用Matplotlib绘制环形分组柱状图：论文多模型对比的可视化方案

上周帮师弟改论文配图，他给我看了五种模型对比方案：三张雷达图堆在一起、一张配色炸裂的热力图，还有一个横过来竖过去都放不下的普通分组柱状图。审稿人的原话是“图太丑，看不清重点”。我顺手画了一张环形分组柱状图，跑完数据扔给他，导师看完只留下一句：这张图可以留。

这就是这篇文章的由来。环形分组柱状图，在论文里常被称为“极坐标分组条形图”或者“甜甜圈条形图”，近几年在Nature及其子刊、NeurIPS和CVPR的工作里出现频率越来越高。它解决的问题很具体：当你有6—10个模型、每个模型有4—6个性能指标时，怎么用一张图把这些信息压得下、看得清、还拿得出手。这篇文章我会从设计逻辑、数据组织、Matplotlib逐层实现、参数调优到常见翻车场景，把整个复现过程完整拆开，适合正在写论文或者做技术报告的读者直接参考。

1. 为什么多模型对比偏偏选中这张图

1.1 雷达图、热力图与普通柱状图的痛点

先说雷达图。雷达图的原理是把每个模型绘制成一条闭合的多边形折线，模型的每个指标对应一根轴。模型少、指标少的时候，雷达图确实直观，但当指标超过四个、模型超过五个，多边形线之间就开始交叉缠绕，颜色一多根本分不清谁是谁。师弟最开始就是三个子图拼出五张雷达图，视觉效果乱成一团麻线。

热力图是另一种常用方案，行是模型、列是指标、格子颜色表示数值。热力图的问题不在读取，而在“对比”：你很难一眼看出某个模型A比模型B好多少，因为人眼对颜色梯度的感知远不如对长度差异敏感。论文里如果想让审稿人秒懂某两三个模型之间的性能差距，热力图会让人反复盯着图例换算颜色深浅。

普通分组柱状图的问题更直白：8个模型、5个指标，就要画40根柱子。横过来放，柱子又矮又胖，模型名挤在横轴上；竖过来放，图太宽占版面；如果指标之间量纲差异还很大（比如AP从35到45、FPS从20到250），小数值的柱子会被压成一条地平线。我见过太多人把这样的图放进论文里，最后注释写得比图还长。

1.2 环形分组柱状图到底在表达什么

环形分组柱状图的本质，是把“模型”放在极坐标的角度维度，把“性能数值”放在极坐标的半径维度。每个模型占据一个扇区，扇区内再按指标方向并排画出若干根柱条，柱条沿半径向外延伸，长度对应该指标归一化后的数值。

这样处理有两个直接好处。第一，角度维度天然能容纳更多的类别——一个圆360度，8个模型就是每45度一个扇区，比普通直角坐标系里挤在横轴上的标签要宽松得多。第二，柱条从圆心向外辐射，长度越大越靠外圈，视觉上“向外突出”的程度比“向上长高”更容易被人眼捕捉。这也是为什么Nature系期刊的图表编辑偏爱这种形式：它能在A4纸的一栏宽度里塞下大量信息，同时保持画面整洁，不需要读者来回比划横纵坐标。

如果非要找个生活化类比，环形分组柱状图很像一个圆形的钟表：模型是钟表上的刻度，性能指标是每个刻度旁向外伸出的长短指针，指针越长代表该指标越强。要比较任意两个模型，只要看钟表上对应扇区里的“指针组合”谁更饱满即可。

1.3 什么场景适合、什么场景不适合

必须先把边界说清楚，免得有人拿着它硬套。就我的实际经验，环形分组柱状图最适合的是“中等规模”的对比：模型数量在6—12之间，指标数量在3—6之间。少于6个模型，用普通分组柱状图更简洁；大于12个模型，扇区太窄，每个模型分到的角度只有30度不到，柱条挤压成一圈细线，反而退化成“菊花图”，根本没有可读性。

指标数量也是一个隐形约束。理论上你可以画8个指标，但每个指标都要分配一种颜色，人眼能轻松区分的颜色类别上限就是五六种。所以我在项目里常见的组合是8个模型配4—6个指标。如果你有十几二十个指标，建议先做主成分分析或者人工挑重点，不要指望一张图解决所有维度的展示。

另外，指标之间的量纲差异必须提前消化。环形图对归一化非常敏感，这一点我在第4部分会详细展开。总之，这是一张“强表达、强约束”的图，用好了是论文里最亮眼的配图，用不好就是把40根柱子弯了腰而已。

2. 复现前必须想清楚的三件事

2.1 数据怎么组织：模型行、指标列

动手画图之前，先把数据表整理成标准形态。我习惯的格式是一个二维数组，行是模型，列是指标。举例来说，如果对比8个目标检测模型在COCO上的表现，数据表大概是下面这样：

