Python怎么绘制堆叠面积图展示多组数据占比

半杯拿铁
半杯拿铁
发布时间:2026-11-19| 8人浏览过
原创

本文详细讲解如何使用Python中的Matplotlib与Pandas绘制百分比堆叠面积图来展示多组数据在时间序列中的占比演变,包含数据归一化计算、图表绘制、坐标轴百分比格式化及常见避坑指南。

假设你正在分析一家电商平台全年在不同营销渠道上的获客数据,渠道包括自然搜索、付费广告、社交媒体和线下推荐。每个月的获客总人数在剧烈浮动,但管理层更希望直观了解:各个渠道在总体构成中所占的比重随时间发生了怎样的转移?如果直接绘制折线图,线条会交织重叠;如果仅看每月的饼图,又无法展现连续的变化趋势。此时,100%堆叠面积图(100% Stacked Area Chart)就是最适合的可视化工具。

在 Python 中绘制堆叠面积图展示多组数据占比,其核心逻辑不是直接画出原始数值,而是先将每个时间节点各类别的数据按行归一化为百分比(使得各类别之和恒等于 100%),再使用 Matplotlib 的 stackplot() 函数或 Pandas 的 plot.area(stacked=True) 进行图层堆叠绘制。下文将完整介绍数据准备、比例换算、图表绘制与格式化优化的具体操作。

Python怎么绘制堆叠面积图展示多组数据占比
图 1:常规数值堆叠面积图与百分比占比堆叠面积图的形态与适用场景对比

一、绘制流程总览

展示“多组数据占比”与常规展示“多组数据总量”最大的区别在于归一化计算。在 Python 的绘图生态中,Matplotlib 并未提供直接计算百分比面积图的现成参数,因此标准的实现路径分为明确的四个阶段:组织原始宽表、逐行按比例归一化、多组图层累加绘制、坐标轴百分比格式化。

Python怎么绘制堆叠面积图展示多组数据占比
图 2:Python 绘制多组数据占比堆叠面积图的完整操作流

二、数据准备与百分比归一化

为了让绘图过程简单高效,推荐使用 Pandas 管理数据。多组数据最合适的数据结构是宽表(Wide Format),即:每一行代表一个时间周期(如月份、年份),每一列代表一个独立分类(如营销渠道、产品线、部门预算)。

假设我们有以下4个季度的多渠道原始数值:

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

# 1. 模拟4个季度的多渠道原始获客数据(绝对数值)
data = {
    '搜索推广': [4200, 5100, 6800, 7200],
    '信息流广告': [3500, 4800, 5900, 8100],
    '社群裂变': [1800, 2600, 3100, 4300],
    '自然流量': [2400, 2700, 2900, 3400]
}
quarters = ['2025-Q1', '2025-Q2', '2025-Q3', '2025-Q4']
df = pd.DataFrame(data, index=quarters)

原始数据的总和在每个季度都在递增。为了展示每一项在总体中的“占比”,需要按行进行归一化计算:

# 2. 计算各行总和并转换为百分比(0 到 100)
row_sums = df.sum(axis=1)
df_percentage = df.div(row_sums, axis=0) * 100

print(df_percentage.round(2))

执行后,df_percentage 中每一行的四个数值相加正好等于 100.0。无论总量是 11900 还是 23000,每列数据的尺度都被拉平到相同的百分比空间中。

三、数据映射与累加机制理解

在理解代码前,必须掌握面积图的内部几何绘制原理。堆叠面积图在渲染时,并不是各自从 Y=0 向上填充,而是按层累加绘制:

  • 第 1 层(底层):从 $y=0$ 填充到 $y=Y_1$;
  • 第 2 层(中层):以第 1 层的上边界 $y=Y_1$ 作为基准线,填充到 $y=Y_1 + Y_2$;
  • 第 3 层(高层):以第 2 层的上边界作为起点,填充到 $y=Y_1 + Y_2 + Y_3$。

因为所有列的百分比加和为 100%,最后一层绘制完成后,图形最上方恰好是一条平直的 100% 水平线。理解这一累加逻辑,有助于我们在后续排查图形层叠顺序与视觉遮挡问题。

Python怎么绘制堆叠面积图展示多组数据占比
图 3:数据行归一化到多层面积图的空间累加映射

四、Matplotlib 完整绘制代码与解析

Matplotlib 原生提供了 plt.stackplot() 函数。我们需要将 X 轴序列和各列百分比数据传入,同时通过 PercentFormatter 将 Y 轴数字格式化为读者易懂的百分号形式。

import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
import pandas as pd

# 设置支持中文的字体族(Windows与macOS回退)
plt.rcParams['font.sans-serif'] = ['PingFang SC', 'Microsoft YaHei', 'SimHei', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False

# 准备数据与占比
quarters = ['2025-Q1', '2025-Q2', '2025-Q3', '2025-Q4', '2026-Q1', '2026-Q2']
data = {
    '自然搜索': [32, 28, 25, 22, 20, 18],
    '信息流广告': [25, 30, 32, 35, 38, 40],
    '社交媒体': [28, 26, 28, 27, 26, 25],
    '线下合作': [15, 16, 15, 16, 16, 17]
}
df_percent = pd.DataFrame(data, index=quarters)

