科研绘图 | 基于Python 绘制环形柱状图:多模型多指标对比

在做机器学习/统计建模对比时，经常同时关注多个指标：Accuracy、Precision、Recall、F1、AUC、Kappa系数……如果用普通柱状图，一张图往往只能清晰呈现 1 个指标；如果把多个指标堆在同一张直角坐标系里，又容易出现“又长又挤”的问题，读者很难快速抓住重点。
环形柱状图（本质上是“极坐标分组柱状图 + 中心留白”）提供了一个折中：把“指标维度”均匀铺在圆周上，把“模型维度”作为每个指标扇区内的并列柱，从而在一张图里同时表达“多指标 + 多模型”的整体格局，而且视觉上比雷达图更接近“可读的柱状比较”。

结果（四张子图也会单独导出）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import rcParams


defset_style():
    rcParams.update(
        {
"font.family": "serif",
"font.serif": ["Times New Roman"],
"mathtext.fontset": "stix",
"font.size": 12,
"axes.linewidth": 1.0,
"figure.dpi": 300,
        }
    )

CSV_NAME = "model_performance.csv"

1）数据准备

环形柱状图最重要的一步不是画图，而是把数据整理好。建议使用最简单、最透明的表格：一行代表一个模型，一列代表一个指标。这样我们最终就能得到一个 values 矩阵，形状为 (n_models, n_metrics)，后续所有角度、宽度、颜色的计算都能围绕它展开。

实践中有三个细节容易踩坑：

1. 列名与顺序：你希望指标按什么顺序出现在圆周上，就应该在 CSV 里按这个顺序放列，或者在读取后显式排序；否则读者会觉得“指标位置怎么变了”。
2. 类型强制：很多 CSV 会因为缺失值、千分位、字符串混入导致整列变成 object；绘图前必须把指标列强转为 float。

下面的读取函数只做“必要且可解释”的处理：保留 Model 作为名称列表，其余列作为指标名与数值矩阵。

defread_table(csv_path: str):
    df = pd.read_csv(csv_path)
if"Model"notin df.columns:
raise ValueError("CSV 必须包含 'Model' 列（模型名称）。")

    model_names = df["Model"].astype(str).tolist()
    metric_names = [c for c in df.columns if c != "Model"]
ifnot metric_names:
raise ValueError("未发现指标列：除 'Model' 外至少需要一列数值指标。")

    values = df[metric_names].astype(float).to_numpy()
return model_names, metric_names, values

2）配色策略

在“多模型×多指标”的图里，颜色如果处理不好，读者会陷入“这根柱属于谁？”的反复确认。一个经验做法是：让颜色绑定到“指标”，而不是绑定到“模型”。原因很直观：指标在圆周上分组出现（每个扇区一个指标），当每个扇区的柱都用同一种颜色，读者无需额外图例就能知道“这一组代表什么指标”；而模型名称可以通过沿外圈的文字标注来识别。

当然，颜色绑定也不是绝对规则：当模型数量很少、指标很多时，绑定模型颜色也有优势。本文先采用“指标上色”的策略，并用 Matplotlib 的 colormap 生成离散色板，避免手工配色的维护成本。为了让印刷与屏幕都更舒服，通常会避开 colormap 的两端极值（太浅/太深），只取中间段颜色。

import matplotlib as mpl

defpalette_colors(cmap_name: str, n: int):
    cmap = mpl.colormaps.get_cmap(cmap_name)
if n <= 1:
return [mpl.colors.to_hex(cmap(0.5))]
    xs = np.linspace(0.12, 0.88, n)  # 避开两端极值
return [mpl.colors.to_hex(cmap(x)) for x in xs]

3）极坐标布局：把“分组柱”映射到圆周扇区

直角坐标系里，柱状图的“分组”通常靠 x 方向的离散位置来做；在极坐标里，对应的自由度就是角度 theta。我们的目标是把圆周（0 ~ 2π）切成 n_metrics 个“指标扇区”，扇区之间留一点缝（group_gap）作为视觉分隔；然后在每个指标扇区内部，再放 n_models 根并列柱，柱与柱之间留一点间距（bar_gap）。

另外，“环形”的关键在于中心留白：不是从 r=0 开始画，而是让每根柱从 bottom=hole 起步。这样就会形成一个清晰的内环空洞，既美观，也能减少中心区域的拥挤。

这一步会看到几个重要的参数：

• hole_ratio：内圈空洞占“最大数值半径”的比例，决定图的“环宽”。
• group_gap_ratio：各指标扇区之间的角度缝隙比例，决定分组分隔感。
• bar_gap_ratio：扇区内部柱与柱之间的间距比例，决定密度与可读性。

参数并不存在唯一最优解，合理的原则是：先确保“读得清”，再追求“摆得满”。

deflayout_params(n_models: int, n_metrics: int, *, hole_ratio=0.18, group_gap_ratio=0.02, bar_gap_ratio=0.06):
    total = 2 * np.pi
    group_gap = total * group_gap_ratio
    group_span = (total - group_gap * n_metrics) / max(1, n_metrics)

# 每个指标扇区里，放 n_models 根并列柱
    bar_gap = group_span * bar_gap_ratio / max(1, n_models)
    bar_width = (group_span - bar_gap * (n_models - 1)) / max(1, n_models)

return {
"total": total,
"group_gap": group_gap,
"group_span": group_span,
"bar_gap": bar_gap,
"bar_width": bar_width,
"hole_ratio": hole_ratio,
    }

4）文字沿切线摆放：让标签跟随圆周、避免倒着读

环形柱状图的“高级感”很大一部分来自文字排版：模型名与指标名如果像普通极坐标那样横着放，往往会出现大面积重叠；如果简单按角度旋转，又会出现“上半圈是正的，下半圈是倒的”，读者读起来非常别扭。

一个常见做法是：把文字旋转成“贴着圆周切线”的方向，并且做一次“可读性纠正”——当文字角度翻到背面时，额外加 180° 让它回到正向。这样读者沿着外圈扫一圈，基本不会遇到倒置文字。

下面这个 tangent_text 是整张图可读性的关键小工具：它根据 Matplotlib 当前的极坐标方向与偏移（theta_direction、theta_offset）推导显示角度，再计算合适的旋转角。