这个表里的量纲差异非常典型：AP、AP50、AR都在0—100之间，Params动辄几十兆，FPS更是从26到255横跨一个数量级。如果不做任何处理直接画，FPS这根柱子会撑爆整个半径范围，其他指标全贴在内圈变成一层薄片。所以数据组织的下一步必须是归一化。

我强烈建议逐指标做min-max归一化，也就是对每一列单独映射到0—1区间。这样可以保留该指标内部的相对排名，避免量纲污染。至于归一化导致的“数值绝对值丢失”问题，我一般不担心——这种图的读者更多关注模型之间的相对差异，绝对数值在正文表格里还会给出，图上只要条长关系正确即可。

2.2 工具选型：为什么Matplotlib就够

方案选型上，备选有Python的Matplotlib、Plotly，以及R语言的ggplot2加扩展包。如果要投期刊，尤其是Nature系列，最后的提交格式往往是PDF或者TIFF，必须保证矢量输出和精确排版控制，那么答案基本只有一个：Matplotlib。

Matplotlib的极坐标投影已经封装得非常成熟，用projection='polar'创建一个子图，就能在圆形的坐标系里调用bar、text、grid等常见方法。极坐标下的bar方法接受width参数作为柱条在角度方向占据的宽度，bottom参数作为柱条的起始半径，配合height指定柱条沿径向的长度，完全能覆盖环形分组柱状图的全部需求。

Plotly也可以做，鼠标悬停还能显示数值，做交互式Demo确实好看。但问题在于，Plotly渲染出的静态图导出成矢量格式时，细节控不住，字体、线宽、颜色有时会被默认主题接管，期刊排版时很容易出幺蛾子。所以我的结论是：交互演示用Plotly，正式论文复现用Matplotlib。

2.3 Nature风格不是玄学：配色、字体与留白

很多人一听到“Nature风格”就觉得是某种高深莫测的设计语言，其实拆开看就三样东西：克制的配色、干净的字体、充足的留白。

先说配色。Nature正刊和子刊里的极坐标图，很少用彩虹色或者鲜艳的大红大绿，常见做法是选择一个低饱和的蓝色系作为主色，再用一到两个对比色（比如红、绿、紫）去区分关键变量，整体不超过五六个色相。我复现时常用的是一组经典“期刊色”：深蓝#3B4992、亮红#EE0000、墨绿#008B45、紫色#631879、青绿#1B9E77。这组颜色在彩打和灰度打印下都有区分度，不会出现两种颜色转黑白后糊成一片的情况。

字体方面，Matplotlib默认的DejaVu Sans在论文里显得不够干净。我会在脚本开头统一设置，把字体族切到Helvetica或者Arial，找不到对应字体时退到无衬线体。另外，图上的所有文字元素——模型名、指标图例、数字标签——字号要形成一个清晰的层级，模型名最大，指标图例其次，数值标注最小，这样才能一眼抓住主干信息。

留白也很关键。环形图最怕“填满”——柱条一直顶到画布边缘，标签和柱头挤在一起，图例悬在角落。我的习惯是让最大柱条只占半径的80%左右，剩下的20%留给外圈标签和呼吸空间，图例放在图中绘制顺序不遮挡数据的位置，或者干脆放在Figure层面而不是坐标轴内部。

3. 核心实现：极坐标逐层拆解

3.1 极坐标画布与角度分布

先建画布。用plt.subplots创建极坐标子图，figsize建议直接设成正方形，比如(8, 8)或(10, 10)，因为极坐标图天生是圆的，长方形画布会浪费大量空白，还会导致标签偏移。

两个方向约定需要马上处理：让0度位于正上方、角度顺时针增加。这符合大多数论文读者的视觉习惯，也避免模型扇区从右侧开始绕圈导致标签错位。对应代码是ax.set_theta_zero_location('N')和ax.set_theta_direction(-1)。

接下来计算角度分布。假设模型总数是N，每个模型占用的角度步长theta_step = 2 * np.pi / N。为了让相邻模型扇区之间有一道明显的视觉缝隙，我不会让扇区完全贴在一起，而是从theta_step中切出一小块作为扇区间隔。间隔比例我一般取3%——太小了看不出分组，太大了浪费角度空间。

在单个模型扇区内，还要再分配K个指标柱条。柱条之间留一点空隙，让它们看起来是“并排的柱子”而不是“一根粗柱子上的颜色段”。逻辑很简单：每个指标柱条的宽度是(扇区角度 - 扇区间隔 - 柱条间隙总宽) / 指标数。这里的所有“宽度”在极坐标里都是弧度值，width参数接收的就是弧度，不是角度，新手容易在这里翻车。

