『Plotly实战指南』--雷达图绘制与应用

在数据分析和可视化领域，雷达图是一种适用于多维数据的可视化、综合评估和决策支持的工具。
雷达图通过将数据点沿多个轴分布，并通过多边形面积或线条连接来展示数据的多维度特征，能够直观地出现数据在各个维度上的表现，帮助我们快速辨认优势和劣势，从而做出更明智的决策。
本文紧张先容Plotly雷达图的奥秘，从绘制原理到实战应用，包括代码实现与分析方法。
1. 底子绘制

雷达图是一种多轴图表，数据点沿多个轴分布，每个轴代表一个维度。通过将数据点连接成多边形，可以直观地展示数据在各个维度上的表现。
1.1. 数据标准化

与其他图形（好比折线图，柱状图等等）差别，绘制雷达图之前，数据标准化是必不可少的步调。
由于雷达图的各个维度可能具有差别的量纲和范围，这会直接绘制会导致图形失真。
常用的数据标准化方法有两个：

• 归一化（Min-Max Scaling）：将数据缩放到 [0, 1] 区间。
  
• Z-score 标准化：将数据转换为均值为 0，标准差为 1 的分布。
  

绘制雷达图的数据结构要求：

• 输入数据需为二维列表或数组，每行代表一个对象在各个维度上的值。
  
• 维度标签（theta）与数值（r）需逐一对应。
  

1.2. 代码示例

下面通过一组测试数据（产物性能评分数据，包含多个维度，如摄像头、电池、屏幕等），来尝试绘制雷达图。

1. import plotly.graph_objects as go
3. # 数据准备
4. categories = ["摄像头", "电池", "屏幕", "处理器", "设计"]
5. values = [8, 7, 9, 6, 8]  # 示例评分
6. values += values[:1]  # 闭合多边形
7. categories += categories[:1]  # 闭合多边形
9. fig = go.Figure(
10.     data=[
11.         go.Scatterpolar(
12.             r=values,
13.             theta=categories,
14.             fill="toself",  # 填充闭合区域
15.             name="产品性能评分",
16.         )
17.     ]
18. )
20. # 设置图表标题和布局
21. fig.update_layout(
22.     title="产品性能雷达图",
23.     polar=dict(radialaxis=dict(visible=True, range=[0, 10])),  # 设置径向轴范围
24.     showlegend=True,
25. )
27. # 显示图表
28. fig.show()

复制代码

代码中的核心参数含义：

• r：绑定数值数据，表现各个维度的数值
  
• theta：设置维度标签，支持字符串或数值标签
  
• fill：添补模式选择，  'toself'   表现闭合地区添补，  'none'   表现仅绘制线条
  
• line：线条样式，包括颜色、宽度、透明度等
  

运行结果如下：

为了提升图表的可读性，可以对标签进行优化，例如调整字体巨细和角度。

1. fig.update_layout(
2.     title='产品性能雷达图',
3.     polar=dict(
4.         radialaxis=dict(
5.             visible=True,
6.             range=[0, 10]
7.         ),
8.         angularaxis=dict(
9.             tickfont=dict(size=12),  # 设置标签字体大小
10.             rotation=90,  # 设置标签旋转角度
11.             direction='clockwise'  # 设置标签方向
12.         )
13.     ),
14.     showlegend=True
15. )

复制代码

调整之后显示如下：

2. 应用场景

2.1. 多组数据对比

通过go.Scatterpolar叠加多组数据，并使用差别颜色区分，可以直观地对比多组数据的性能。

1. # 数据准备
2. values1 = [8, 7, 9, 6, 8]
3. values2 = [7, 8, 6, 7, 9]
4. values1 += values1[:1]
5. values2 += values2[:1]
7. fig = go.Figure(data=[
8.     go.Scatterpolar(
9.         r=values1,
10.         theta=categories,
11.         fill='toself',
12.         name='产品A'
13.     ),
14.     go.Scatterpolar(
15.         r=values2,
16.         theta=categories,
17.         fill='toself',
18.         name='产品B'
19.     )
20. ])
22. # 设置图表标题和布局
23. fig.update_layout(
24.     title='多产品性能对比雷达图',
25.     polar=dict(
26.         radialaxis=dict(
27.             visible=True,
28.             range=[0, 10]
29.         )
30.     ),
31.     showlegend=True
32. )
34. # 显示图表
35. fig.show()

