用 Python 制作子弹图也这么简单，爱了~
用 Python 制作子弹图也这么简单，爱了~
xiaozhan_Python
一个有温度的 Python 订阅号！
以下文章来源于萝卜大杂烩 ，作者周萝卜
Do it by yourself！爱好Python，测试，NLP，数据分析，小程序，k8s等技术，期待与你一同成长
众所周知，Python 的应用是非常广泛的，今天我们就通过 matplotlib 库学习下如何制作精美的子弹图
1 什么是子弹图
一个子弹图约定俗成的定义
子弹图使用长度/高度、位置和颜色对数据进行编码，以显示与目标和性能带相比的实际情况
我们先来看下子弹图大概长什么样子
子弹图具有单一的主要度量（例如，当前年初至今的收入），将该度量与一个或多个其他度量进行比较以丰富其含义（例如，与目标相比），并将其显示在性能的定性范围的背景，例如差、满意和好。定性范围显示为单一色调的不同强度，使色盲者可以辨别它们，并将仪表板上的颜色使用限制在最低限度
好了，差不多这就是子弹图的应用场景和绘制标准了，下面我们就开始制作吧
2 构建图表
思路大致是，可以使用堆叠条形图来表示各种范围，并使用另一个较小的条形图来表示值，最后，用一条垂直线标记目标
可以看出，我们需要多个组件图层，使用 matplotlib 来实现会比较方便
import
matplotlib.pyplot
as
plt
import
seaborn
as
sns
from
matplotlib.ticker
import
FuncFormatter
%matplotlib inline
这里我们还导入了 Seaborn，是因为 Seaborn 有一些非常有用的工具来管理调色板，利用这种功能比尝试以其他方式复制它更容易
我们需要生成调色板的主要原因是我们很可能希望为各种定性范围生成视觉上吸引人的配色方案，直接使用 seaborn 来完成会方便很多
在下面的例子中，我们可以使用 palplot 便利函数来显示 5 种绿色色调的调色板
sns.palplot(sns.light_palette(
"green"
,
5
))
sns.palplot(sns.light_palette(
"purple"
,
8
, reverse=
True
))
以相反的顺序制作 8 种不同深浅的紫色
我们现在知道了如何设置调色板，接下来让我们使用 Matplotlib 根据上面列出的原则创建一个简单的子弹图
首先，定义我们想要绘制的值
limits = [
80
,
100
,
150
]
data_to_plot = (
"Example 1"
,
105
,
120
)
这个将创建 3 个范围：0-80、81-100、101-150 和一个值为 105 和目标线为 120 的“示例”线 接下来，构建一个蓝色调色板：
palette = sns.color_palette(
"Blues_r"
, len(limits))
接下来是构建范围的堆积条形图：
fig, ax = plt.subplots()
ax.set_aspect(
’equal’
)
ax.set_yticks([
1
])
ax.set_yticklabels([data_to_plot[
0
]])
prev_limit =
0
for
idx, lim
in
enumerate(limits):
ax.barh([
1
], lim-prev_limit, left=prev_limit, height=
15
, color=palette[idx])
prev_limit = lim
然后我们可以添加一个较小的条形图来表示 105 的值：
ax.barh([
1
], data_to_plot[
1
], color=
’black’
, height=
5
)
已经初见雏形了
最后一步是使用 axvline 添加目标标记：
ax.axvline(data_to_plot[
2
], color=
"gray"
, ymin=
0.10
, ymax=
0.9
)
上面我就完成了子弹图的简单制作，但是我们所有的测试数值都是写死的，下面我们编写一个可以填写任意数值的代码
3 最终代码
def
bulletgraph
(data=None, limits=None, labels=None, axis_label=None, title=None,
size=
(
5
,
3
)
, palette=None, formatter=None, target_color=
"gray"
,
bar_color=
"black"
, label_color=
"gray"
)
:
# Determine the max value for adjusting the bar height
# Dividing by 10 seems to work pretty well
h = limits[
-1
] /
10
# Use the green palette as a sensible default
if
palette
is
None
:
palette = sns.light_palette(
"green"
, len(limits), reverse=
False
)
# Must be able to handle one or many data sets via multiple subplots
if
len(data) ==
1
:
fig, ax = plt.subplots(figsize=size, sharex=
True
)
else
:
fig, axarr = plt.subplots(len(data), figsize=size, sharex=
True
)
# Add each bullet graph bar to a subplot
for
idx, item
in
enumerate(data):
# Get the axis from the array of axes returned when the plot is created
if
