什么是 Matplotlib 饼图？
在数据可视化的世界里，饼图就像一张“食物分配图”。想象你和朋友一起吃披萨，每个人分到的份额不同，你想直观展示谁吃了最多、谁最少，这时候饼图就派上用场了。它通过圆形的“切片”大小来反映各个部分占整体的比例，非常适合展示分类数据的占比关系。
Matplotlib 饼图是 Python 中最常用的数据可视化工具之一。它基于 Matplotlib 库，能够轻松绘制出美观、清晰的饼状图表。无论你是做销售分析、用户分布统计，还是课堂作业汇报，掌握 Matplotlib 饼图都能让你的数据“说话”。
这并不是一种高深莫测的技术，而是一个简单却强大的工具。只要你懂一点 Python 基础，就能快速上手。接下来，我们就一步步带你从零开始，真正理解并熟练使用 Matplotlib 饼图。
创建基础饼图
要绘制一个基础饼图，核心只需要两样东西：数据（每一块的数值）和标签（每一块的名字）。我们从最简单的例子开始。
import matplotlib.pyplot as plt
sales = [25, 30, 15, 30] # 销售额（单位：万元）
categories = ['电子产品', '服装', '食品', '家居']
plt.figure(figsize=(8, 6)) # 设置图形大小为 8x6 英寸
plt.pie(sales, labels=categories, autopct='%1.1f%%') # autopct 显示百分比
plt.title('各品类销售额占比') # 添加标题
plt.show()
这段代码中：
plt.figure(figsize=(8, 6))：创建一个图形窗口，设定宽度为 8 英寸，高度为 6 英寸，避免图形太小看不清。plt.pie()：核心函数，用于绘制饼图。传入sales作为数值，categories作为标签。autopct='%1.1f%%'：自动在每一块上显示百分比，保留一位小数。比如 25% 会显示为 25.0%。plt.title()：为图表添加标题，让读者一眼知道内容。plt.show()：真正把图表渲染出来。
运行后，你会看到一个完整的饼图，每个扇区大小对应其数值占比。这个基础结构是所有复杂饼图的起点。
美化饼图：颜色与样式调整
一个漂亮的饼图，不仅要有数据，还要有视觉吸引力。颜色、阴影、文字样式，都是提升专业感的关键。
import matplotlib.pyplot as plt
sales = [25, 30, 15, 30]
categories = ['电子产品', '服装', '食品', '家居']
colors = ['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4']
plt.figure(figsize=(8, 6))
plt.pie(
sales,
labels=categories,
autopct='%1.1f%%',
startangle=90, # 从顶部开始绘制（逆时针旋转90度）
colors=colors, # 使用自定义颜色
explode=(0.05, 0, 0, 0), # 突出显示第一个扇区（轻微分离）
shadow=True, # 添加阴影效果
textprops={'fontsize': 12} # 设置标签字体大小
)
plt.title('各品类销售额占比（美化版）', fontsize=14, fontweight='bold')
plt.axis('equal') # 保持饼图为圆形，防止拉伸变形
plt.show()
关键参数说明：
colors=colors：使用预设的颜色列表，让图表更具设计感。startangle=90：让饼图从顶部开始绘制，而不是默认从右边开始。这更符合人们的阅读习惯。explode=(0.05, 0, 0, 0)：让第一个扇区“突出”一点，视觉上更强调它。数值越大，分离越明显，单位是图形半径的倍数。shadow=True：为饼图添加轻微阴影，增强立体感。textprops={'fontsize': 12}：控制标签文字的大小。plt.axis('equal')：确保饼图是正圆，避免因坐标轴比例失调导致变形。
这种美化方式，能让你的报告或展示更具说服力，尤其是在做 PPT 汇报时，视觉冲击力更强。
饼图中的百分比与数值显示
有时，仅显示百分比还不够。比如你希望在图上同时看到具体数值和百分比，便于精确分析。
import matplotlib.pyplot as plt
sales = [25, 30, 15, 30]
categories = ['电子产品', '服装', '食品', '家居']
def make_autopct(values):
def my_autopct(pct):
total = sum(values)
val = int(round(pct * total / 100.0))
return f'{pct:.1f}%\n({val}万元)'
return my_autopct
plt.figure(figsize=(8, 6))
plt.pie(
sales,
labels=categories,
autopct=make_autopct(sales), # 使用自定义函数生成标签
