pie 饼图快速上手：pie([30 25 20 15]) 及 explode 参数分离扇区

一、从一行调用说起：pie 的参数语义拆解

在 MATLAB 中，pie([30 25 20 15]) 会立即绘制一个包含四个扇区的饼图，四个数值之和为 90，程序会自动将其归一化为 100%，每个扇区对应的圆心角分别为 120°、100°、80°、60°。这个「自动归一化」是饼图最核心也最容易被忽视的语义：输入向量代表的是「绝对量」，而输出图形表达的是「相对占比」。两者之间的转换是隐式的，这既带来了便利，也埋下了误读的隐患。

1.1 参数签名与默认行为

MATLAB 的 pie 函数完整签名可简写为 pie(X, explode, labels)，其中 X 为数据向量，explode 为与 X 等长的逻辑或数值向量，labels 为文本标签元胞数组。当只传入 X 时，后两者取默认值：不分离任何扇区，标签自动生成为百分比字符串。

这里有一个容易被忽略的细节：当 X 中存在负数时，MATLAB 的行为并非报错，而是取绝对值参与归一化。这意味着 pie([30 -25 20 15]) 会得到与 pie([30 25 20 15]) 完全相同的图形。本文评述：这一设计在工程上值得商榷——负值往往代表亏损、缺口或异常，静默取绝对值会让「亏损 25」和「盈利 25」在图上无法区分，属于典型的「便利性掩盖语义」问题。工程实践中建议在调用前显式校验数据符号，必要时改用堆叠条形图或瀑布图。

1.2 数据归一化的两种口径

归一化存在两种常见口径，二者在数值上等价但工程含义不同：

• 按总和归一：扇区角度 = 2π × x_i / Σx。这是 pie 的默认行为，适用于「部分-整体」关系明确的数据。
• 按最大值归一：扇区角度 = 2π × x_i / (n × max(x))。这种口径在雷达图、极坐标条形图中更常见，饼图一般不用。

需要特别提醒的是，当数据总和为 0 或存在 NaN 时，归一化会失效。MATLAB 在总和为 0 时会绘制一个完整的灰色圆并给出警告；Python 的 Matplotlib 则会抛出 ValueError。笔者认为，显式处理边界情况应当成为绘图代码的标准动作，而不是依赖库的默认兜底。

1.3 为什么是 [30 25 20 15] 这组数据

这组数据的巧妙之处在于它刻意制造了「可辨识但不易精确比较」的比例关系：30:25:20:15 对应 33.3%:27.8%:22.2%:16.7%，相邻扇区差异在 5 个百分点左右。根据 Cleveland 与 McGill 在 1984 年发表的经典图形感知研究（Journal of the American Statistical Association, 79(387), 531–554），人类对角度和面积的判断精度显著低于对长度和位置的判断精度。本文评述：这组数据恰好落在「肉眼能看出大小顺序、但难以准确说出差几个百分点」的区间，因此非常适合用来演示 explode 参数的必要性——当你需要强调某个扇区时，几何分离比颜色加深更有效。

二、扇区几何：角度、顶点与归一化的数学细节

理解扇区的几何构造，是排查「标签错位」「扇区缝隙」「导出后变形」等问题的前提。一个扇区在数学上就是一个扇形多边形，由圆心、起始角、终止角和半径唯一确定。

2.1 起始角与绘制方向

MATLAB 的 pie 默认从 90°（正上方，即 12 点钟方向）开始，按逆时针方向依次绘制。这一约定与数学上的极坐标习惯一致，但与屏幕坐标系的 y 轴向下相反，因此内部实现时会做一次 y 轴翻转。Python 的 Matplotlib 默认从 0°（正右方，3 点钟方向）开始，同样逆时针绘制，可通过 startangle 参数调整。

本文评述：起始角的选择看似无关紧要，实则影响阅读效率。认知心理学中的「序列位置效应」表明，读者倾向于记住列表首尾、忽略中间。把最重要的扇区放在 12 点钟方向（即起始位置），能借助这一效应提升信息传达效率。因此在正式图表中，建议按数值降序排列数据并显式设置 startangle=90，而不是沿用库的默认值。

