SNS Pie Plot: обзор создания круговых диаграмм с Seaborn

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# Создаем простой DataFrame с данными для круговой диаграммы
data = pd.DataFrame({
'категория': ['Кошки', 'Собаки', 'Рыбки', 'Птицы', 'Грызуны'],
'продажи': [384, 245, 178, 156, 102]
})

# Проверяем наши данные
print(data)

# Из сырых данных о продажах
raw_sales = pd.DataFrame({
'дата': pd.date_range(start='2025-01-01', periods=100),
'товар': np.random.choice(['Кошки', 'Собаки', 'Рыбки', 'Птицы', 'Грызуны'], 100),
'сумма': np.random.randint(100, 1000, 100)
})

# Агрегируем данные для круговой диаграммы
aggregated_data = raw_sales.groupby('товар')['сумма'].sum().reset_index()
aggregated_data.columns = ['категория', 'продажи']

# Для наглядности можно добавить расчет процентов
aggregated_data['процент'] = round(aggregated_data['продажи'] / aggregated_data['продажи'].sum() * 100, 1)

print(aggregated_data)

# Объединение мелких категорий
threshold = 0.05 # порог в 5%
total = aggregated_data['продажи'].sum()

# Помечаем категории с долей меньше порога
aggregated_data['группа'] = aggregated_data.apply(
lambda x: 'Прочее' if x['продажи']/total < threshold else x['категория'], 
axis=1
)

# Группируем заново
final_data = aggregated_data.groupby('группа')['продажи'].sum().reset_index()
final_data.columns = ['категория', 'продажи']

print(final_data)

# Устанавливаем стиль Seaborn
sns.set_theme(style="whitegrid")

# Создаем фигуру с заданными размерами
plt.figure(figsize=(10, 6))

# Создаем круговую диаграмму с помощью matplotlib
plt.pie(
x=data['продажи'], # значения для сегментов
labels=data['категория'], # метки сегментов
autopct='%1.1f%%', # формат отображения процентов
startangle=90, # угол начала первого сегмента
shadow=True, # тень для объемного эффекта
explode=[0\.05]*len(data) # "выдвижение" сегментов
)

# Добавляем заголовок с использованием стиля Seaborn
plt.title('Распределение продаж по категориям товаров', fontsize=14)

# Равные пропорции для круга
plt.axis('equal')

# Отображаем график
plt.tight_layout()
plt.show()

# Получаем цветовую палитру из Seaborn
colors = sns.color_palette("Set3", len(data))

# Используем палитру в круговой диаграмме
plt.figure(figsize=(10, 6))
plt.pie(
data['продажи'], 
labels=data['категория'], 
colors=colors,
autopct='%1.1f%%', 
startangle=90
)
plt.axis('equal')
plt.show()

plt.figure(figsize=(12, 8))

# Добавляем информацию о доходах в легенду
patches, texts, autotexts = plt.pie(
data['продажи'], 
labels=data['категория'],
autopct='%1.1f%%',
explode=[0\.05, 0, 0, 0, 0], # Выделяем первый сегмент
shadow=True,
colors=sns.color_palette("pastel", len(data))
)

# Улучшаем читаемость текста
plt.setp(autotexts, size=10, weight="bold")

# Добавляем легенду с абсолютными значениями
plt.legend(
title="Категории товаров",
loc="center left",
bbox_to_anchor=(1, 0, 0.5, 1),
labels=[f"{cat}: {val} ед." for cat, val in zip(data['категория'], data['продажи'])]
)

plt.title('Распределение продаж по категориям товаров (2025)', fontsize=16)
plt.axis('equal')
plt.tight_layout()
plt.show()

# Создаем кольцевую диаграмму
plt.figure(figsize=(10, 6))
plt.pie(
data['продажи'], 
labels=data['категория'],
autopct='%1.1f%%',
colors=sns.color_palette("viridis", len(data)),
startangle=90,
wedgeprops=dict(width=0.5) # Этот параметр создает "дырку" в центре
)
plt.axis('equal')
plt.title('Распределение продаж (кольцевая диаграмма)', fontsize=14)
plt.show()

# Устанавливаем общий стиль для всех графиков
sns.set_theme(style="whitegrid", palette="pastel", font="Arial", font_scale=1.2)

# Расширенная настройка контекста
sns.set_context("paper", rc={"font.size":12, "axes.titlesize":14, "axes.labelsize":12})

