利用pyecharts绘制雷达图的案例（含参数解释）

目录

一、概念介绍

二、数据导入

三、图像绘制 

四、 参数解释

Part 1：背景图添加

Part 2：add_schema

Part 3：绘制雷达链

Part 4 ：set_series_opts

---

一、概念介绍

雷达图（Radar Chart），或称为戴布拉图、蜘蛛网图。图形以一点为中心，每一变量维度为一极坐标轴，n个维度即形成n轴的由内向外放射状图形，形似蜘蛛网。

图形示例：（图源百度)

分析上图，我们可以得到一家企业或者某个部门在经营管理上的评分分布。

图形的基本构成如下：

雷达图的应用特点：

① 同样是属于比较与分布类型，雷达图与柱状图最明显的差异是，柱状图在实际场景中通常被用于进行单（多）维度定性数据的可视化，比如一次期中考试，绘制柱状图来对比八个班级的语文平均分；而雷达图常常用于单（多）个体的多维度数据对比，进而呈现并帮助分析对象的优劣处，比如在这次考试中，绘制雷达图来观察二班的语文、数学、英语、生物、化学、物理科目平均分的优良分布。

② 如果遇到多总体，我们可以使用多幅雷达图，或者单幅雷达图中多层数据线的形式进行总体间对比。

③ 无论是变量特征还是对象总体都不要太多，前者（>10）会使得图像的轴过多，包含信息量过大而弱化了可读性，一眼看去让人感觉很复杂。后者（>5）要么会使得线条交叉密集，要么就是多重覆盖域因附着不同填充色而导致的信息覆盖问题，当然，如果每个总体都是单维突出类型，信息突出效果还是很好的。

④ 雷达图使用的数据是多特征的，会出现一种很常见的情况，比如年龄和收入的量纲或者说取值范围是不一致的。因为雷达图是维度内的粗略对比，我们并不会去根据图形计算一班和二班的数学平均分差究竟是多少，只需要得到二班在这次期中考试中数学比一班考得好的结论就可以，所以为了将各维度数据在一个取值范围内，我们在绘图前会考虑将数据归一化或者标准化。

⑤ 在应用场景上，通常有财务状况综合评价、用户画像、员工评分、医疗症状自评等等

---

二、数据导入

        在本案例中，我们虚构了某部门五位员工的月度评价数据，希望绘制雷达图以向管理或人事部门反映员工们的亮点与不足之处。

import pandas as pd
data = pd.DataFrame(pd.read_excel('案例数据.xlsx'))

# 生成绘图series
data_radar = []
for row in range(data.shape[0]):
    dic = {}
    value = []
    for col in range(1,data.shape[1]):
        value.append(int(data.iloc[row,col]))
    dic['name'],dic['value'] = data['员工'][row],value
    data_radar.append([dic])

# 各特征维度取值范围
scope = []
for col in range(1,data.shape[1]):
    dic = {}
    dic['na