【matplotlib 实战】--雷达图-Toy模板网

这篇具有很好参考价值的文章主要介绍了【matplotlib 实战】--雷达图。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

雷达图（Radar Chart），也被称为蛛网图或星型图，是一种用于可视化多个变量之间关系的图表形式。
雷达图是一种显示多变量数据的图形方法。通常从同一中心点开始等角度间隔地射出三个以上的轴，每个轴代表一个定量变量，各轴上的点依次连接成线或几何图形。

雷达图可以用来在变量间进行对比，或者查看变量中有没有异常值。
雷达图中每个轴的相对位置和角度通常是无信息的。每个变量都具有自己的轴，彼此间的距离相等，所有轴都有相同的刻度。
在将数据映射到这些轴上时，需要注意预先对数值进行标准化处理，保证各个轴之间的数值比例能够做同级别的比较。

1. 主要元素

雷达图的主要元素包括：

坐标轴：每个变量对应一个射线或轴线，从中心点向外延伸。射线的长度或角度表示该变量的值大小或比例。
数据点：在每个射线上，根据变量的值确定相应的数据点或标记点的位置。
雷达链：连接各个数据点或标记点形成的多边形或区域，用于表示多个变量之间的关系。
区域范围：雷达链所连接的区域，面积大小代表各个数据综合的结果。

【matplotlib 实战】--雷达图

2. 适用的场景

雷达图适用的分析场景包括：

比较综合表现：比较多个实体（如产品、团队、个人等）在多个指标上的表现，帮助决策者了解它们之间的差异和相对优劣。
评估绩效和目标：帮助评估绩效和目标达成情况，从而指导后续决策和改进措施。
变量之间的关系趋势：直观地发现多个变量之间的关系和趋势，例如某个变量的增长是否会导致其他变量的变化。
强调优势和劣势：凸显实体在某些指标上的优势和劣势，有助于决策者更好地了解实体的特点和优势所在。

3. 不适用的场景

雷达图不适用的分析场景有：

无序数据：如果数据是无序的，无法明确确定各个变量之间的相对位置和关系，雷达图的效果会大打折扣。
数据缺失：如果某些变量的数据缺失或不完整，将导致雷达图无法准确地展示各个变量之间的关系和差异。
多个并行路径：当存在多个并行路径时，例如多个团队或产品之间的比较，雷达图可能无法清晰地展示它们之间的差异和相对优劣。

4. 分析实战

本次通过雷达图来分析下王者荣耀KPL联盟几位选手的比赛数据。

4.1. 数据来源

数据来自王者荣耀官网（2023年春季赛数据），整理好的数据可以从下面下载：
https://databook.top/wzry/2023-spring

使用其中的文件：player-2023春季赛.csv

fp = "d:/share/data/player-2023春季赛.csv"

df = pd.read_csv(fp)
df

4.2. 数据清理

选手的数据一共有125条，本来想按胜率选择最高的4位选手，发现胜率高的选手很多只参加了1，2场比赛。
所以选择参加比赛最多的6位选手来分析。

data = df.sort_values("比赛场次", ascending=False)
data = data.iloc[:6]
data

选择每位选手下列5个属性来绘制雷达图：

经济占比
伤害占比
承伤占比
推塔占比
参团率

filter_cols = ["选手", "经济占比", "伤害占比", "承伤占比", "推塔占比", "参团率"]
data = data.loc[:, filter_cols]
data

【matplotlib 实战】--雷达图

将百分比数据转为数值类型：

for col in filter_cols[1:]:
    data[col] = data[col].str.replace("%", "", regex=False)
    data[col] = data[col].astype("float")

data

【matplotlib 实战】--雷达图

4.3. 分析结果可视化

绘制6位选手的雷达图：

N = 5 # 雷达图属性个数
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)
angles = np.concatenate((angles, [angles[0]]))

fig = plt.figure(figsize=[10, 6])
for i in range(len(data)):
    values = data.iloc[i, 1:].tolist()
    values.append(values[0])

    position = "23" + str(i + 1)
    ax = fig.add_subplot(int(position), polar=True)
    ax.plot(angles, values, "o-")
    ax.fill(angles, values, alpha=0.4)
    ax.set_thetagrids(angles[:-1] * 180 / np.pi,
                      data.columns[1:].tolist())
    ax.set_title(data.iloc[i, 0], color="b")
    ax.set_ylim(0, 100)

plt.subplots_adjust(hspace=0.5)

【matplotlib 实战】--雷达图