小编点评

**主要元素：** * **饼片（扇形）：**每个饼片表示某一种类别或比例的占比。 * **标签：**每个饼片上的标签表示对应部分的具体名称或数值。 * **百分比：**每个饼片上的百分比表示其在总体的比例。 **适用的场景：** * **比例展示：**展示总体中各个部分的比例关系。 * **分类数据：**展示分类数据的比例关系。 * **简单数据分析：**帮助观察者快速了解数据的分布情况和相对大小。 * **突出重点：**突出某个部分的重要性，引起观察者的注意。 **不适用的场景：** * **多个分类变量：**当数据包含多个分类变量时，饼图可能会变得复杂和难以理解。 * **数据过于细分：**当数据被分成过多的小块时，饼图可能会变得拥挤和难以辨认，不适合展示细分数据。 * **数据差异较小：**当各个部分的差异较小，比例接近时，饼图可能无法清晰地展示差异，不适合展示相似的数据。 * **需要精确数值比较：**饼图通常只能展示相对比例关系，无法提供精确的数值比较，不适合需要准确数值的场景。 **分析实战：** * 50万~200万人口的城市超过一半，是大多数的城市规模。 * 两端的情况（人口20万以下，或者400万以上）的城市占比最小。

正文

饼图，或称饼状图，是一个划分为几个扇形的圆形统计图表。
在饼图中，每个扇形的弧长（以及圆心角和面积）大小，表示该种类占总体的比例，且这些扇形合在一起刚好是一个完全的圆形。

饼图最显著的功能在于表现“占比”。
习惯上，人们通过比较饼图扇形的大小来获得对数据的认知。

使用饼图时，须确认各个扇形的数据加起来等于100%；
且避免扇区超过5个，扇形的排布顺序，一般情况下，将最大的扇形放在12点钟方向。

1. 主要元素

饼图的主要元素包括：

1. 饼片（扇形）：饼图由多个饼片组成，每个饼片的大小代表了对应部分在总体中的比例关系。
2. 标签：饼图中的每个饼片通常都会有一个标签，用于表示对应部分的具体名称或者数值。
3. 图例：图例是饼图的一部分，用于解释每个饼片所代表的含义，帮助观察者理解图表。
4. 百分比：饼图通常会显示每个饼片所占的百分比，以便更直观地展示比例关系。

2. 适用的场景

饼图适用的场景包括：

• 比例展示：展示一个总体中各个部分的比例关系，例如市场份额、人口比例等。
• 分类数据：展示分类数据的比例关系，例如某个产品的销售额占比、不同地区的人口分布等。
• 简单数据分析：简单的数据分析，帮助观察者快速了解数据的分布情况和相对大小。
• 强调重点：突出某个部分的重要性，引起观察者的注意，例如某个产品的关键特点或者某个地区的重要经济指标。

3. 不适用的场景

饼图不适用的场景包括：

• 多个分类变量：当数据包含多个分类变量时，饼图可能会变得复杂和难以理解，不适合展示复杂的关系。
• 数据过于细分：当数据被分成过多的小块时，饼图可能会变得拥挤和难以辨认，不适合展示细分数据。
• 数据差异较小：当各个部分的差异较小，比例接近时，饼图可能无法清晰地展示差异，不适合展示相似的数据。
• 需要精确数值比较：饼图通常只能展示相对比例关系，无法提供精确的数值比较，不适合需要准确数值的场景。

4. 分析实战

本次用饼图统计展示 不同人口规模的城市数量 的统计情况。

4.1. 数据来源

数据来自国家统计局公开的城市概况数据，可从下面的网址下载：
https://databook.top/nation/A0B

使用其中的 A0B01.csv 文件（分机构类型法人单位数）

fp = "d:/share/A0B01.csv"

df = pd.read_csv(fp)
df

4.2. 数据清理

最新的2022年数据缺失较多，所以选取2021年的数据进行分析。

data = df[df["sj"] == 2021]
data

第一条数据全部城市情况，统计需要去除，另外，指标的名称太长，统计前也可以调整下。
接着上面过滤后的数据继续数据清洗：

data = data.reset_index() # 重置索引
data = data.iloc[1:]  # 忽略第一条合计的数据

#调整指标名称，删除多余的文字
data["zbCN"] = data["zbCN"].str.replace("城市市辖区年末总", "")
data["zbCN"] = data["zbCN"].str.replace("地级及以上", "")

data

最后得到的数据有6条，饼图一般来说数据不要超过5个，6个也还行，再多就影响显示效果了。

4.3. 分析结果可视化

with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])

    ax.pie(data["value"], autopct="%1.1f%%")
    ax.legend(
        data["zbCN"].tolist(),
        loc="center",
        bbox_to_anchor=(1, 0, 0.5, 1),
    )

从分析结果可看出，50万~200万人口的城市超过一半，是大多数的城市规模。
两端的情况（人口20万以下，或者400万以上）的城市占比最小。