在数据可视化的体系中，占比类分析是洞察数据构成的核心环节，饼图与环形图则是实现这类分析的经典工具。二者能够直观呈现整体与局部的数量关系，广泛应用于市场份额核算、成本结构拆解、销售渠道贡献度分析等正式科研与商业分析场景。饼图与环形图的底层实现均依托 Matplotlib 的ax.pie()函数，二者在核心参数逻辑上高度一致，仅在视觉呈现形式上存在差异。本文基于 Jupyter Notebook 运行环境，提供全场景可直接执行的代码，系统阐述饼图与环形图的绘制逻辑、样式优化方案，以及多维度对比的实现方式，同时适配学术博文的严谨性与实用性要求。
一、基础饼图绘制与核心参数解析
基础饼图是占比分析的入门形式，能够自动完成数据占比的计算与可视化呈现，适用于类别数量不超过 6 类的简单占比展示场景。当类别数量过多时，饼图的扇区会过于细碎，不仅降低图表可读性，也会影响数据传递的准确性，因此该图表类型更适合核心类别、关键构成的快速展示。
在 Matplotlib 的参数设计中，饼图扇区的样式配置有严格的规范。扇区的边框颜色、边框宽度等属性，并非作为独立参数直接传入ax.pie()函数，而是需要通过wedgeprops字典进行统一封装。这一设计是 Matplotlib 针对饼图这类特殊图表的专属规范，能够保证扇区样式配置的统一性，同时避免参数调用冲突。在代码实现中，首先完成中文与负号显示的全局配置，解决跨系统运行时的字符乱码问题，再完成业务数据的准备，搭配色盲友好的高对比度配色，保证图表的普适性与视觉清晰度。
import matplotlib.pyplot as plt
import numpy as np
# 全局配置，适配中文与负号正常显示
plt.rcParams.update({
'font.sans-serif': ['SimHei', 'Arial Unicode Unicode MS'],
'axes.unicode_minus': False,
'figure.figsize': (8, 8)
})
# 业务数据定义，类别与数值一一对应
products = ['产品A', '产品B', '产品C', '产品D', '产品E']
sales = [156, 128, 95, 78, 62]
# 色盲友好配色方案，与类别数量匹配
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']
# 基础饼图绘制
fig, ax = plt.subplots()
wedges, texts, autotexts = ax.pie(
x=sales,
labels=products,
colors=colors,
autopct='%1.1f%%',
startangle=90,
counterclock=False,
wedgeprops={'edgecolor': 'black', 'linewidth': 1}
)
# 占比文本与类别标签样式优化
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
for text in texts:
text.set_fontsize(12)
ax.set_title('2024年各产品销量占比', fontsize=16, fontweight='bold', pad=20)
plt.show()
ax.pie()函数的核心参数决定了图表的基础呈现效果。x参数接收待分析的数值数据，函数会自动完成占比的归一化计算，无需开发者手动处理数据。labels参数绑定与数值对应的类别标签，实现数据与类别的精准对应。autopct参数用于控制占比文本的显示格式，可根据分析需求调整小数保留位数。startangle设置饼图的起始绘制角度，90 度为行业通用的优选值，让图表从正上方开始绘制，符合大众的阅读习惯。counterclock参数控制扇区的排列方向，设置为 False 时采用顺时针排列，更贴合日常的数据查看逻辑。wedgeprops作为扇区样式的核心配置项，承担边框颜色、边框宽度等关键样式的设置工作。
二、环形图：进阶占比可视化方案
环形图是基础饼图的优化形态，也被称作空心饼图，在正式的学术报告、商业汇报中，应用频率往往高于基础饼图。环形图通过空心设计，减少了视觉上的拥挤感，让各扇区的占比差异更易分辨。同时，环形中心的空白区域可以补充关键统计信息，进一步提升图表的信息密度，让单一图表能够承载更多有效内容。
环形图的绘制逻辑与基础饼图完全一致，核心差异在于wedgeprops字典中新增了width参数。该参数用于控制环形的空心宽度，取值范围在 0.2 至 0.4 之间时，能够达到最佳的视觉效果。取值过小会导致环形过窄，扇区信息展示不完整；取值过大则会无限贴近基础饼图，失去环形图的设计优势。在代码实现中，延续全局配置与数据准备的规范，仅通过调整wedgeprops参数，即可完成从基础饼图到环形图的转换。同时，借助ax.text()函数，在环形中心添加总营收、总样本量等核心汇总数据，让图表的信息表达更完整。
import matplotlib.pyplot as plt
import numpy as np
# 全局可视化配置
plt.rcParams.update({
'font.sans-serif': ['SimHei', 'Arial Unicode MS'],
'axes.unicode_minus': False,
'figure.figsize': (8, 8)
})
# 销售渠道营收数据准备
channels = ['线上电商', '线下门店', '社交推广', '分销代理', '企业采购']
revenue = [320, 180, 210, 125, 275]