2.2 顶点坐标的数值计算

设圆心为 (cx, cy)，半径为 r，扇区起始角为 θ₁、终止角为 θ₂（弧度制），则扇区多边形的顶点序列为：

# 扇区顶点生成（伪代码，弧度制）
vertices = [(cx, cy)]                    # 圆心
steps = max(2, ceil((θ2 - θ1) / Δθ))     # 弧段细分步数
for k in range(steps + 1):
    θ = θ1 + (θ2 - θ1) * k / steps
    vertices.append((cx + r * cos(θ),
                     cy + r * sin(θ)))
vertices.append((cx, cy))                # 闭合

其中 Δθ 是弧段细分步长。MATLAB 内部使用固定的角度分辨率（约 1° 一个顶点），Matplotlib 则根据扇区角度自适应调整。这个细节直接决定了导出高分辨率图像时弧边是否出现「多边形感」。当扇区角度小于 5° 时，默认细分可能导致弧边明显折线化，此时应手动提高分辨率或改用矢量导出格式（PDF/SVG）。

2.3 扇区之间的缝隙问题

细心的读者会发现，某些渲染环境下相邻扇区之间会出现一条极细的白线。这不是 bug，而是抗锯齿算法在相邻多边形边界处的混合效应。解决方案有三种：给每个扇区加同色描边、设置 linewidth=0 并关闭抗锯齿、或改用 wedge 类图元直接绘制。笔者认为，在需要精确对齐的出版级图表中，显式添加 0.5px 同色描边是最稳妥的做法。

三、explode 参数：偏移向量的计算与视觉语义

explode 是饼图最具辨识度的参数。它的本质是给指定扇区叠加一个沿「扇区角平分线方向」的径向平移向量，从而在视觉上把该扇区从整体中「拉出来」。

3.1 偏移量的计算

设第 i 个扇区的角平分线方向为 φ_i = (θ_1,i + θ_2,i) / 2，explode 值为 e_i（通常取 0 或 1，也可取连续值），则偏移向量为：

Δx = e_i * r * cos(φ_i)
Δy = e_i * r * sin(φ_i)
# 扇区所有顶点整体平移 (Δx, Δy)

MATLAB 中 explode 取 1 表示偏移一个「标准距离」（约为半径的 0.1~0.15 倍，具体由内部常量决定），取 0 表示不偏移。Python Matplotlib 的 explode 参数则以「半径的比例」为单位，例如 0.1 表示偏移 10% 半径，控制更精细。

3.2 视觉语义：分离即强调

从视觉编码理论看，explode 引入的是「位置」通道的偏移，而位置恰恰是人类视觉系统最敏感的通道之一。这解释了为什么分离的扇区会立刻抓住注意力——它打破了圆形的对称性，制造了一个视觉「异常点」。

本文评述：explode 的滥用是饼图最常见的反模式之一。当多个扇区同时被分离时，圆形被打散成若干孤立的「花瓣」，读者反而失去了对整体比例的把握。工程建议是：一次只分离一个扇区，且该扇区应当是当前叙事的主角（例如「同比增长最快的品类」）。如果需要同时强调多个类别，应改用条形图配合高亮色。

3.3 多扇区分离的几何冲突

当相邻两个扇区同时被分离时，它们的偏移方向不同，可能在中间产生一个楔形空隙；当不相邻扇区被分离时，空隙更大。更麻烦的是，如果分离距离超过半径的一定比例，被分离的扇区可能与图例或标题发生重叠。下表给出经验性的安全阈值：

分离扇区数	建议偏移量	风险提示
1 个	0.08 ~ 0.15 倍半径	安全，视觉焦点明确
2 个（不相邻）	0.06 ~ 0.10 倍半径	需检查标签是否碰撞
2 个（相邻）	0.05 ~ 0.08 倍半径	中间空隙易被误读为独立类别
≥3 个	不建议	整体性丧失，建议改用条形图

注：上表阈值为基于常见绘图库默认半径与画布比例的工程经验值（模拟整合数据），实际使用时需结合具体画布尺寸微调。

四、标签、百分比与文本避让的工程实现

标签是饼图信息密度最高的部分，也是最容易出问题的部分。当扇区数量超过 6 个、或存在小角度扇区时，标签重叠几乎不可避免。

4.1 标签定位的两种策略

• 内嵌式：标签放在扇区内部，沿角平分线方向距圆心约 0.6~0.7 倍半径处。优点是紧凑、不占额外空间；缺点是小扇区放不下。
• 外挂式：标签放在扇区外部，配合引导线（leader line）指向对应扇区。优点是清晰、可容纳长文本；缺点是占用画布空间，引导线交叉时易混乱。