len(data) >
1
:
ax = axarr[idx]
# Formatting to get rid of extra marking clutter
ax.set_aspect(
’equal’
)
ax.set_yticklabels([item[
0
]])
ax.set_yticks([
1
])
ax.spines[
’bottom’
].set_visible(
False
)
ax.spines[
’top’
].set_visible(
False
)
ax.spines[
’right’
].set_visible(
False
)
ax.spines[
’left’
].set_visible(
False
)
prev_limit =
0
for
idx2, lim
in
enumerate(limits):
# Draw the bar
ax.barh([
1
], lim - prev_limit, left=prev_limit, height=h,
color=palette[idx2])
prev_limit = lim
rects = ax.patches
# The last item in the list is the value we’re measuring
# Draw the value we’re measuring
ax.barh([
1
], item[
1
], height=(h /
3
), color=bar_color)
# Need the ymin and max in order to make sure the target marker
# fits
ymin, ymax = ax.get_ylim()
ax.vlines(
item[
2
], ymin *
.9
, ymax *
.9
, linewidth=
1.5
, color=target_color)
# Now make some labels
if
labels
is
not
None
:
for
rect, label
in
zip(rects, labels):
height = rect.get_height()
ax.text(
rect.get_x() + rect.get_width() /
2
,
-height *
.4
,
label,
ha=
’center’
,
va=
’bottom’
,
color=label_color)
if
formatter:
ax.xaxis.set_major_formatter(formatter)
if
axis_label:
ax.set_xlabel(axis_label)
if
title:
fig.suptitle(title, fontsize=
14
)
fig.subplots_adjust(hspace=
0
)
代码虽然看起来有点长，但是其实都是上面步骤的叠加，都比较简单，就不再重复说明了
我们直接调用一下看看效果
data_to_plot2 = [(
"张三"
,
105
,
120
),
(
"李四"
,
99
,
110
),
(
"王五"
,
109
,
125
),
(
"赵六"
,
135
,
123
),
(
"钱七"
,
45
,
105
)]
bulletgraph(data_to_plot2, limits=[
20
,
60
,
100
,
160
],
labels=[
"Poor"
,
"OK"
,
"Good"
,
"Excellent"
], size=(
8
,
5
),
axis_label=
"Performance Measure"
, label_color=
"black"
,
bar_color=
"#252525"
, target_color=
’#f7f7f7’
,
title=
"销售代表表现"
)
我们还可以进行一些优化，格式化 x 轴以便更一致地显示信息
在下面这个例子中，我们可以衡量一家假设公司的营销预算绩效
def
money
(x, pos)
:
’The two args are the value and tick position’
return
"${:,.0f}"
.format(x)
money_fmt = FuncFormatter(money)
data_to_plot3 = [(
"HR"
,
50000
,
60000
),
(
"Marketing"
,
75000
,
65000
),
(
"Sales"
,
125000
,
80000
),
(
"R&D"
,
195000
,
115000
)]
palette = sns.light_palette(
"grey"
,
3
, reverse=
False
)
bulletgraph(data_to_plot3, limits=[
50000
,
125000
,
200000
],
labels=[
"Below"
,
"On Target"
,
"Above"
], size=(
10
,
5
),
axis_label=
"Annual Budget"
, label_color=
"black"
,
bar_color=
"#252525"
, target_color=
’#f7f7f7’
, palette=palette,
title=
"营销渠道预算绩效"
,
formatter=money_fmt)
看起来效果都不错哦，怎么样，一起跟着做起来吧！
END
推荐阅读
牛逼！Python常用数据类型的基本操作（长文系列第①篇）
牛逼！Python的判断、循环和各种表达式（长文系列第②篇）
牛逼！Python函数和文件操作（长文系列第③篇）
牛逼！Python错误、异常和模块（长文系列第④篇）
推荐阅读
牛逼！Python常用数据类型的基本操作（长文系列第①篇）
牛逼！Python的判断、循环和各种表达式（长文系列第②篇）
牛逼！Python函数和文件操作（长文系列第③篇）
牛逼！Python错误、异常和模块（长文系列第④篇）