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']
# 环形图绘制
fig, ax = plt.subplots()
wedges, texts, autotexts = ax.pie(
x=revenue,
labels=channels,
colors=colors,
autopct='%1.1f%%',
startangle=90,
counterclock=False,
wedgeprops={
'width': 0.3,
'edgecolor': 'black',
'linewidth': 1
}
)
# 文本样式优化
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
for text in texts:
text.set_fontsize(12)
# 环形中心补充核心汇总信息
ax.text(0, 0, '总营收\n1110万元', ha='center', va='center',
fontsize=14, fontweight='bold', color='#333333')
ax.set_title('2024年各销售渠道营收占比', fontsize=16, fontweight='bold', pad=20)
plt.show()
环形图的优势不仅体现在视觉层面，更体现在实际的分析场景中。对于占比数值相近的类别，环形图的弧形展示方式，能够比基础饼图更清晰地区分细微差异。同时，空心设计让图表在排版时更具灵活性，适配多图表拼接的报告版式。在学术博文与正式汇报中，优先选择环形图进行占比展示，能够有效提升内容的专业度与可读性。
三、突出扇区饼图：核心类别重点标注
在实际的数据分析工作中，往往需要突出展示核心类别，比如占比最高的产品、贡献度最大的销售渠道、成本占比最高的支出项等。突出扇区饼图通过扇区分离的视觉效果，能够快速抓住阅读者的注意力，实现核心信息的高效传递。这种图表形式适合在汇报、论文的结果展示环节，强调关键结论与核心发现。
突出扇区的实现依托explode参数，该参数是一个与类别数量等长的列表。列表中的每一个元素，对应一个饼图扇区的突出距离。数值 0 代表扇区保持原位，不做突出处理；数值在 0.1 至 0.2 之间时，突出效果适中，既能够实现视觉强调，又不会让图表显得杂乱。在实际应用中，建议单次仅突出一个核心类别，若同时突出多个类别，会分散视觉焦点，失去重点标注的意义。搭配shadow参数开启阴影效果，能够进一步增强突出扇区的立体感与层次感，强化视觉对比效果。
import matplotlib.pyplot as plt
import numpy as np
# 全局配置
plt.rcParams.update({
'font.sans-serif': ['SimHei', 'Arial Unicode MS'],
'axes.unicode_minus': False,
'figure.figsize': (8, 8)
})
# 产品销量数据定义
products = ['产品A', '产品B', '产品C', '产品D', '产品E']
sales = [156, 128, 95, 78, 62]
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd']
# 核心类别突出配置，仅突出产品A
explode = [0.1, 0, 0, 0, 0]
# 带突出效果的饼图绘制
fig, ax = plt.subplots()
wedges, texts, autotexts = ax.pie(
x=sales,
labels=products,
colors=colors,
autopct='%1.1f%%',
startangle=90,
counterclock=False,
explode=explode,
shadow=True,
wedgeprops={'edgecolor': 'black', 'linewidth': 1}
)
# 文本样式优化
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
for text in texts:
text.set_fontsize(12)
ax.set_title('2024年各产品销量占比（核心产品突出）', fontsize=16, fontweight='bold', pad=20)
plt.show()
在学术与商业场景中，突出扇区饼图的应用有明确的规范。核心突出的类别，必须与文章或汇报的核心结论保持一致，避免无意义的视觉突出。同时，扇区的突出距离、阴影效果的强度，都要遵循适度原则，在保证视觉强调的同时，维护图表整体的美观性与专业性。wedgeprops参数依旧承担扇区边框的配置工作，保证图表样式的统一规范。
四、多子图饼图：多维度占比对比分析
单一维度的占比分析往往无法满足复杂的研究与业务需求，在对比不同时期、不同区域、不同群体的占比结构时，多子图饼图是高效的解决方案。通过在同一画布中布局多个饼图或环形图，能够实现多维度数据的同屏对比，让阅读者直观发现不同场景下的数据构成差异。
多子图可视化的核心，是保证对比维度的一致性。首先要统一不同子图的类别标签，确保对比的是完全相同的分析对象。其次要沿用统一的配色方案，让同一类别在不同子图中拥有相同的视觉标识，避免因配色混乱导致的解读错误。在代码实现中，通过plt.subplots()函数创建指定行列数量的子图，分别为每个子图绑定对应维度的数据，同时保持参数配置、样式优化的逻辑一致。通过fig.suptitle()添加全局标题，明确对比的主题，再借助plt.tight_layout()函数调整子图间距，避免标签、标题之间的重叠问题。