startangle=90,
colors=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4'],
explode=(0.05, 0, 0, 0),
shadow=True
)
plt.title('各品类销售额占比（含数值）', fontsize=14)
plt.axis('equal')
plt.show()
这里的关键是 make_autopct 函数。它接收原始数据，返回一个内部函数 my_autopct，该函数能根据当前扇区的百分比，计算出对应的原始数值，并将其显示在标签中。
比如，25% 的扇区会显示为：
25.0%
(25万元)
这种形式非常适合用于财务分析、市场调研等需要精确数据支持的场景。
处理大量分类数据的技巧
当分类数量太多时，饼图会变得杂乱。比如有 10 个以上类别，每个扇区太小，标签重叠，根本看不清。
这时，可以采用“其他”归类策略。把小部分合并为“其他”，只保留前几个大类别，保持图表清晰。
import matplotlib.pyplot as plt
products = [
'iPhone', 'Samsung Galaxy', 'iPad', 'MacBook',
'AirPods', 'Watch', 'Pixel', 'Surface', 'Kindle', 'Echo',
'Smart TV', 'Headphones'
]
sales = [150, 130, 90, 80, 75, 65, 55, 50, 40, 35, 30, 25]
top_5 = sales[:5]
other_sum = sum(sales[5:])
labels = products[:5] + ['其他']
data = top_5 + [other_sum]
plt.figure(figsize=(8, 6))
plt.pie(
data,
labels=labels,
autopct='%1.1f%%',
startangle=90,
colors=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4', '#FFA500', '#8B7355']
)
plt.title('各产品线销售额占比（前5名+其他）', fontsize=14)
plt.axis('equal')
plt.show()
这种方法既保留了重点信息，又避免了图表过载。在实际工作中，这种“聚焦重点”的做法非常实用。
高级技巧：添加图例与自定义布局
有时候，饼图需要更复杂的布局，比如添加图例、调整扇区顺序、或使用不同字体。
import matplotlib.pyplot as plt
sales = [25, 30, 15, 30]
categories = ['电子产品', '服装', '食品', '家居']
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False # 正常显示负号
fig, ax = plt.subplots(figsize=(8, 6))
wedges, texts, autotexts = ax.pie(
sales,
labels=categories,
autopct='%1.1f%%',
startangle=90,
colors=['#FF6B6B', '#4ECDC4', '#45B7D1', '#96CEB4'],
explode=(0.05, 0, 0, 0),
shadow=True,
textprops={'fontsize': 12}
)
ax.legend(wedges, categories, title="品类", loc="center left", bbox_to_anchor=(1, 0, 0.5, 1))
ax.set_title('各品类销售额占比（带图例）', fontsize=14, fontweight='bold')
ax.axis('equal')
plt.tight_layout()
plt.show()
这里的关键是：
fig, ax = plt.subplots()：使用面向对象的方式绘图，更灵活。wedges, texts, autotexts = ax.pie()：获取饼图元素，方便后续操作。ax.legend()：添加图例，将扇区与标签对应起来。bbox_to_anchor：控制图例位置，放在图表右侧。plt.tight_layout()：自动调整布局，防止元素重叠。
这种写法适合集成到脚本或报告中，可维护性强。
总结与建议
Matplotlib 饼图是数据可视化中不可或缺的一环。它直观、简洁，特别适合展示“部分占整体”的比例关系。从基础绘制到高级美化，我们一步步走来，涵盖了颜色、标签、图例、数据合并等实用技巧。
但也要注意：饼图并非万能。当类别过多、数值接近时，它容易失去可读性。此时可考虑改用条形图或堆叠图。在实际项目中，选择合适的图表类型，比“炫技”更重要。
掌握 Matplotlib 饼图，不仅是学会一个函数，更是培养“用图形表达数据”的思维。当你能用一张图讲清一个故事，你的编程价值就真正体现了。
现在，不妨打开你的 Python 环境，动手试试吧。一个简单的饼图，可能就是你下一次汇报的亮点。