3.2 在扇区内铺指标柱

角度算完之后，往每个扇区里画柱条。Matplotlib的ax.bar在极坐标下需要四个核心参数：

• theta：柱条中心的角度，弧度制；
• height：柱条沿径向的长度，对应归一化后的指标值；
• width：柱条在角度方向上的宽度，弧度制；
• bottom：柱条的起始半径。

我通常把bottom设为一个较小的正数，比如0.05，让圆心附近留出空心圆。这个空心圆既是风格的组成部分，也避免柱条在圆心处交叉形成一团黑色。记住，在极坐标下没有直角坐标系的“x轴”，所有柱子都是从bottom这个半径开始向外长，不是从真正的圆心开始。

径向长度还要做一个缩放。假设最大半径是1，我给柱条预留的径向可用空间大概是0.85，剩下的0.15留给外圈标签。然后把每个模型的归一化值乘以这个可用空间，就是柱条的真实height。这样画出来的图，最长的柱头离外圈标签还有一段缓冲距离，不会“撞车”。

颜色按指标循环分配：同一个指标的所有模型柱条使用同一种颜色，这样读者可以顺着某一圈去找“哪个模型在这个指标上领先”。我在绘制时顺手给每个指标的第一根柱条传入label参数，后续循环用i == 0判断只登记一次图例，避免图例重复生成40次。

3.3 外圈标签、刻度与网格线的取舍

画完柱条，最难的不是柱子本身，而是周围那一圈装饰元素。外圈模型标签是优先要处理的：把每个模型扇区的中心角度算出来，转成度数，用ax.set_thetagrids(angles, labels)一次性设置。

8个模型的标签角度是每45度一个，分布均匀，但像“Faster R-CNN”这种长名字放在某些角度上难免和相邻标签重叠。我的处理办法是设置fontsize稍小一点，再给标签加一个透明的白色bbox背景垫片，文字就不会压到柱条或者彼此叠吃。如果实在太长，就把模型名缩写，或者分两行写。

径向刻度默认会显示一圈数字，这在环形分组柱状图里几乎是多余的，因为每个指标都单独归一化过，数字本身没有统一的物理意义，留着只会让人产生困惑。我直接把y轴刻度标签清空，只保留浅浅的径向网格线，帮助读者判断柱条长短的相对差异。角度方向的网格线则完全关掉，因为每个扇区的角度位置已经由模型标签指明了，再画竖线只会让图面更乱。

边框也处理一下。极坐标子图默认有一个圆形外框，颜色是深灰色，我会把它调成淡灰色或者直接隐藏，让整个图融进论文白纸背景里。

4. 完整代码与参数调优实战

4.1 可直接跑的完整脚本

下面是我整理出来的完整复现脚本。数据直接沿用第2部分那张目标检测对比表，你换成自己的模型指标表就能用。

这段脚本跑出来的图就是标准的环形分组柱状图：8个模型绕成一圈，每个扇区里5根柱子并排向外，颜色对应指标，外圈模型名清晰，中心留白，整体能直接放进论文里做初稿。

4.2 参数调优的关键旋钮

跑通之后，真正花时间的是调参数。我把自己最常用到的几个“旋钮”列在下面，这些参数直接影响成图质量。

第一是figsize。如果你准备把图放进双栏论文的一栏里，figsize=(7, 7)就够；如果是要全页展示或者做汇报PPT，建议figsize=(10, 10)以上。字体大小要跟着画布尺寸走，否则图一放大，标签字就变成蚂蚁大小。

第二是r_min。中心空心半径的大小决定了图的重心。r_min太小（比如0.03），柱条在圆心附近挤成一团；r_min太大（比如0.3），有效展示面积被压缩，柱条长度差异变得不明显。我用下来0.05—0.15之间的视觉反馈最平衡，具体值跟你模型数和指标数有关。

第三是alpha不透明度。论文图一般不搞透明度叠色效果，我用0.85—0.95之间的实色柱条，配合极浅的白色描边。别给edgecolor设置明显的黑色描边，会在小柱条上产生一圈“断线”感，放大后很难看。

第四是bar_gap的比例。柱条间空隙是体现“分组”的关键，空隙太窄，同一模型扇区内的不同指标柱会连成一片；空隙太宽，扇区显得松散。我试过1%—10%的区间，5%是最稳妥的默认值。

4.3 两种合法变体：扇区式与环带式

你可能在期刊上见过另一种“一环接一环”的极坐标柱状图：外层一圈对应指标A，内层一圈对应指标B，每一圈里再按模型划分柱条。这就是我前面说的环带式，也叫“同心圆环分组柱状图”。

扇区式（本文主要实现）把每个模型当做一个扇区，优点是模型之间的对比很直观——你只要盯着某个扇区看，就能同时看到该模型所有指标的高低。缺点是不同模型同一个指标的距离较远，需要顺着颜色大圆环去追。