# Создаем фигуру с определенными размерами
plt.figure(figsize=(12, 8), dpi=100)

# Настраиваем внешний вид сегментов
wedges, texts, autotexts = plt.pie(
data['продажи'],
labels=None, # Уберем стандартные метки для кастомного размещения
autopct=lambda pct: f"{pct:.1f}%" if pct > 5 else "", # Показываем проценты только для крупных сегментов
startangle=90,
explode=[0\.1, 0.05, 0, 0, 0], # Выделяем некоторые сегменты
shadow=True,
colors=sns.color_palette("viridis", len(data)),
wedgeprops={
'linewidth': 1,
'edgecolor': 'white',
'alpha': 0.8
},
textprops={'fontsize': 12, 'color': 'black', 'weight': 'bold'}
)

# Изменяем цвет и размер процентов
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontsize(10)

# Добавляем круг в центр для создания кольцевой диаграммы
centre_circle = plt.Circle((0, 0), 0.5, fc='white')
plt.gca().add_patch(centre_circle)

# Добавляем текст в центр
plt.text(0, 0, 'ВСЕГО\n1065\nпродаж', 
horizontalalignment='center',
verticalalignment='center', 
fontsize=14, 
fontweight='bold')

# Создаем кастомную легенду с дополнительной информацией
legend_labels = [f"{cat}\n{val} ед. ({val/sum(data['продажи'])*100:.1f}%)" 
for cat, val in zip(data['категория'], data['продажи'])]
plt.legend(
wedges, 
legend_labels,
title="Категории товаров с объемом продаж",
loc="center left",
bbox_to_anchor=(1, 0, 0.5, 1),
frameon=True,
fancybox=True,
shadow=True
)

# Создаём данные для сравнения двух периодов
data_2024 = pd.DataFrame({
'категория': ['Кошки', 'Собаки', 'Рыбки', 'Птицы', 'Грызуны'],
'продажи': [350, 220, 160, 140, 95]
})

data_2025 = pd.DataFrame({
'категория': ['Кошки', 'Собаки', 'Рыбки', 'Птицы', 'Грызуны'],
'продажи': [384, 245, 178, 156, 102]
})

# Создаем подграфики для сравнения
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(18, 8))

# Первая диаграмма (2024 год)
ax1.pie(
data_2024['продажи'],
labels=data_2024['категория'],
autopct='%1.1f%%',
startangle=90,
colors=sns.color_palette("light:#5A9", len(data_2024))
)
ax1.set_title('Продажи 2024', fontsize=14)
ax1.axis('equal')

# Вторая диаграмма (2025 год)
ax2.pie(
data_2025['продажи'],
labels=data_2025['категория'],
autopct='%1.1f%%',
startangle=90,
colors=sns.color_palette("light:#5A9", len(data_2025))
)
ax2.set_title('Продажи 2025', fontsize=14)
ax2.axis('equal')

plt.suptitle('Сравнение продаж по категориям: 2024 vs 2025', fontsize=16, y=1.05)
plt.tight_layout()

# Для больших наборов данных настраиваем пороговое значение отображения
threshold = 5 # показываем метки только для сегментов > 5%

# Подготовка данных с учетом порога
large_segments = data[data['продажи']/data['продажи'].sum()*100 > threshold]
small_segments = data[data['продажи']/data['продажи'].sum()*100 <= threshold]

# Если есть малые сегменты, объединяем их в "Прочее"
if not small_segments.empty:
other_row = pd.DataFrame({
'категория': ['Прочее'],
'продажи': [small_segments['продажи'].sum()]
})
plot_data = pd.concat([large_segments, other_row], ignore_index=True)
else:
plot_data = large_segments

# Создаем круговую диаграмму с улучшенной читаемостью
plt.figure(figsize=(12, 8))
wedges, texts, autotexts = plt.pie(
plot_data['продажи'],
labels=plot_data['категория'],
autopct='%1.1f%%',
startangle=90,
colors=sns.color_palette("tab10", len(plot_data)),
wedgeprops={'linewidth': 1, 'edgecolor': 'white'}
)

# Улучшаем отображение меток
for i, text in enumerate(texts):
text.set_fontsize(12)

for i, autotext in enumerate(autotexts):
autotext.set_fontsize(10)
autotext.set_color('white')
autotext.set_weight('bold')

plt.title('Распределение продаж по категориям', fontsize=16)
plt.axis('equal')
plt.tight_layout()

