异常教程

R 绘图 – 饼图（手把手讲解）

更新时间:

💡一则或许对你有用的小广告

欢迎加入小哈的星球 ，你将获得：专属的项目实战 / 1v1 提问 / Java 学习路线 / 学习打卡 / 每月赠书 / 社群讨论

  • 新项目:《从零手撸：仿小红书（微服务架构）》 正在持续爆肝中，基于 Spring Cloud Alibaba + Spring Boot 3.x + JDK 17...，点击查看项目介绍 ;
  • 《从零手撸：前后端分离博客项目（全栈开发）》 2 期已完结，演示链接： http://116.62.199.48/ ;

截止目前， 星球 内专栏累计输出 82w+ 字，讲解图 3441+ 张，还在持续爆肝中.. 后续还会上新更多项目，目标是将 Java 领域典型的项目都整一波，如秒杀系统, 在线商城, IM 即时通讯，权限管理，Spring Cloud Alibaba 微服务等等，已有 2900+ 小伙伴加入学习 ，欢迎点击围观

前言：为什么选择饼图？

在数据可视化领域，R 绘图 – 饼图是展示数据比例关系的经典工具。它以直观、简洁的方式将分类数据的占比清晰呈现，尤其适合向非技术背景的受众传达关键信息。无论是市场调研中的用户群体分布，还是财务报告中的预算分配，饼图都能快速抓住读者的注意力。

对于编程初学者和中级开发者而言，掌握饼图的绘制技巧不仅能提升数据表达能力，还能为后续学习其他复杂图表（如热力图、动态可视化）打下坚实基础。本文将从零开始，逐步讲解 R 语言中饼图的实现方法，并结合案例演示如何通过代码优化图表的视觉效果。

一、基础语法：用 pie() 函数创建饼图

1.1 准备数据

饼图的核心是展示数据的占比关系，因此数据需要满足以下条件：

  • 数据必须为非负数值；
  • 数据总和无需等于 100%，但会自动按比例计算。

例如，假设我们想展示某公司部门的人数分布，数据可以整理为以下向量：

departments <- c("销售", "技术", "市场", "行政")
counts <- c(45, 30, 20, 5)

1.2 绘制基础饼图

使用 R 内置的 pie() 函数即可快速生成饼图：

pie(counts, labels = departments, main = "部门人数分布")
  • counts：数据向量，决定每个扇形区域的大小；
  • labels：分类名称，默认显示数值；
  • main：图表标题。

1.3 结果分析

执行上述代码后，R 会生成一个简单的饼图，但默认样式可能较为朴素。例如：

  • 颜色随机分配，可能难以区分不同类别；
  • 标签可能重叠，尤其是当类别名称较长时。

二、自定义样式：让饼图更专业

2.1 颜色定制

通过 col 参数指定颜色，可以显著提升图表的可读性和美观度。例如：

colors <- c("#FF6B6B", "#4ECDC4", "#45B7D1", "#96CEB4")
pie(counts, labels = departments, col = colors, main = "部门人数分布（颜色优化）")
  • 使用十六进制颜色代码（如 #FF6B6B）可精确控制颜色；
  • 颜色搭配建议：
    • 对比色（如红与蓝）适合强调差异；
    • 渐变色（如蓝到绿）适合连续分类。

2.2 标签与文字调整

2.2.1 标签位置与格式

通过 label.cex 调整标签字体大小，clockwise = TRUE 可按顺时针排列标签：

pie(counts, 
    labels = paste(departments, counts, sep = "\n"),  # 换行显示名称和数值
    label.cex = 0.8,
    clockwise = TRUE,
    main = "带数值的饼图"
)

2.2.2 拆分扇形（Exploding）

使用 explode 参数突出显示某个类别：

library(plotrix)  # 需要先安装 plotrix 包
pie3D(counts, 
      labels = departments, 
      explode = 0.1,  # 拆分程度
      main = "3D 饼图（销售部门突出显示）"
)

2.3 添加图例

默认饼图不显示图例，可通过 legend() 函数手动添加：

pie(counts, labels = NA)  # 关闭默认标签
legend("topright", 
       departments, 
       fill = colors, 
       title = "部门", 
       cex = 0.8
      )

三、进阶技巧：3D 效果与交互式图表

3.1 3D 饼图

使用 plotrix 包的 pie3D() 函数，可为图表添加立体效果：

library(plotrix)
pie3D(counts, 
      labels = departments, 
      col = colors,
      main = "3D 饼图",
      theta = 45  # 观察角度
)

3.2 交互式图表：Shiny 应用

通过 shiny 包，可创建动态交互界面，允许用户通过下拉菜单切换数据集：

library(shiny)

ui <- fluidPage(
  selectInput("dataset", "选择数据集:", 
             choices = list("部门人数" = "counts", "其他数据" = "other_data")),
  plotOutput("pie_plot")
)

server <- function(input, output) {
  output$pied_plot <- renderPlot({
    if (input$dataset == "counts") {
      pie(counts, labels = departments)
    } else {
      pie(other_data, labels = other_labels)
    }
  })
}

shinyApp(ui, server)

四、常见问题与解决方案

4.1 标签重叠如何处理？

  • 方法 1：缩短标签名称或使用缩写；
  • 方法 2：调整字体大小或旋转图表： 
    pie(counts, labels = departments, clockwise = TRUE, cex = 0.7)

4.2 如何保存高分辨率图片？

使用 png() 或 pdf() 函数设置输出格式：

png("pie_chart.png", width = 800, height = 600)
pie(counts, labels = departments)
dev.off()

4.3 数据量过多时饼图是否适用？

  • 建议：当类别超过 5-7 个时，改用堆叠柱状图或条形图，避免信息过载；
  • 替代方案：使用 ggplot2 的 geom_bar() 绘制条形图： 
    library(ggplot2)
df <- data.frame(Department = departments, Count = counts)
ggplot(df, aes(x = "", y = Count, fill = Department)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y") +  # 转换为饼图
  ggtitle("部门人数分布")

五、实战案例：分析全球咖啡消费分布

5.1 数据准备

假设我们有以下数据（单位：百万公斤）：
| 国家 | 消费量 | |------------|--------| | 美国 | 4500 | | 巴西 | 2800 | | 德国 | 1600 | | 日本 | 900 | | 其他 | 2200 |

5.2 代码实现

countries <- c("美国", "巴西", "德国", "日本", "其他")
coffee <- c(4500, 2800, 1600, 900, 2200)

pie(coffee, 
    labels = paste0(countries, "\n", coffee), 
    col = rainbow(5),
    main = "全球咖啡消费量分布（2023）",
    cex = 0.8
)

5.3 结果解读

  • 美国以约 37% 的占比位居第一；
  • “其他”类别占比 18%，说明数据需进一步细分；
  • 颜色与标签的组合使图表更易理解。

结论：饼图的适用场景与局限性

R 绘图 – 饼图 是数据可视化中不可或缺的工具，尤其在以下场景表现优异：

  • 优势：直观展示比例关系、适合小类别数量；
  • 局限性：数据过多时易混淆、不适用于精确数值比较。

通过本文的学习，读者应能掌握从基础语法到高级定制的完整流程。建议后续结合实际项目实践，并探索 ggplot2 等高级包，以进一步提升图表的表达力。记住，优秀的数据可视化不仅是技术的体现，更是与受众沟通的艺术。

最新发布

查看更多文章