# 创建画布
fig, ax = plt.subplots(figsize=(10, 5.5), dpi=100)

# 定义配色方案(沉稳商务色系)
colors = ['#83ADD0', '#77B9AE', '#4A6984', '#D4A373']

# 绘制堆叠面积图
# x 传入时间索引,y 传入每列数据组成的列表或转置矩阵
ax.stackplot(
    df_percent.index,
    [df_percent[col] for col in df_percent.columns],
    labels=df_percent.columns,
    colors=colors,
    alpha=0.9
)

# 核心细节设置
ax.set_title('各获客渠道贡献占比演变趋势(100%堆叠面积图)', fontsize=14, pad=15)
ax.set_xlabel('时间季度', fontsize=11, labelpad=8)
ax.set_ylabel('所占份额', fontsize=11, labelpad=8)

# 约束 Y 轴区间为 0 到 100,消除图形上下方的多余白边
ax.set_ylim(0, 100)
# 紧贴 X 轴起点与终点
ax.set_xlim(0, len(df_percent.index) - 1)

# 将 Y 轴数值格式化为百分比(例如 20 显示为 20%)
ax.yaxis.set_major_formatter(ticker.PercentFormatter(xmax=100))

# 优化网格线(只保留横向虚线,减少视觉干扰)
ax.grid(axis='y', linestyle='--', alpha=0.5, color='#cbd5e1')
ax.set_axisbelow(True)

# 图例放置在图表右侧或上方外部,避免遮挡面积图形
ax.legend(loc='center left', bbox_to_anchor=(1.02, 0.5), frameon=True, fontsize=10)

plt.tight_layout()
plt.show()
代码关键点说明:
  • ax.yaxis.set_major_formatter(ticker.PercentFormatter(xmax=100)):xmax=100 明确告知格式化器当前数据的满额是 100 而不是 1.0。若归一化结果在 0~1 之间,则此处应设为 xmax=1.0。
  • ax.set_ylim(0, 100):如果不设置固定范围,Matplotlib 会自适应扩展上下边距,导致顶部 100% 出现白色间隙,破坏“填满”的视觉预期。
  • bbox_to_anchor=(1.02, 0.5):将图例移至右侧坐标区外,确保任何面积图层都不会被图例文本遮掩。

五、Pandas 内置绘图接口的极简方案

如果你已经将数据保存在了 Pandas 的 DataFrame 中,还可以直接调用封装好的 DataFrame.plot.area() 方法。它的代码更加紧凑:

# 基于 Pandas 的一行绘制法
ax = df_percent.plot.area(
    stacked=True,
    figsize=(10, 5.5),
    color=colors,
    alpha=0.9
)

# 同样需要配置百分比坐标轴与边界
ax.set_ylim(0, 100)
ax.yaxis.set_major_formatter(ticker.PercentFormatter(xmax=100))
ax.legend(loc='center left', bbox_to_anchor=(1.02, 0.5))
plt.title('使用 Pandas plot.area 绘制的占比图')
plt.tight_layout()
plt.show()

该方法底层同样调用 Matplotlib,但参数组织更贴合表格对象,适合日常探索性数据分析(EDA)。

六、绘制占比堆叠面积图的避坑指南

虽然堆叠面积图在展示占比时非常直观,但由于其基准线浮动特性,容易在使用中产生误读或技术错误。在实际项目中应格外注意以下四点:

Python怎么绘制堆叠面积图展示多组数据占比
图 4:制作堆叠面积图时的核心避坑检查清单
堆叠顺序小建议: 面积图最容易准确读取厚度的是最底部那一层,因为它紧贴平整的 Y=0 水平坐标轴。因此,在整理数据列时,建议将业务上最核心、占比最高或走势最稳定的序列排在第一列作为底层支撑,将杂项或高频波动的序列排在上方。

七、总结

在 Python 中绘制多组数据占比堆叠面积图的核心关键,在于“先归一化,后调函数”:

  1. 数据转换:利用 Pandas 的 df.div(df.sum(axis=1), axis=0) * 100 快速将任意尺度的原始绝对数值转为 0~100% 的比例矩阵。
  2. 面积堆叠:使用 Matplotlib 的 stackplot 或 Pandas 的 plot.area(stacked=True) 依次累加图层。
  3. 标签与视觉:通过 PercentFormatter 规范坐标轴百分号单位,设定 ylim(0, 100) 去除多余留白,并将图例移到坐标区外部。

只要遵循以上操作步骤,并控制分组数量与排序顺序,就能产出专业、严谨且高信息密度的占比分析可视化图表。

免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。

Python 相关产品和应用

全部下载
Selenium

Selenium

4.51.0 · Windows

用于浏览器自动化和 Web 测试的 Python 工具。

scikit-learn

scikit-learn

1.9.1 · Windows

常用 Python 机器学习算法与模型评估工具库。

Black

Black

26.10.1 · Windows

强调一致性的 Python 自动代码格式化工具。

Ruff

Ruff

0.17.1 · macOS

由 Rust 编写的高速 Python 代码检查和格式化工具。

pytest

pytest

9.1.1 · Windows

简洁而强大的 Python 自动化测试框架。

FastAPI

FastAPI

0.146.0 · Windows

高性能 Python API 框架,支持类型提示和自动接口文档。

Flask

Flask

3.1.3 · Windows

轻量灵活的 Python Web 应用框架。

Django

Django

6.1.2 · Windows

成熟的 Python Web 框架,适合构建内容站点和业务系统。

Spyder

Spyder

6.1.7 · Windows

面向科学计算与数据分析的 Python 集成开发环境。

SciPy

SciPy

1.18.1 · Windows

面向科学、工程和技术计算的 Python 算法库。