# Данные о доле рынка компаний в отрасли электронной коммерции
market_data = pd.DataFrame({
'компания': ['Компания А', 'Компания Б', 'Компания В', 'Компания Г', 'Прочие'],
'доля': [32\.5, 28.7, 15.3, 12.1, 11.4]
})

# Создаем информативную круговую диаграмму
plt.figure(figsize=(12, 8))
colors = sns.color_palette("Blues_d", len(market_data))
explode = [0\.1, 0.05, 0, 0, 0] # Выделяем лидеров рынка

wedges, texts, autotexts = plt.pie(
market_data['доля'],
labels=market_data['компания'],
autopct='%1.1f%%',
startangle=90,
explode=explode,
colors=colors,
shadow=True,
wedgeprops={'edgecolor': 'white', 'linewidth': 1.5}
)

for text in texts:
text.set_fontsize(12)
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')

plt.title('Доли рынка в сегменте электронной коммерции (2025)', fontsize=16)
plt.axis('equal')

# Добавляем информацию о динамике рынка
plt.annotate(
'Рост рынка: +8.5% к 2024',
xy=(1, 0),
xytext=(1.3, 0),
fontsize=10,
bbox=dict(boxstyle="round,pad=0.3", fc="yellow", alpha=0.2)
)

plt.tight_layout()
plt.show()

# Данные о структуре расходов компании
expenses = pd.DataFrame({
'категория': ['Зарплаты', 'Аренда', 'Маркетинг', 'IT-инфраструктура', 'Исследования', 'Прочее'],
'сумма': [425000, 180000, 150000, 120000, 85000, 40000]
})

# Вычисляем процентное соотношение
expenses['процент'] = expenses['сумма'] / expenses['сумма'].sum() * 100

# Создаем комбинированную визуализацию
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(18, 8))

# Круговая диаграмма расходов
wedges, texts, autotexts = ax1.pie(
expenses['сумма'],
labels=None,
autopct='%1.1f%%',
startangle=90,
colors=sns.color_palette("rocket", len(expenses)),
wedgeprops={'linewidth': 1, 'edgecolor': 'white', 'alpha': 0.7}
)

# Настраиваем проценты
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontsize(10)
autotext.set_fontweight('bold')

ax1.set_title('Структура расходов компании', fontsize=14)
ax1.axis('equal')

# Добавляем легенду со значениями
legend_labels = [f"{cat} – ${sum:,}" for cat, sum in zip(expenses['категория'], expenses['сумма'])]
ax1.legend(wedges, legend_labels, loc="center left", bbox_to_anchor=(1, 0, 0.5, 1))

# На втором графике показываем столбчатую диаграмму для сравнения
sns.barplot(x='сумма', y='категория', data=expenses.sort_values('сумма', ascending=False), 
palette="rocket", ax=ax2)
ax2.set_title('Ранжирование расходов по категориям', fontsize=14)
ax2.set_xlabel('Сумма расходов ($)')
ax2.set_ylabel('')

for i, v in enumerate(expenses.sort_values('сумма', ascending=False)['сумма']):
ax2.text(v + 10000, i, f"${v:,}", va='center')

plt.suptitle('Анализ структуры расходов компании за Q1 2025', fontsize=16, y=1.05)
plt.tight_layout()
plt.show()

# Данные о структуре углеродного следа компании
carbon_data = pd.DataFrame({
'источник': ['Транспорт', 'Электроэнергия', 'Отопление', 'Производственные процессы', 'Отходы'],
'выбросы_тонн': [1250, 850, 620, 480, 130]
})

# Создаем кольцевую диаграмму с анализом выбросов
plt.figure(figsize=(12, 8))
colors = sns.color_palette("YlGn", len(carbon_data))

# Разворачиваем цветовую палитру для логического соответствия (темнее = больше выбросов)
colors = colors[::-1]

wedges, texts, autotexts = plt.pie(
carbon_data['выбросы_тонн'],
labels=carbon_data['источник'],
autopct=lambda pct: f"{pct:.1f}%\n({int(pct*sum(carbon_data['выбросы_тонн'])/100)} т)",
startangle=90,
colors=colors,
wedgeprops={'linewidth': 1, 'edgecolor': 'white', 'width': 0.6} # width создает кольцевую диаграмму
)