import matplotlib.pyplot as plt
import numpy as np
# 全局可视化配置
plt.rcParams.update({
'font.sans-serif': ['SimHei', 'Arial Unicode MS'],
'axes.unicode_minus': False,
'figure.figsize': (14, 7)
})
# 多维度对比数据：Q1与Q2季度渠道营收
channels = ['线上电商', '线下门店', '社交推广', '分销代理']
q1_revenue = [280, 160, 180, 100]
q2_revenue = [350, 190, 220, 130]
colors = ['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728']
# 创建1行2列的子图布局
fig, (ax1, ax2) = plt.subplots(1, 2)
# Q1季度占比子图绘制
wedges1, texts1, autotexts1 = ax1.pie(
x=q1_revenue, labels=channels, colors=colors,
autopct='%1.1f%%', startangle=90, counterclock=False,
wedgeprops={'edgecolor': 'black', 'linewidth': 1}
)
for autotext in autotexts1:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax1.set_title('Q1季度渠道营收占比', fontsize=14, fontweight='bold', pad=20)
# Q2季度占比子图绘制
wedges2, texts2, autotexts2 = ax2.pie(
x=q2_revenue, labels=channels, colors=colors,
autopct='%1.1f%%', startangle=90, counterclock=False,
wedgeprops={
'width': 0.3,
'edgecolor': 'black',
'linewidth': 1
}
)
for autotext in autotexts2:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax2.set_title('Q2季度渠道营收占比', fontsize=14, fontweight='bold', pad=20)
# 全局标题与布局优化
fig.suptitle('2024年Q1-Q2季度销售渠道营收占比对比', fontsize=18, fontweight='bold', y=0.98)
plt.tight_layout(rect=[0, 0, 1, 0.95])
plt.show()
多子图饼图的设计，要兼顾信息密度与可读性。子图的数量不宜过多，2-4 个子图是理想的范围，过多的子图会导致单图尺寸过小，细节信息无法清晰展示。在排版时，要合理设置画布尺寸，根据子图的行列数量调整figure.figsize参数。同时，文本样式、边框样式等细节要保持全局统一，让整个图表组形成完整的视觉体系，符合学术博文与正式汇报的排版规范。
五、饼图与环形图的应用规范与实践要点
饼图与环形图作为经典的占比可视化工具，有明确的适用场景与使用规范，遵循这些规范是保证分析结果准确、图表专业的关键。从数据类型来看，这类图表仅适用于非负数值的占比分析，无法处理包含负值的数据，存在负值的场景应优先选择柱状图等其他图表类型。从类别数量来看，建议将可视化的类别数量控制在 6 类以内，过多的类别会导致扇区过于细碎，不仅难以直观区分占比差异，还会出现标签重叠、文本显示不全的问题。
在视觉设计与代码实践中，有诸多细节需要重点关注。字符显示问题是跨环境运行的常见问题，通过代码开头的全局配置，提前设置中文字体与负号显示参数，能够有效避免 Windows、Mac、Linux 不同系统下的乱码问题。占比文本的可读性直接影响图表的使用效果，将占比文本设置为白色粗体，能够适配绝大多数配色方案，避免文本与扇区颜色融合导致无法辨识。配色方案的选择要兼顾视觉效果与普适性，选用色盲友好的高对比度配色，能够让图表适配更多阅读人群，体现分析工作的严谨性。
在代码编写层面，ax.pie()函数的参数调用有严格的规范。扇区的边框颜色、边框宽度、环形宽度等样式属性，必须通过wedgeprops字典进行封装传入，这是 Matplotlib 框架的底层设计逻辑。遵循这一规范，能够避免参数调用报错，保证代码在 Jupyter Notebook 等环境中稳定运行。同时，代码的编写要遵循模块化、规范化的原则，全局配置、数据准备、图表绘制、样式优化的逻辑清晰分离，便于后续的维护与修改。
六、总结
饼图与环形图是占比类数据可视化的核心工具，二者依托ax.pie()函数实现，在基础逻辑上高度统一，又能通过参数调整适配不同的分析场景。基础饼图适合简单的占比展示，环形图在视觉效果与信息密度上更具优势，突出扇区饼图能够实现核心类别的重点标注，多子图饼图则满足了多维度对比的复杂需求。
在正式的学术博文与商业汇报中，图表的专业性、可读性、规范性是核心衡量标准。从数据筛选、参数配置、样式优化到排版设计，每一个环节都要遵循行业规范与工具的设计逻辑。合理选择图表类型，严格把控代码规范，注重视觉设计的细节，才能让饼图与环形图真正发挥数据可视化的价值，高效传递数据背后的核心结论。后续将继续围绕数据分布类可视化场景，详解直方图与箱线图的实战应用，构建完整的 Matplotlib 可视化知识体系。