复制代码

2.2. 优劣势定位

假设我们有几家供应商的综合能力评估数据，包括质量、本钱、交付等维度。
我们将使用雷达图来评估这些供应商的综合能力。

1. # 数据准备
2. categories = ['质量', '成本', '交付', '服务', '创新']
3. values1 = [8, 6, 7, 8, 7]  # 供应商A的评分
4. values2 = [7, 8, 6, 7, 8]  # 供应商B的评分
5. values3 = [9, 7, 8, 6, 9]  # 供应商C的评分
6. values1 += values1[:1]
7. values2 += values2[:1]
8. values3 += values3[:1]
9. categories += categories[:1]
11. # 绘制雷达图
12. fig = go.Figure(data=[
13.     go.Scatterpolar(
14.         r=values1,
15.         theta=categories,
16.         fill='toself',
17.         name='供应商A'
18.     ),
19.     go.Scatterpolar(
20.         r=values2,
21.         theta=categories,
22.         fill='toself',
23.         name='供应商B'
24.     ),
25.     go.Scatterpolar(
26.         r=values3,
27.         theta=categories,
28.         fill='toself',
29.         name='供应商C'
30.     )
31. ])
33. # 添加参考线（行业平均值）
34. fig.add_trace(
35.     go.Scatterpolar(
36.         r=[7, 7, 7, 7, 7, 7],
37.         theta=categories,
38.         mode='lines',
39.         line=dict(color='rgba(255, 0, 0, 0.5)', dash='dash'),
40.         name='行业平均值'
41.     )
42. )
44. # 设置图表标题和布局
45. fig.update_layout(
46.     title='供应商综合能力评估雷达图',
47.     polar=dict(
48.         radialaxis=dict(
49.             visible=True,
50.             range=[0, 10]
51.         )
52.     ),
53.     showlegend=True
54. )
56. # 显示图表
57. fig.show()

复制代码

通过雷达图，我们可以直观地看到各供应商在差别维度上的表现。
例如，供应商C在质量和创新方面表现较好，而供应商B在本钱方面表现更优。
通过添加行业平均值的参考线，我们可以进一步评估各供应商的综合能力。
2.3. 权重分析

结合维度权重盘算综合得分，例如加权平均。
然后在雷达图边上用柱状图显示总分对比。

1. from plotly.subplots import make_subplots
3. # 权重
4. weights = [0.2, 0.3, 0.25, 0.15, 0.1]
6. # 计算综合得分
7. score1 = sum([v * w for v, w in zip(values1[:-1], weights)])
8. score2 = sum([v * w for v, w in zip(values2[:-1], weights)])
10. # 创建子图布局
11. fig = make_subplots(
12.     rows=1,
13.     cols=2,
14.     specs=[[{"type": "polar"}, {"type": "bar"}]],
15.     subplot_titles=("产品性能雷达图", "综合得分对比")
16. )
18. # 添加雷达图
19. fig.add_trace(
20.     go.Scatterpolar(
21.         r=values1,
22.         theta=categories,
23.         fill='toself',
24.         name='产品A',
25.         line=dict(color='rgba(0, 128, 0, 0.7)')
26.     ),
27.     row=1,
28.     col=1
29. )
31. fig.add_trace(
32.     go.Scatterpolar(
33.         r=values2,
34.         theta=categories,
35.         fill='toself',
36.         name='产品B',
37.         line=dict(color='rgba(255, 165, 0, 0.7)')
38.     ),
39.     row=1,
40.     col=1
41. )
43. # 添加柱状图
44. fig.add_trace(
45.     go.Bar(
46.         x=['产品A', '产品B'],
47.         y=[score1, score2],
48.         marker=dict(color=['rgba(0, 128, 0, 0.7)', 'rgba(255, 165, 0, 0.7)'])
49.     ),
50.     row=1,
51.     col=2
52. )
54. # 设置雷达图布局
55. fig.update_layout(
56.     polar=dict(
57.         radialaxis=dict(
58.             visible=True,
59.             range=[0, 10]
60.         )
61.     ),
62.     showlegend=True
63. )
65. # 设置柱状图布局
66. fig.update_layout(
67.     barmode='group',
68.     bargap=0.2,
69.     bargroupgap=0.1
70. )
72. # 显示图表
73. fig.show()

复制代码

3. 总结

雷达图在多维数据评估中具有不可替换的作用，它能够直观地展示数据在各个维度上的表现，帮助我们快速辨认优势和劣势，从而做出更明智的决策。
通过使用 Plotly 绘制雷达图，我们可以轻松实现多组数据的对比评估，并结合权重分析和参考线等工具，进一步提升决策的科学性和精确性。
在实际应用中，数据预处置惩罚阶段要重视标准化方法的选择，确保各维度之间的可比性。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。