环带式反过来，把每个指标当做一个径向环带，模型在角方向均匀分布。这样做的好处是指标间数值分布更直观，外圈能一眼看出某个指标下哪些模型突出；坏处是每个模型的“整体画像”被拆散到不同环带里，看单模型要顺着角度逐层扫描。

实现环带式，核心改动在bottom参数：第k个指标的柱条起始半径不再是统一值，而是r_min + k * ring_step，每个环带内柱条高度按该指标归一化后乘以ring_step内部门限。代码整体逻辑不变，只是半径分配公式换成：

选哪种取决于你想强调什么：强调“模型综合能力”用扇区式，强调“单个指标的跨模型排名”用环带式。Nature系论文里两种都很常见，没有绝对优劣，只有表达重点不同。

5. 踩坑实录：我复现时遇到的问题

5.1 典型问题与排查对照表

在帮师弟调图以及自己后续复现过程中，我踩过不少坑。下面这个对照表是我自己整理的排错速查，先直接给结论。

5.2 逐条拆解几个高频翻车位

第一个高频翻车位是忽略归一化。大多数新人第一次跑出来的图，所有柱子看起来都差不多长，或者一根柱特别长，检查数据发现是某个指标数量级太大。我建议拿到任何多指标数据后先画一列describe()看看量纲，再决定归一化策略。逐指标归一化虽然丢掉了指标间可比性，但保住了这张图最核心的“多模型排名”功能。

第二个翻车位是外圈标签和柱头撞车。有次我把r_span设成1.0，模型名标签的锚点也在半径1.0位置，结果柱子长一点的模型，标签被柱头压住半个字。后来我固定了一个原则：柱条最大径向长度永远比标签所在半径小15%以上。也就是说，如果最大半径是1.0，标签角度位于1.0，柱条最多长到0.85。

第三个翻车位是图例。极坐标图的图例位置比直角坐标更挑剔，放在中间会遮挡柱子，放在右下会压在空心上，放在左侧又容易被外圈标签截断。我试过几个位置，最稳的是右上角悬空区，用bbox_to_anchor把图例锚到坐标轴外面一点，配合frameon=False去掉边框，既不影响柱条读数，也显得干净。

第四个隐藏坑是set_thetagrids的标签对齐行为。默认情况下，标签文字是沿着半径方向对齐的，模型名在右上角看起来是斜的。如果希望所有模型名都是水平文字，需要手动遍历返回的文本对象，调整set_rotation(0)和set_ha、set_va，让不同角度的标签各自“贴着”外缘水平放置。这个操作不难，但很多人不知道返回对象还可以继续改。

6. 这张图还能怎么改

6.1 加误差条、加数值标签、做交互

环形分组柱状图不是只能画静态的平均值。如果你在用多个随机种子跑实验、每个指标有均值和方差，完全可以在每根柱条顶端叠一个极坐标误差条。

极坐标下加误差条，我用的不是ax.errorbar（它在这种场景下坐标计算比较绕），而是直接画一根细线加两端短横线：

数值标签也可以加，但我建议克制。40根柱子全部标注“37.3、44.9……”会让画面变成电子表格，我只会在需要强调的某个指标或者某个模型上标注，其他数值留给正文表格。

如果想要交互版本，把数据导出到Plotly，用go.Barpolar或者px.bar_polar，鼠标一悬停就能看到每个模型的原始指标值，做演示和报告特别合适。注意交互版的配色要和静态版保持一致，避免老板觉得你“换了一张图”。

6.2 与雷达图、热力图的适用边界

最后聊一下这类图的边界。我的习惯是：3—5个模型时优先用普通分组柱状图或雷达图，6—12个模型、3—6个指标时用环形分组柱状图，超过12个模型或者指标超过8个，就退回热力图或者做分面小图。

环形分组柱状图确实好看，但它本质上用“极坐标弯曲”换来了屏占比和新鲜感，代价是精确的数字读取不如普通柱状图直观。如果审稿人是个极简主义者，他可能还是会问“为什么不用普通条形图”。所以我在论文里通常把环形分组柱状图作为“整体对比”的主图，数值细节放在附录表格里，二者互补，而不是用一张图解决所有问题。

我个人在实际操作中的体会是：这张图的真正价值不是炫技，而是逼着你先想清楚——要强调模型排名，还是指标分布？想清楚这一点，再决定用扇区式还是环带式，用哪些颜色，标哪些数字，图就会自己“长”出来。别一上来就抄代码，先让数据结构服务于表达，后续所有调参都是顺水推舟的事。

如果你只是需要一张能过审稿人眼的快速对比图，我这个脚本换个数据就能直接用。如果还想继续深挖，可以试试把某一圈的柱子改成堆叠柱，或者在外圈加一圈数据集的次级对比，玩法很多，但每个扩展都要回到同一个问题：读者第一眼看到这张图时，能否在三秒内说出你想表达的核心结论。能做到，这张图就成了。