot(angles_closed, values_closed, linewidth=2, linestyle='-', label='系列A')
ax.fill(angles_closed, values_closed, alpha=0.2)

三、多级同心圆刻度与背景网格精细化控制

“多级雷达图”之所以被称为“多级”，关键在于背景中具有明确数值梯度的多层同心网格线（R-grids）。这为读者判断各维度指标的具体强弱提供了量化参考基准。

1. 径向极限范围与同心刻度圈设定

若不手动设置极径限制，Matplotlib 会自适应以当前数据中的最大值作为极径上限。在多系列对比场景下，不同图表或动态数据会导致极径尺度飘忽不定，失去对比价值。

通过 ax.set_ylim() 显式指定径向量程，并通过 ax.set_rgrids() 划定阶梯网格：

# 显式限定极径显示量程（例如百分制 0 到 100）
ax.set_ylim(0, 100)

# 定制同心圆环级别（20, 40, 60, 80, 100）及刻度文字呈现角度
r_ticks = [20, 40, 60, 80, 100]
r_labels = ['20%', '40%', '60%', '80%', '100%']
ax.set_rgrids(r_ticks, labels=r_labels, angle=0, color='#8A9478', fontsize=9)

2. 维度标签与防遮挡边距配置

维度文字（如“准确率”、“鲁棒性”）通过 ax.set_thetagrids() 绑定到对应射线角度。默认情况下，标签文字距离极径边缘极近，若数据点接近 100%，文字极易与数据标记（marker）或最外层多边形顶点重叠。

• 使用 ax.tick_params(pad=14) 为周向文本标签增加与图表主体的外边距。
• 将 set_ylim(0, 105) 或 110 略微上调，使最外层同心圆与最外侧维度文本之间留出舒缓的视觉呼吸空间。
• 通过 ax.spines['polar'].set_color('#DDD6C8') 调整最外层边界环线条色调，避免生硬的黑色外框破坏图面层次。

四、多系列数据叠加与完整可执行代码

当多个系列（如模型 A、模型 B、模型 C）叠加在同一雷达图内时，核心挑战在于视觉穿透性与层级辨识度：

• 控制透明度（Alpha）：每个系列的填充区域 alpha 建议设置在 0.15 ~ 0.25 之间。过高会导致重叠区域浑浊发暗，过低则无法清晰分辨形状面域。
• 线型与标记区分：除颜色区分外，为不同系列分别指定实线、虚线、点划线以及圆形、方形等不同 marker，方便色弱读者或黑白打印时依然能清晰区分。
• 图例防压盖：将图例通过 bbox_to_anchor 定位在画布右上角或外部空白处，严禁放置在雷达图正中央覆盖数据多边形。

以下是经过工程验证的完整可运行示例代码，直接在常规 Python 环境中执行即可生成高质量的多系列多级雷达图：

import numpy as np
import matplotlib.pyplot as plt

# 1. 字体配置：适配中文显示与符号
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 2. 准备指标维度与多系列量化数据
categories = ['准确率', '推理延迟', '显存占用', '鲁棒性', '吞吐量', '泛化能力']
num_vars = len(categories)

series_data = {
    '模型 A (轻量基线)': {
        'values': [88, 72, 60, 84, 70, 80],
        'color': '#8A9478',       # 灰橄榄主色
        'linestyle': '-',
        'marker': 'o'
    },
    '模型 B (重参数优化)': {
        'values': [70, 92, 85, 65, 88, 62],
        'color': '#464B48',       # 墨灰辅助色
        'linestyle': '--',
        'marker': 's'
    },
    '模型 C (量化蒸馏)': {
        'values': [62, 80, 95, 75, 60, 88],
        'color': '#A67C52',       # 暖褐对比色
        'linestyle': '-.',
        'marker': '^'
    }
}

# 3. 计算等分角度并构建首尾闭合数组
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False)
angles_closed = np.concatenate((angles, [angles[0]]))

# 4. 创建极坐标系画布
fig, ax = plt.subplots(figsize=(7.5, 6.5), subplot_kw=dict(projection='polar'))
fig.patch.set_facecolor('#F7F4ED')   # 画布背景：和纸白
ax.set_facecolor('#FFFFFF')          # 极坐标内部纯净白

# 5. 极轴方向调整：正上方 12 点钟起始，顺时针排列
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(-1)

# 6. 配置维度文本与多级同心圆刻度
ax.set_thetagrids(np.degrees(angles), labels=categories, fontsize=11, color='#464B48')
ax.set_ylim(0, 100)
ax.set_rgrids([20, 40, 60, 80, 100], labels=['20%', '40%', '60%', '80%', '100%'],
              angle=0, color='#8A9478', fontsize=9)

# 7. 微调边框与网格线质感
ax.grid(color='#E0D8CA', linestyle='--', linewidth=0.8)
ax.spines['polar'].set_color('#DDD6C8')
ax.tick_params(pad=12)  # 增大维度标签外边距，避免重叠

# 8. 循环绘制各系列多边形（闭合路径 + 半透明填充）
for label, config in series_data.items():
    raw_vals = config['values']
    closed_vals = np.concatenate((raw_vals, [raw_vals[0]]))  # 补齐末尾闭合点
    
    # 绘制多边形边框轮廓
    ax.plot(angles_closed, closed_vals,
            color=config['color'],
            linestyle=config['linestyle'],
            marker=config['marker'],
            markersize=5,
            linewidth=2,
            label=label)
    
    # 绘制多边形内部半透明填充
    ax.fill(angles_closed, closed_vals,
            color=config['color'],
            alpha=0.18)

# 9. 外置图例与标题排版
ax.legend(loc='upper right', bbox_to_anchor=(1.32, 1.10), frameon=True, facecolor='#FFFFFF', edgecolor='#DDD6C8')
plt.title('模型性能多维综合雷达评测', y=1.12, fontsize=14, fontweight='bold', color='#464B48')

plt.tight_layout()
plt.show()

五、混淆说法辨析与高频问题排查

在雷达图的实际应用中，存在若干常见却容易误导开发者的说法，需要根据场景限制条件予以辨析：

1. 说法辨析：“雷达图可以直接绘制不同量纲的原始指标”

看似合理之处：很多业务看板希望在一张图上同时观察“延时（毫秒）”、“吞吐（QPS）”与“准确率（百分比）”，直观把各列数字直接传入 values。

条件与缺陷：极坐标的径向只有一个统一标尺（半径 \(r\)）。如果“准确率”为 95，“推理延迟”为 15 毫秒，而“显存占用”为 8192 MB，直接绘图会导致小数值的维度在图中心缩成一个难以看清的点，而大数值的维度将整个坐标轴撑爆失真。

修正方案：在传入绘图之前，必须先对各维度指标做 Min-Max 归一化或百分制标定（映射至 \([0, 100]\)），或者在交互提示（hover/tooltip）中还原具体物理单位，确保在同一个几何几何比例尺下评估均衡度。

2. 常见问题排查诊断矩阵

遇到图表显示异常时，对照以下工程经验矩阵可快速定位根因：