在 Python 中制作扇形图（Pie Chart）并不复杂，**常见方式是使用 Matplotlib、Seaborn 或 Plotly 等可视化库，通过简单的数据结构与绘图函数即可快速生成**。对于数据分析、报表展示或商业汇报来说，扇形图能够直观展示比例关系。本文将系统讲解 Python 制作扇形图的完整流程，包括基础语法、参数详解、实战案例、样式优化以及常见问题，帮助你从入门到熟练掌握扇形图绘制方法。

## 一、什么是扇形图及其适用场景

扇形图（Pie Chart）是一种用于展示数据占比关系的统计图表，通过圆形分割为多个扇区，每个扇区的角度大小代表其数据所占比例。在 Python 数据可视化领域，扇形图是基础图形之一，尤其适用于结构分析、占比展示与分类统计。

在使用 Python 制作扇形图之前，需要理解其核心特点。**扇形图强调“比例”而非“趋势”**，因此更适用于展示某一时间点的组成结构，而不是时间序列变化。例如销售结构、市场份额分布、用户来源占比等场景。

根据 Python 官方文档（Python Software Foundation, 2023）指出，Python 生态的可视化能力主要依赖第三方库扩展，其中 Matplotlib 是最基础也是最广泛使用的绘图库。根据 Stack Overflow Developer Survey 2023 报告，Python 连续多年成为最受欢迎编程语言之一，在数据分析与数据可视化领域占据主导地位。

因此，掌握 Python 扇形图制作方法，是数据分析人员与开发者的必备技能。

## 二、使用 Matplotlib 制作基础扇形图

在 Python 中制作扇形图最常用的库是 Matplotlib。Matplotlib 提供了 `plt.pie()` 函数，可以快速生成标准扇形图。

### 1. 安装与环境准备

如果尚未安装 Matplotlib，可以使用以下命令：

```bash
pip install matplotlib
```

### 2. 基础示例代码

```python
import matplotlib.pyplot as plt

labels = ['A类', 'B类', 'C类', 'D类']
sizes = [35, 25, 20, 20]

plt.pie(sizes, labels=labels)
plt.title("样本分类占比")
plt.show()
```

运行后即可生成一个基础扇形图。

### 3. 常用参数说明

Matplotlib 的 `pie()` 函数支持多个关键参数，常见参数如下：

| 参数 | 类型 | 作用 |
|------|------|------|
| sizes | list | 每个扇区的数值 |
| labels | list | 标签名称 |
| autopct | str | 显示百分比格式 |
| startangle | int | 起始角度 |
| colors | list | 自定义颜色 |
| explode | list | 扇区分离效果 |

例如：

```python
plt.pie(
    sizes,
    labels=labels,
    autopct='%1.1f%%',
    startangle=90
)
```

**合理设置参数是提升扇形图可读性的关键**，尤其是 `autopct` 与 `startangle`。

## 三、Matplotlib 扇形图进阶美化技巧

基础扇形图往往样式单一，而在实际数据可视化中，视觉效果至关重要。Python 扇形图制作的高级技巧包括颜色定制、突出显示、阴影效果和环形图设计。

### 1. 添加分离效果（explode）

```python
explode = (0, 0.1, 0, 0)
plt.pie(sizes, labels=labels, explode=explode, autopct='%1.1f%%')
```

通过 explode 参数，可以突出某个分类。**这种方法常用于强调最大值或关键数据**。

### 2. 自定义颜色

```python
colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99']
plt.pie(sizes, labels=labels, colors=colors)
```

### 3. 绘制环形图（Donut Chart）

```python
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
centre_circle = plt.Circle((0,0),0.70,fc='white')
fig = plt.gcf()
fig.gca().add_artist(centre_circle)
plt.show()
```

**环形图是现代数据可视化中更常见的扇形图变体**，可提升视觉美感与信息聚焦能力。

根据 Matplotlib 官方文档（Matplotlib Documentation, 2024），`pie()` 函数允许通过图层叠加实现复杂视觉效果，这也是其被广泛应用于科研与商业报告的原因。

## 四、使用 Pandas 快速生成扇形图

在数据分析场景中，数据通常存储在 DataFrame 中。Pandas 与 Matplotlib 深度集成，可直接生成扇形图。

### 示例代码

```python
import pandas as pd
import matplotlib.pyplot as plt

data = {'分类': ['A类', 'B类', 'C类'], '数量': [50, 30, 20]}
df = pd.DataFrame(data)

df.set_index('分类').plot.pie(y='数量', autopct='%1.1f%%')
plt.ylabel('')
plt.show()
```

**Pandas 的优势在于减少数据预处理步骤**，适合数据分析流程中的快速可视化。

### Pandas 与 Matplotlib 对比

| 维度 | Matplotlib | Pandas |
|------|-------------|--------|
| 控制精细度 | 高 | 中 |
| 使用复杂度 | 略高 | 简单 |
| 适用场景 | 高级定制 | 快速分析 |
| 可扩展性 | 强 | 依赖底层 |