MATLAB 的 pie 默认采用内嵌式，当扇区过小时会自动把标签移到外部。Matplotlib 则默认全部外挂，需要手动调整。本文评述：自动切换策略看似智能，实则破坏了视觉一致性——同一张图里有的标签在内、有的在外，读者的视线需要在两种模式间切换。更稳妥的做法是统一采用外挂式，并通过排序让引导线尽量不交叉。

4.2 百分比格式化的坑

默认情况下，pie 会显示一位小数的百分比，例如 33.3%、27.8%。但四舍五入后，各扇区百分比之和可能不等于 100%，出现 99.9% 或 100.1% 的尴尬。这在财务、审计等对数字敏感的场景中是不可接受的。

解决方案是采用「最大余数法」（Largest Remainder Method）分配百分比：先取整，再把剩余的百分点按小数部分从大到小依次分配。本文评述：这是一个典型的「工程细节决定专业度」的例子，多数绘图库并不内置这一修正，需要开发者自行实现。下面给出一个可直接复用的实现：

def largest_remainder_pct(values, decimals=1):
    total = sum(values)
    scale = 10 ** decimals
    raw = [v / total * 100 * scale for v in values]
    floors = [int(x) for x in raw]
    remainder = 100 * scale - sum(floors)
    order = sorted(range(len(raw)),
                   key=lambda i: raw[i] - floors[i],
                   reverse=True)
    for i in order[:remainder]:
        floors[i] += 1
    return [f / scale for f in floors]

# 示例
print(largest_remainder_pct([30, 25, 20, 15]))
# 输出: [33.3, 27.8, 22.2, 16.7]，和恰为 100.0

4.3 引导线避让算法

当采用外挂式标签时，引导线的排布是一个小型的最优化问题。常见做法是把标签按 y 坐标排序，然后自上而下依次分配不重叠的垂直位置，再用折线连接标签与扇区边缘。这一思路与力导向布局（force-directed layout）中的「碰撞消解」阶段类似。工程上，D3.js 的 d3.pie() 配合 d3.labeler 或 d3-labeler 库已经提供了成熟实现，值得借鉴。

五、配色机制：从默认色环到色觉友好方案

饼图的配色不是审美问题，而是信息编码问题。颜色在饼图中承担着「区分扇区」和「关联图例」的双重职责，一旦配色失当，读者需要反复对照图例才能理解图形，认知成本急剧上升。

5.1 默认色环的局限

MATLAB 的默认色序（parula 或 lines 色环）在 4~6 个扇区时表现尚可，但超过 8 个扇区后颜色开始循环，出现「同色不同类」的严重问题。Matplotlib 的 tab10 色环同样在 10 个类别后循环。本文评述：颜色循环是饼图扇区数量的硬上限，超过这个上限应果断放弃饼图，改用条形图或树图（treemap）。

5.2 色觉障碍友好配色

据 Colour Blind Awareness 组织的统计，全球约 8% 的男性和 0.5% 的女性存在不同程度的色觉障碍，其中红绿色盲最为常见。这意味着使用红-绿对比的饼图，对约 3 亿人来说是「两个灰色扇区」。

解决方案是采用色觉友好调色板，如 Okabe-Ito 调色板（8 色，由日本学者 Okabe 与 Ito 于 2008 年提出）或 ColorBrewer 的 qualitative 方案。下表列出 Okabe-Ito 调色板的核心色值：

色名	HEX	适用场景
橙	#E69F00	主强调色
天蓝	#56B4E9	次强调色
蓝绿	#009E73	中性类别
黄	#F0E442	需配深色文字
蓝	#0072B2	中性类别
朱红	#D55E00	警示/高亮
紫红	#CC79A7	辅助类别
黑	#000000	轮廓/文字

本文评述：色觉友好不只是「无障碍合规」，更是普适的设计优化。Okabe-Ito 调色板在明度上做了精心分层，即使在灰度打印或低质量投影下也能保持可区分性，这对工程汇报场景尤为实用。

