程序员网站开发框架灰色词网站seo

一、序言        

        在当今数据驱动的商业环境中，有效地展示和比较多维数据是数据分析和产品决策的关键。而雷达图(Radar Chart)，也被称为蜘蛛图(Spider Chart)或极坐标图(Polar Chart)，正是一种能够在二维平面上展示多维度数据的强大可视化工具。在实际应用中，雷达图被广泛用于产品性能比较、员工能力评估、游戏角色属性分析、市场竞争力分析等各种场景。

        大家想必都清楚，关于绘制雷达图的 Python 代码，获取途径十分便捷。无论是在百度上搜索，还是向 AI（比如 DeepSeek）询问，瞬间就能得到相关代码，稍作数据修改便可套用。还有些朋友会选择将数据上传至可视化网站，无需编写代码，也能生成雷达图。如今，生成雷达图的方法众多。

        在实际情况中，部分数据可能难以获取甚至缺失。而上述常见方法，大多默认将缺失值处理为 0。但在本文里，我采用的是截然不同的方式 —— 直接忽略缺失值，将现有数据点直接连接来绘制雷达图，并深入探讨这种情况下对缺失值的分析方法。希望本文内容能给大家带来启发与帮助。

二、缺失处理方法

        在数据分析工作中，数据缺失的情况极为常见。面对这类问题，常规处理手段大致可分为以下三类：

① 最暴力的温柔  -  将缺失值默认设定为 0：这种方法简单直接，能够快速填充空缺数据，但容易忽视数据背后真实的特征差异，在某些场景下会严重干扰分析结果的准确性。

# 特征工程中的Zero Padding技巧
def zero_fill_missing(data_array):"""零值填补函数"""return np.nan_to_num(data_array, nan=0, copy=False)# 数据
medical_records = np.array([72, np.nan, 68, np.nan])
print(zero_fill_missing(medical_records))  # 输出：[72.  0. 68.  0.]

② 数据重构艺术  -  运用拟合、统计分析等方法对缺失值进行填充：例如通过均值、中位数填充，或是采用更为复杂的回归分析、多重填补法等。这些方法旨在基于已有数据的分布特征，对缺失值进行合理估计。然而，它们对数据的整体结构和分布规律依赖程度较高，一旦数据存在异常或分布不均衡，填充结果可能出现偏差。

from sklearn.impute import KNNImputer
import numpy as np# 构建金融产品评估矩阵
finance_data = np.array([[8.5, 7.2, 6.7],[np.nan, 6.8, 5.9], [7.9, np.nan, 7.1],[8.0, 7.5, np.nan]
])# K最近邻插补算法
imputer = KNNImputer(n_neighbors=2)
filled_data = imputer.fit_transform(finance_data)
print("插补后矩阵:\n")
filled_data

③ 智慧留白哲学  -  直接忽视、跳过缺失值：此方法能保留数据的原始性，避免因不当填充引入额外误差。但在后续分析过程中，如果缺失值比例较大，可能会导致数据样本的代表性不足，进而影响分析结论的普适性 。

        上述三种处理缺失值的方法各具特点，很难简单评判孰优孰劣，它们在实际应用中均存在一定的优势与局限性。具体选用哪种方法，需要结合数据的具体情况，经过严谨细致的分析后才能确定。在本文聚焦的雷达图分析场景下，由于雷达图的数据维度通常较为有限，前两种方法，即将缺失值默认设为 0 以及通过拟合等手段进行填充，在过往实践中颇为常见。基于此，接下来本文将着重阐述如何在绘制雷达图时，采用忽视缺失值的方式开展相关工作。

三、雷达跳过缺失

        下面是对雷达必备需要的基本信息。要知道label维度的个数，根据不同的个数计算出维度位置的角度是多少，最后闭合成一个密闭的空间。

num_vars = len(labels)  # 维度数统计
angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()  # 计算角度
angles += angles[:1]  # 角度闭合

        下面是处理雷达图跳过缺失值的核心代码内容：

# 处理产品 A 缺失值，只保留有值的部分
valid_indices_a = np.isfinite(product_a)  # 判断数据是否有效；有效True、无效False
valid_angles_a = [angles[i] for i in range(num_vars) if valid_indices_a[i]]  # 提取出有效数值的角度
valid_product_a = product_a[valid_indices_a]  # 提取出有效的数值
valid_angles_a.append(valid_angles_a[0])  # 角度闭合
valid_product_a = np.concatenate((valid_product_a, [valid_product_a[0]]))  # 数值闭合

