条形图与极坐标结合，能创造怎样的视觉革命？

想象一下，你正站在一个圆形广场的中心，周围均匀排列着12根高度不同的灯柱，这就是径向条形图带给我们的视觉体验。 在数据可视化领域，我们常常满足于传统的直角坐标系条形图，但当数据具有周期性或比较性时，径向条形图和圆形条形图为我们打开了新的可能性。 1. 设计原理 这两种图表把传统的笛卡尔坐标系换成极坐标系：角度表示类别，半径或角度长度表示数值。 1.1. 径向条形图 径向条形图本质上是将传统条形图的直角坐标系转换为极坐标系。 在极坐标系中，每个数据点不再由(x, y)定位，而是由(角度, 半径)确定，条形的高度（或长度）由半径值表示，而条形的排列则沿着圆周方向。 设计灵感：如同钟表的指针或雷达的扫描线，径向条形图借鉴了自然界和人工制品中常见的圆形布局，利用了人类对角度和对称性的天然感知能力。 1.2. 圆形条形图 圆形条形图是径向条形图的一种特殊形式，它固定了起点和终点，使所有条形都在同一圆周上开始，只在半径方向上延伸。 这种设计解决了完全径向布局可能导致的数据比较困难问题，因为所有条形的基准线是一致的。 设计比喻：想象一组跳高运动员，他们都从同一高度起跳，只是跳跃的高度不同——圆形条形图就是这样公平的"竞技场"。 2. 应用示例 下面通过示例来演示这两种图在实际场景中的应用。 2.1. 径向条形图 # --- 1. 构造测试数据 --- # 假设我们想比较一年中每个月的平均降水量 月份 = [ "一月", "二月", "三月", "四月", "五月", "六月", "七月", "八月", "九月", "十月", "十一月", "十二月", ] # 生成模拟的降水量数据 (单位: mm) np.random.seed(42) # 为了结果可复现 降水量 = np.random.uniform(30, 150, size=len(月份)) # 随机生成30-150mm的数据 # --- 2. 创建图形 --- fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 7), facecolor="white") # --- 2.1 绘制传统条形图 --- # ... 省略 ... # --- 2.2 绘制径向条形图 --- # 计算每个条形的角度位置 # ... 省略 ... # 使用极坐标子图 ax2 = plt.subplot(122, projection="polar") # 关键：设置 'bottom' 参数为 inner_radius，这样条形就从 inner_radius 开始画，长度为 radii bars = ax2.bar( theta, radii, width=0.4, bottom=inner_radius, color="lightcoral", edgecolor="darkred", alpha=0.7, ) # 添加数值标签 (在条形内部，靠近外侧) for angle, radius, month in zip(theta, radii, 月份): ax2.text( angle, inner_radius + radius / 2, f"{radius:.1f}", ha="center", va="center", fontsize=8, color="black", ) # 添加月份标记 (在条形外部) # ... 省略 ... # --- 3. 显示图形 --- plt.tight_layout() plt.show() 这段代码首先生成了模拟的月度降水量数据，然后在同一个图形窗口中创建了两个子图。 左侧是使用 plt.bar 创建的传统条形图，右侧是使用 plt.subplot(..., projection='polar') 和 ax.bar 创建的径向条形图。 径向条形图利用了极坐标系，将类别（月份）分布在圆周上，将数值（降水量）映射到径向长度上。 径向条形图是一种在极坐标系上绘制的图表，可以提供比传统条形图更具视觉吸引力的替代方案。它通过弧长来表示数值，并且可以有效地利用空间，尤其是在处理类别较多或需要强调周期性模式（例如按月份或季度分组的数据）时。