六、多栈对照：MATLAB / Matplotlib / Plotly / ECharts

同一组数据 [30 25 20 15]，在不同技术栈中的实现方式与默认行为差异显著。理解这些差异，有助于在跨团队协作时快速迁移代码。

6.1 四栈核心参数对照

能力	MATLAB	Matplotlib	Plotly	ECharts
起始角	固定 90°	startangle 可调	rotation 可调	startAngle 可调
分离扇区	explode 向量	explode 比例	pull 比例	selectedMode
环形图	donut 函数	wedgeprops 宽度	hole 参数	radius 数组
交互	弱（需 App）	需 mplcursors	原生支持	原生支持
导出矢量	PDF/EPS	PDF/SVG	SVG/HTML	Canvas/SVG

6.2 代码对照示例

MATLAB 版本（强调第二个扇区）：

data = [30 25 20 15];
explode = [0 1 0 0];
labels = {'A','B','C','D'};
pie(data, explode, labels);
title('扇区分离示例');

Matplotlib 版本：

import matplotlib.pyplot as plt
data = [30, 25, 20, 15]
explode = [0, 0.1, 0, 0]
labels = ['A', 'B', 'C', 'D']
fig, ax = plt.subplots()
ax.pie(data, explode=explode, labels=labels,
       autopct='%1.1f%%', startangle=90)
ax.axis('equal')
plt.show()

本文评述：MATLAB 的 explode 是「开关式」，Matplotlib 是「比例式」，后者在精细控制上更胜一筹。但 MATLAB 的 pie 会自动处理标签避让，Matplotlib 需要额外配置，两者各有取舍。跨栈迁移时，最需要注意的是 explode 单位的不一致——这是新手最容易踩的坑。

6.3 环形图的平滑迁移

环形图（donut chart）可以看作饼图在中心挖去一个小圆。从信息表达上看，环形图的中心空白区域可以放置总计数值或关键指标，提升了信息密度。从几何上看，只需把扇区的内半径从 0 改为 0.5~0.6 倍外半径即可。本文评述：环形图在视觉上比饼图更「现代」，但并未解决角度比较的根本困难，选型时不应仅因美观而切换。

七、饼图该不该用：选型决策树与替代方案

关于饼图的争论持续了上百年。从 19 世纪初 William Playfair 发明饼图，到 20 世纪统计学家 John Tukey 的批评，再到数据可视化社区「饼图已死」的口号，争议从未停歇。

7.1 实证研究的结论

2016 年，Drew Skau 与 Robert Kosara 在 IEEE Transactions on Visualization and Computer Graphics 发表的研究（22(1), 471–480）通过实验发现：在「比较两个相邻扇区」的任务中，饼图的准确率与条形图无显著差异；但在「比较多个扇区」或「估计具体比例」的任务中，饼图显著劣于条形图。本文评述：这说明饼图并非「完全不可用」，而是「适用范围极窄」——它擅长表达「一个主导类别 + 若干次要类别」的结构，不擅长精确比较。

7.2 决策树

综合文献与工程经验，笔者整理出如下决策路径：

1. 数据是否为「部分-整体」关系？否 → 用条形图或散点图。
2. 类别数是否 ≤ 5？否 → 用条形图或树图。
3. 是否存在一个明显主导的类别（占比 > 50%）？否 → 用条形图。
4. 是否需要精确比较相邻扇区？是 → 用条形图。
5. 以上全部满足 → 可以用饼图，并考虑用 explode 强调主导类别。

7.3 替代方案对比

图表类型	优势	劣势	适用场景
饼图	直观、紧凑	角度难比较	≤5 类，有主导项
条形图	长度易比较	占空间	通用首选
树图	层级+比例	小面积难读	多层级占比
环形图	中心可放指标	同饼图	仪表盘
华夫图	单位可数	占空间	科普、教育

八、工程实践：性能、导出与可访问性

8.1 大数据量下的性能

当扇区数量达到数百时（例如绘制长尾分布），饼图的渲染性能会显著下降。以 Matplotlib 为例，每个扇区是一个独立的 Polygon 对象，1000 个扇区意味着 1000 次路径构建与抗锯齿计算。实测（模拟数据，基于 Matplotlib 3.8 + Python 3.11，Intel i7-12700）显示：100 个扇区约 0.15 秒，1000 个扇区约 1.8 秒，10000 个扇区超过 30 秒。

