小编点评

**主要元素面积图**是一种用于展示数据分布或密度的图表类型，主要由数据点、面积、以及X轴和Y轴组成。 **适用的场景** * 数据分布分析 * 市场需求分析 * 健康状况分析 **不适用的场景** * 数据精确性要求较高的分析场景 * 需要显示数据细节的分析场景 * 需要进行多维数据分析的场景 **分析实战** ```python import matplotlib.pyplot as plt # 加载数据 fp = "d:/share/A0201.csv" df = pd.read_csv(fp) # 1. 数据清理 key1 = "国民总收入(亿元)" key2 = "人均国内生产总值(元)" df_filtered = df[df[key1] == key1].head() df_filtered = df_filtered[df[key2] == key2].head() # 2. 创建面积图 fig, ax = plt.subplots() ax.xaxis.set_major_locator(MultipleLocator(4)) ax.xaxis.set_minor_locator(MultipleLocator(2)) # 3. 绘制面积图 ax.fill_between(df_filtered["sjCN"], df_filtered["value"], label="国民总收入(万亿元)") ax.legend(loc="upper left") # 4. 设置坐标轴单位 ax.set_xlabel("时间") ax.set_ylabel("值") ax.tick_params(axis="y", labelcolor="w") # 5. 显示面积图 plt.show() ```

正文

面积图，或称区域图，是一种随有序变量的变化，反映数值变化的统计图表。

面积图也可用于多个系列数据的比较。
这时，面积图的外观看上去类似层叠的山脉，在错落有致的外形下表达数据的总量和趋势。
面积图不仅可以清晰地反映出数据的趋势变化，也能够强调不同类别的数据间的差距对比。

面积图的特点在于，折线与自变量坐标轴之间的区域，会由颜色或者纹理填充。
但它的劣势在于，填充会让形状互相遮盖，反而看不清变化。一种解决方法，是使用有透明度的颜色，来“让”出覆盖区域。

1. 主要元素

面积图是一种用于展示数据分布或密度的图表类型，主要由数据点、面积、以及X轴和Y轴组成。
面积图可以直观地反映数据的分布情况。

面积图的主要构成元素包括：

1. 数据点：表示数据的具体位置和大小
2. 面积：表示数据的分布或密度
3. X轴：一般是有序变量，表示数据点的变化区间
4. Y轴：数据点在不同时刻的值

2. 适用的场景

面积图适用于以下分析场景：

• 数据分布分析：帮助分析人员了解数据的分布情况，如城市的大小、人口分布等。
• 市场需求分析：帮助企业了解市场需求的变化趋势，如销售额的增长情况等。
• 健康状况分析：帮助医生了解患者的健康状况，如体温、血压等数据的变化趋势。

3. 不适用的场景

面积图不适用于以下分析场景：

• 数据的精确性要求较高的分析场景：面积图无法精确地反映数据的分布情况，在需要精确数据的场景中不适用。
• 需要显示数据细节的分析场景：面积图无法直观地显示数据的细节和变化趋势，在需要显示数据细节的场景中不适用。
• 需要进行多维数据分析的场景：面积图无法直接展示多维数据，在需要进行多维数据分析的场景中不适用。

4. 分析实战

这次使用国内生产总值相关数据来实战面积图的分析。

4.1. 数据来源

数据来源国家统计局公开数据，已经整理好的csv文件在：https://databook.top/nation/A02

本次分析使用其中的 A0201.csv 文件（国内生产总值数据）。

下面的文件路径 fp 要换成自己实际的文件路径。

fp = "d:/share/A0201.csv"

df = pd.read_csv(fp)
df

4.2. 数据清理

从中过滤出国内生产总值(亿元)和人均国内生产总值(元)，然后绘制面积图看看有什么发现。

key1 = "国民总收入(亿元)"
df[df["zbCN"]==key1].head()

key2 = "人均国内生产总值(元)"
df[df["zbCN"]==key2].head()

4.3. 分析结果可视化

国内生产总值(亿元)的面积图：

from matplotlib.ticker import MultipleLocator

with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))

    data = df[df["zbCN"] == key1].copy()
    data["value"] = data["value"] / 10000
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], label="国民总收入(万亿元)")

    ax.legend(loc="upper left")

上面的代码把Y轴的单位改成了万亿元，原先的亿元作为单位，数值太大。
用面积图来展示分析结果，不像折线图那样，仅仅只是变化趋势的感觉；
通过折线下的面积不断扩大，会感觉到国民总收入的总量在不断变大，且2006年之后，总量增速明显提高。

同样分析步骤，人均收入的面积图如下：

from matplotlib.ticker import MultipleLocator

with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))

    data = df[df["zbCN"] == key2].copy()
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], label=key2)

    ax.legend(loc="upper left")

接下来，我们把国民总收入和人均收入放在一起看，但是，这两组数据的单位不一样（一个是万亿元，一个是元）。
所以要用到之前 matplotlib基础系列中介绍的双坐标轴技巧来展示。

from matplotlib.ticker import MultipleLocator

with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))
    ax_twinx = ax.twinx()

    data = df[df["zbCN"] == key1].copy()
    data["value"] = data["value"] / 10000
    data = data.sort_values(by="sj")
    ax.fill_between(data["sjCN"], data["value"], 
                    alpha=0.5, label="国民总收入(万亿元)")

    data = df[df["zbCN"] == key2].copy()
    data = data.sort_values(by="sj")
    ax_twinx.fill_between(data["sjCN"], data["value"], 
                          color='r', alpha=0.2, label=key2)

    ax.legend(loc="upper left")
    ax_twinx.legend(loc="upper right")

两个面积图用了不同颜色，并加了透明度（即alpha 参数），不加透明度，颜色会互相覆盖。
左边的Y轴是国民总收入，右边的Y轴是人均收入。
这两个面积图几乎完全重合，正说明了国民总收入和人均收入是强相关的。