绘制板块层级图

实验目的：
1、掌握数据文件读取
2、掌握数据处理的方法
3、实现板块层级图的绘制
实验原理：
板块层级图（treemap）是一种基于面积的可视化方式，通过每一个板块（通常是矩形）的尺寸大小进行度量，外部矩形代表父亲类别。而内部矩形代表子类别，我们也可以通过板块层级图简单的呈现比例关系，不过它更善于呈现树状结构的数据。
读取绘图所用的数据，并对数据进行数据处理将数据处理成我们可以使用的形式，绘制板块层级图，设置标签和标题。
实验环境：

实验步骤：
一、安装pandas、matplotlib、seaborn、squarify
1、输入命令：pip install pandas

2、输入命令：pip install matplotlib

3、输入命令：pip install seaborn

4、输入命令：pip install squarify

二、读取数据
在这里我们使用pandas库中的read_csv函数来读取这3个数据文件。

三、数据处理
我们需要根据源表对目标表进行配套查询，使用merge函数进行操作。

进行匹配后的数据如下：

四、绘制板块层级图
绘制初始的板块层级图，代码如下：

cmap = matplotlib.colormaps.get_cmap('viridis')
mini, maxi = temp2.products_department.min(), temp2.products_department.max()
norm = matplotlib.colors.Normalize(vmin=mini,vmax=maxi)
colors = [cmap(norm(value)) for value in temp2.products_department]
colors[0] = "#4F5B93" # 使用有效的颜色代码
labels = [
"%s\n%d aisle num\n%d products num" % (label, aisle_num, product_num)
for label, aisle_num, product_num in zip(temp2.index, temp2.aisle_department, temp2.products_department)
]
fig = plt.figure(figsize=(12, 10))
ax = fig.add_subplot(111, aspect="equal")
squarify.plot(
temp2.aisle_department,
color=colors,
label=labels,
ax=ax,
alpha=0.7
)

结果图下：

初始结果：

设置x、y轴的属性：

ax.set_xticks([])
ax.set_yticks([])
img = plt.imshow([temp2.products_department], cmap=cmap)
img.set_visible(False)
fig.colorbar(img, orientation="vertical", shrink=.96)
fig.text(.76, .9, "numbers of products", fontsize=14)
plt.show()

结果展示如下：

五、实验总结
每个“板块”的面积直接对应其数值大小或比例。板块越大，表示对应的数据值越大。这种方式直观地展示了不同类别之间的相对大小关系，使观众能够快速识别出数据中的主要组成部分和次要部分。板块层级图能够清晰地展示数据的层级关系。例如，可以展示“集团 > 子公司 > 产品线”这样的多层级结构。通过嵌套的矩形块，观众可以直观地理解数据的层次结构，识别出不同层级之间的从属关系。相比于其他图表类型（如饼图），板块层级图在有限的空间内能够展示大量的数据节点。其紧凑的布局方式使得它非常适合展示复杂结构的数据，尤其适用于需要在一个视图中展示多个类别和子类别的情况。我们使用pandas进行数据读取和预处理，通过merge函数将多个数据表进行匹配查询，生成用于绘制图表的最终数据集，利用matplotlib的颜色映射功能，根据数据值生成相应的颜色，使图表更具视觉吸引力，为每个板块添加详细的标签信息，包括类别名称、子类别数量和产品数量，帮助观众更好地理解图表内容，通过调整图表的布局、颜色、标签位置等元素，提升图表的美观性和可读性。例如，去除坐标轴刻度、添加颜色条等，虽然本次实验主要使用静态图表，但在实际应用中，可以结合数字化工具（如Power BI、Tableau）实现更丰富的交互功能。