优化策略包括：合并占比小于 1% 的扇区为「其他」、使用 rasterized=True 光栅化、或改用 WebGL 渲染的 Plotly/ECharts。本文评述：从信息传达角度看，超过 20 个扇区的饼图已经失去可读性，性能优化只是治标，真正的解法是换图。

8.2 导出格式的选择

• SVG：矢量、可编辑、体积小，适合网页与文档。注意字体嵌入问题。
• PDF：矢量、印刷友好，适合论文与报告。
• PNG：位图，需设置 DPI ≥ 300，适合幻灯片。
• HTML：交互式，适合仪表盘与在线报告。

8.3 可访问性清单

1. 颜色对比度：扇区与背景、文字与扇区的对比度均需 ≥ 4.5:1（WCAG AA 标准）。
2. 不依赖颜色：为每个扇区提供图案填充或直接标注数值。
3. 替代文本：为图像提供描述性 alt 文本，说明数据与结论。
4. 键盘导航：交互式图表需支持 Tab 键切换扇区。
5. 屏幕阅读器：使用 ARIA 标签描述每个扇区的数值与占比。

九、前沿趋势与学术预判

9.1 智能图表推荐

近年来，基于数据特征自动推荐图表类型的研究逐渐成熟。2023 年，微软在 IEEE VIS 发表的 Data Formulator 系统，通过大语言模型理解用户意图并自动生成可视化。类似地，Tableau 的 Ask Data、Power BI 的 Q&A 功能也已商用。本文评述：智能推荐能降低选型门槛，但无法替代对数据语义的理解——「部分-整体」关系是否成立，仍需人来判断。

9.2 生成式可视化与代码助手

GitHub Copilot、Cursor 等工具已经能根据自然语言描述生成 Matplotlib 代码。2024 年的一项用户研究（CHI 2024）显示，使用 AI 辅助的开发者完成可视化任务的速度提升约 40%，但生成的代码在边界处理（如空数据、负值）上错误率较高。笔者认为，AI 生成的可视化代码必须经过人工审查，尤其是数据校验与可访问性部分。

9.3 动态与叙事可视化

静态饼图正在被「动画 + 叙事」的可视化取代。例如，用动画展示各扇区占比随时间的变化（类似 Gapminder 的风格），能让读者直观感受趋势。这类可视化在 Plotly、ECharts、D3.js 中均有成熟支持。本文评述：动态化的代价是认知负荷增加，读者需要同时处理「当前状态」和「变化过程」，因此仅适用于趋势本身就是核心信息的场景。

十、完整操作路径与参数速查

10.1 从零到一的五步流程

1. 数据校验：检查是否全为非负、总和是否大于 0、是否存在 NaN。
2. 排序与截断：按数值降序排列，合并占比 < 1% 的类别为「其他」。
3. 绘制基础图：调用 pie，设置 startangle=90，采用色觉友好调色板。
4. 添加强调：对核心扇区设置 explode，偏移量控制在 0.08~0.15 倍半径。
5. 标注与导出：用最大余数法修正百分比，添加标题与数据来源，导出 SVG/PDF。

10.2 参数速查表

参数	作用	推荐值
startangle	起始角度	90（12 点钟方向）
explode	扇区分离	仅 1 个，0.1 倍半径
autopct	百分比格式	'%1.1f%%' + 最大余数修正
colors	配色	Okabe-Ito 调色板
wedgeprops	扇区样式	width=0.5（环形图）
pctdistance	百分比距离	0.6~0.7

10.3 拓展学习资源

• MATLAB 官方 pie 文档：mathworks.com/help/matlab/ref/pie.html
• Matplotlib 饼图教程：matplotlib.org/stable/gallery/pie_and_polar_charts
• ECharts 饼图配置项：echarts.apache.org/zh/option.html#series-pie
• Data-to-Viz 饼图指南：data-to-viz.com/caveat/pie.html
• Okabe-Ito 调色板说明：jfly.uni-koeln.de/color/

主要参考文献