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.

最后此篇关于【matplotlib实战】--面积图的文章就讲到这里了,如果你想了解更多关于【matplotlib实战】--面积图的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！ 。