# Настраиваем текст
for text in texts:
text.set_fontsize(12)
for autotext in autotexts:
autotext.set_color('black')
autotext.set_fontsize(10)

# Добавляем текст в центре
plt.annotate(
f"Всего выбросов:\n{sum(carbon_data['выбросы_тонн']):,} тонн CO₂",
xy=(0, 0),
xytext=(0, 0),
ha='center',
va='center',
fontsize=14,
fontweight='bold'
)

plt.title('Структура углеродного следа компании (2025)', fontsize=16)
plt.axis('equal')

# Добавляем сноску с целевыми показателями
plt.annotate(
'Цель по сокращению: -15% к 2026',
xy=(1, -1),
xytext=(1, -1.1),
fontsize=10,
bbox=dict(boxstyle="round,pad=0.3", fc="lightgreen", alpha=0.2)
)

plt.tight_layout()
plt.show()

# Данные о источниках трафика за два периода
traffic_2024 = pd.DataFrame({
'источник': ['Поисковые системы', 'Прямые переходы', 'Социальные сети', 'Email-маркетинг', 'Реферальные ссылки'],
'посещения': [45000, 28000, 15000, 8000, 4000]
})

traffic_2025 = pd.DataFrame({
'источник': ['Поисковые системы', 'Прямые переходы', 'Социальные сети', 'Email-маркетинг', 'Реферальные ссылки'],
'посещения': [42000, 25000, 22000, 12000, 9000]
})

# Создаем сравнительную визуализацию с цветовой кодировкой изменений
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(18, 8))

# Функция для определения цвета на основе изменения
def get_color_mapper(old_data, new_data):
changes = {}
for i, source in enumerate(old_data['источник']):
old_val = old_data.loc[old_data['источник'] == source, 'посещения'].values[0]
new_val = new_data.loc[new_data['источник'] == source, 'посещения'].values[0]
changes[source] = (new_val – old_val) / old_val * 100

# Создаем цветовую палитру: красный (падение) -> желтый (нейтрально) -> зеленый (рост)
colors = {}
for source, change in changes.items():
if change > 10: # Существенный рост
colors[source] = 'green'
elif change > 0: # Умеренный рост
colors[source] = 'lightgreen'
elif change > -10: # Небольшое падение
colors[source] = 'yellow'
else: # Существенное падение
colors[source] = 'red'

return [colors[source] for source in old_data['источник']]

# Диаграмма 2024
ax1.pie(
traffic_2024['посещения'],
labels=traffic_2024['источник'],
autopct='%1.1f%%',
startangle=90,
colors=sns.color_palette("pastel", len(traffic_2024))
)
ax1.set_title('Источники трафика 2024', fontsize=14)
ax1.axis('equal')

# Диаграмма 2025 с цветовой индикацией изменений
custom_colors = get_color_mapper(traffic_2024, traffic_2025)
wedges, texts, autotexts = ax2.pie(
traffic_2025['посещения'],
labels=traffic_2025['источник'],
autopct='%1.1f%%',
startangle=90,
colors=custom_colors
)

# Добавляем аннотации с процентом изменения
for i, (wedge, source) in enumerate(zip(wedges, traffic_2025['источник'])):
old_val = traffic_2024.loc[traffic_2024['источник'] == source, 'посещения'].values[0]
new_val = traffic_2025.loc[traffic_2025['источник'] == source, 'посещения'].values[0]
change = (new_val – old_val) / old_val * 100

# Вычисляем позицию для аннотации
theta = (wedge.theta1 + wedge.theta2) / 2
r = 0.8 # Расстояние от центра
x = r * np.cos(np.deg2rad(theta))
y = r * np.sin(np.deg2rad(theta))

# Определяем стиль в зависимости от направления изменения
style = '↑' if change > 0 else '↓'
color = 'green' if change > 0 else 'red'

# Добавляем аннотацию
ax2.annotate(
f"{style} {abs(change):.1f}%",
xy=(x, y),
xytext=(x*1.2, y*1.2),
fontsize=9,
color=color,
fontweight='bold'
)

ax2.set_title('Источники трафика 2025', fontsize=14)
ax2.axis('equal')

plt.suptitle('Сравнение источников трафика: 2024 vs 2025', fontsize=16, y=1.05)
plt.tight_layout()
plt.show()