       ①  首先，valid_indices_a = np.isfinite(product_a)这行代码使用np.isfinite函数，判断product_a里的每个数据是否为有限值。如果是，对应的valid_indices_a位置就为True；不是（像无穷大或NaN这类无效值），对应位置就为False。这个valid_indices_a是个布尔数组，和product_a长度一样，能清晰标记哪些数据有效。

        ② 接着，valid_angles_a = [angles[i] for i in range(num_vars) if valid_indices_a[i]]利用列表推导式，遍历num_vars范围的索引i。只有valid_indices_a[i]为True，才把angles[i]添加到valid_angles_a列表里，这样就筛选出了有效数据对应的角度。

        ③ 然后，valid_product_a = product_a[valid_indices_a]通过布尔索引，从product_a里挑出所有有效数值，放进valid_product_a数组。

        ④ 最后，为了绘制闭合的雷达图，valid_angles_a.append(valid_angles_a[0])把valid_angles_a列表的首个角度再添加到末尾，实现角度闭合；valid_product_a = np.concatenate((valid_product_a, [valid_product_a[0]]))则用np.concatenate函数，把valid_product_a数组的首个数值添加到数组末尾，完成数值闭合。经过这些步骤，就处理好了产品 A 的缺失值，可用于绘制雷达图了 。

        其实大致原理很简单啊哈哈哈，下面就附上一个案例分析实操：

def plot_radar_chart(product_a, product_b, labels, product_name):num_vars = len(labels)  # 维度数统计angles = np.linspace(0, 2 * np.pi, num_vars, endpoint=False).tolist()  # 计算角度angles += angles[:1]  # 角度闭合# 假设产品 A 无缺失值情况# product_a = np.concatenate((product_a, [product_a[0]]))   # 数值闭合# 处理产品 A 缺失值，只保留有值的部分valid_indices_a = np.isfinite(product_a)  # 判断数据是否有效；有效True、无效Falsevalid_angles_a = [angles[i] for i in range(num_vars) if valid_indices_a[i]]  # 提取出有效数值的角度valid_product_a = product_a[valid_indices_a]  # 提取出有效的数值valid_angles_a.append(valid_angles_a[0])  # 角度闭合valid_product_a = np.concatenate((valid_product_a, [valid_product_a[0]]))  # 数值闭合# 处理产品 B 缺失值，只保留有值的部分  （原理同上）valid_indices_b = np.isfinite(product_b)valid_angles_b = [angles[i] for i in range(num_vars) if valid_indices_b[i]]valid_product_b = product_b[valid_indices_b]valid_angles_b.append(valid_angles_b[0])valid_product_b = np.concatenate((valid_product_b, [valid_product_b[0]]))# 创建雷达图画布 （极坐标图）fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))# 绘制 A 产品的雷达图ax.plot(valid_angles_a, valid_product_a, color='#F25F40', linewidth=1.5, linestyle = '-',   # 线条的颜色、宽度、类型markeredgecolor = '#FC4747', markersize = 3, marker='o',   # 标记点的颜色、宽度、类型label= product_name[0] )ax.fill(valid_angles_a, valid_product_a, color='#F25F40', alpha=0.15)# 绘制 B 产品的雷达图ax.plot(valid_angles_b, valid_product_b,color='#46BBFE', linewidth=1.5, linestyle = '-',markeredgecolor = '#E5F1FB', markersize = 3, marker='o',label= product_name[1])ax.fill(valid_angles_b, valid_product_b, color='b', alpha=0.25)# 设置标签ax.set_thetagrids(np.degrees(angles[:-1]), labels,fontsize=12)# 设置标题ax.set_title('Product Performance Comparison', size=12, y=1.05)# 添加图例ax.legend(loc='upper right', bbox_to_anchor=(1.3, 1.1))plt.show()# 数据
product_a = np.array([8, 7, 9, 6, 7])
product_b = np.array([6, np.nan, 7, np.nan, 6])
labels = ['Performance', 'Battery', 'Camera', 'Display', 'Storage']
product = ['A' ,'B']
# 绘制雷达图
plot_radar_chart(product_a, product_b, labels,product)

上图可以看到有些缺失值，在绘画时都是直接跳过了，这样的方法确保了

• 不影响整体图表结构
• 自动适应不完整数据
• 保持比较的公平性

四、结束语

        不知道写啥啊哈哈哈！若有不足或者建议，欢迎指出!!不定时更新分享哈！