如果追求专业展示效果，建议使用 Matplotlib；若用于数据探索阶段，Pandas 更高效。

## 五、使用 Plotly 制作交互式扇形图

当需要交互功能时，Plotly 是更好的选择。Plotly 支持悬浮提示、动态效果和网页嵌入。

### 示例代码

```python
import plotly.express as px

data = {'分类': ['A类', 'B类', 'C类'], '数量': [40, 35, 25]}
fig = px.pie(data, names='分类', values='数量')
fig.show()
```

**Plotly 的最大优势在于交互性和现代化视觉效果**，适合 Web 应用与数据仪表盘。

### Matplotlib 与 Plotly 对比

| 对比维度 | Matplotlib | Plotly |
|-----------|------------|---------|
| 是否交互 | 否 | 是 |
| 学习成本 | 低 | 中 |
| 适合场景 | 报告、论文 | Web展示 |
| 输出格式 | 图片 | HTML |

如果你正在开发数据可视化网站或仪表盘，Plotly 是更理想的 Python 扇形图制作工具。

## 六、制作专业扇形图的设计原则

在 Python 制作扇形图时，仅会写代码是不够的，还需遵循数据可视化原则。

首先，分类数量不宜过多。**建议控制在 3-6 个类别之间**，否则视觉辨识度下降。其次，避免数据差异过小，否则难以通过角度区分。

再次，应统一配色风格。商业场景中建议使用企业标准色，避免高饱和混搭。最后，若需要对比多个结构，考虑使用环形图或条形图替代。

根据数据可视化研究指出，扇形图在展示比例方面有效，但在精确对比方面不如条形图。因此在选择图表类型时需谨慎。

## 七、常见问题与错误排查

在 Python 扇形图制作过程中，常见问题包括：

### 1. 中文乱码问题

解决方式：

```python
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
```

### 2. 扇形图比例不等

确保数据总和合理，避免负值或空值。

### 3. 标签重叠

可以通过调整 `labeldistance` 参数优化：

```python
plt.pie(sizes, labeldistance=1.2)
```

**正确处理这些细节问题，是提升 Python 扇形图质量的关键步骤**。

## 八、企业级应用场景实战示例

在企业数据分析中，Python 扇形图常用于：

电商平台：商品类别销售占比  
金融行业：资产配置比例  
教育机构：课程报名结构  
内容平台：流量来源分析  

例如电商销售结构分析：

```python
categories = ['服装', '数码', '家居', '食品']
sales = [50000, 80000, 30000, 40000]

plt.pie(sales, labels=categories, autopct='%1.1f%%')
plt.title("季度销售结构")
plt.show()
```

**通过结构可视化，企业可以快速识别核心业务板块**，辅助决策制定。

## 九、总结与未来趋势

通过本文讲解，可以看到 Python 制作扇形图的方法多样，Matplotlib 适合基础与专业展示，Pandas 适合快速分析，Plotly 适合交互应用。**选择合适工具与优化设计细节，是提升数据可视化质量的关键**。

未来趋势方面，数据可视化将更加交互化与智能化。随着 Web 技术与 AI 数据分析工具发展，Python 扇形图制作将更加自动化、模板化，并与实时数据系统深度结合。

对于初学者而言，建议从 Matplotlib 入手，逐步过渡到交互式可视化工具，构建完整的数据表达能力体系。

参考与资料来源  
Python Software Foundation. Python Documentation, 2023.  
Matplotlib Development Team. Matplotlib Official Documentation, 2024.  
Stack Overflow. Developer Survey Results 2023.

常用来制作扇形图的Python库是Matplotlib。你可以通过pip命令安装：pip install matplotlib。导入时只需写import matplotlib.pyplot as plt即可开始绘制。

使用Python制作扇形图需要哪些库？

在Matplotlib的pie函数中，可以通过colors参数传入颜色列表，labels参数传入标签列表。例如，colors=['red', 'blue', 'green']，labels=['区域A', '区域B', '区域C']。这样扇形图就会映射对应颜色和标签。

设置颜色和标签的方法

想给扇形图的不同部分设置不同颜色并添加相应标签，应该如何操作？

如何用Python自定义扇形图的颜色和标签？

Matplotlib的pie函数提供autopct参数，传入格式字符串例如'%1.1f%%'即可让图中显示每个扇区的百分比数值。这样便于直观了解各部分比例。

添加百分比显示的技巧

制作扇形图时，如何让图形中显示每个扇区的百分比？

怎样在Python扇形图中显示各部分所占百分比？

PingCodeDocs

在 Python 中制作扇形图通常使用 Matplotlib、Pandas 或 Plotly 等可视化库，通过简单的数据结构与绘图函数即可实现比例展示。Matplotlib 适合专业定制与报告输出，Pandas 适合快速数据分析场景，Plotly 则支持交互式展示。掌握常用参数如 labels、autopct、explode 以及颜色与布局优化技巧，可以显著提升扇形图的可读性与专业性。在实际应用中，应注意分类数量控制与设计原则，结合业务场景选择合适工具，才能充分发挥扇形图在数据结构分析中的价值。

怎么制作扇形图python

用户关注问题