《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 案例05 制作雷达图对比多项指标

🔥
个人主页：
杨利杰YJlio

❄️
个人专栏：
《Sysinternals实战教程》
《Windows PowerShell 实战》
《WINDOWS教程》
《IOS教程》

《微信助手》
《锤子助手》
《Python》
《Kali Linux》

《那些年未解决的Windows疑难杂症》
🌟
让复杂的事情更简单，让重复的工作自动化

《超简单：用 Python 让 Excel 飞起来》读书笔记：第8章 案例05 制作雷达图对比多项指标

• 1. 问题背景：为什么要用雷达图做多指标对比
• 2. 适用场景：雷达图适合什么，不适合什么
• 3. 核心原理：雷达图为什么要用极坐标和首尾闭环
• 4. 基础实战：用 Matplotlib 绘制单对象雷达图
• 5. 多对象对比：方案 A vs 方案 B 才是雷达图的高频用法
• 6. 图表优化：刻度、网格、透明填充决定可读性
• 7. 企业可交付版：从 Excel 评分表自动生成雷达图 PNG
• 8. 效果验证：不要只看脚本有没有报错
• 9. 常见问题与踩坑提醒
• • 9.1 中文显示乱码
  • 9.2 指标单位不统一
  • 9.3 指标太多导致图形难读
  • 9.4 多对象对比时颜色过多
  • 9.5 雷达图不适合做精确排名
• 10. 总结提升：雷达图的核心不是画图，而是建立多维判断

1. 问题背景：为什么要用雷达图做多指标对比

  在 Excel 数据分析和 Python 自动化报表里，很多问题并不是单一指标能讲清楚的。比如比较两个方案、两个部门、两台设备、两个供应商时，我们往往不只看一个数字，而是要同时看性能、稳定性、成本、响应速度、满意度、文档规范等多个维度。

  这类数据如果只用表格展示，读者需要一行一行对比；如果只用柱形图展示，图表数量又会变多。雷达图的价值就在于：把多维指标压缩到一张图里，用“形状”帮助我们快速判断强项和短板。

  这张图展示了雷达图在实际数据分析中的应用场景：左侧是代码和 Excel 数据，右侧是多维指标雷达图，中间突出“雷达图应用场景”。

  从这张图中可以看出，雷达图不是为了“好看”而存在，它更适合做多维对比、方案评估、短板识别。在办公自动化场景里，它可以把 Excel 评分表转成更直观的图表结果，尤其适合写入周报、月报、评估报告。

本文目标：

• 学会用 Python + Matplotlib 绘制基础雷达图；
• 理解极坐标、角度均分、首尾闭环这些核心原理；
• 学会绘制多对象雷达图，用于方案 A / 方案 B 对比；
• 学会从 Excel 读取评分表，自动输出雷达图 PNG；
• 明确雷达图的适用边界，避免“图很好看，但结论是错的”。

#mermaid-svg-8u6OjeN69g2mb90i{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-8u6OjeN69g2mb90i .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-8u6OjeN69g2mb90i .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-8u6OjeN69g2mb90i .error-icon{fill:#552222;}#mermaid-svg-8u6OjeN69g2mb90i .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-8u6OjeN69g2mb90i .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-8u6OjeN69g2mb90i .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-8u6OjeN69g2mb90i .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-8u6OjeN69g2mb90i .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-8u6OjeN69g2mb90i .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-8u6OjeN69g2mb90i .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-8u6OjeN69g2mb90i .marker{fill:#333333;stroke:#333333;}#mermaid-svg-8u6OjeN69g2mb90i .marker.cross{stroke:#333333;}#mermaid-svg-8u6OjeN69g2mb90i svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-8u6OjeN69g2mb90i p{margin:0;}#mermaid-svg-8u6OjeN69g2mb90i .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-8u6OjeN69g2mb90i .cluster-label text{fill:#333;}#mermaid-svg-8u6OjeN69g2mb90i .cluster-label span{color:#333;}#mermaid-svg-8u6OjeN69g2mb90i .cluster-label span p{background-color:transparent;}#mermaid-svg-8u6OjeN69g2mb90i .label text,#mermaid-svg-8u6OjeN69g2mb90i span{fill:#333;color:#333;}#mermaid-svg-8u6OjeN69g2mb90i .node rect,#mermaid-svg-8u6OjeN69g2mb90i .node circle,#mermaid-svg-8u6OjeN69g2mb90i .node ellipse,#mermaid-svg-8u6OjeN69g2mb90i .node polygon,#mermaid-svg-8u6OjeN69g2mb90i .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-8u6OjeN69g2mb90i .rough-node .label text,#mermaid-svg-8u6OjeN69g2mb90i .node .label text,#mermaid-svg-8u6OjeN69g2mb90i .image-shape .label,#mermaid-svg-8u6OjeN69g2mb90i .icon-shape .label{text-anchor:middle;}#mermaid-svg-8u6OjeN69g2mb90i .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-8u6OjeN69g2mb90i .rough-node .label,#mermaid-svg-8u6OjeN69g2mb90i .node .label,#mermaid-svg-8u6OjeN69g2mb90i .image-shape .label,#mermaid-svg-8u6OjeN69g2mb90i .icon-shape .label{text-align:center;}#mermaid-svg-8u6OjeN69g2mb90i .node.clickable{cursor:pointer;}#mermaid-svg-8u6OjeN69g2mb90i .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-8u6OjeN69g2mb90i .arrowheadPath{fill:#333333;}#mermaid-svg-8u6OjeN69g2mb90i .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-8u6OjeN69g2mb90i .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-8u6OjeN69g2mb90i .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8u6OjeN69g2mb90i .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-8u6OjeN69g2mb90i .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8u6OjeN69g2mb90i .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-8u6OjeN69g2mb90i .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-8u6OjeN69g2mb90i .cluster text{fill:#333;}#mermaid-svg-8u6OjeN69g2mb90i .cluster span{color:#333;}#mermaid-svg-8u6OjeN69g2mb90i div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-8u6OjeN69g2mb90i .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-8u6OjeN69g2mb90i rect.text{fill:none;stroke-width:0;}#mermaid-svg-8u6OjeN69g2mb90i .icon-shape,#mermaid-svg-8u6OjeN69g2mb90i .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-8u6OjeN69g2mb90i .icon-shape p,#mermaid-svg-8u6OjeN69g2mb90i .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-8u6OjeN69g2mb90i .icon-shape .label rect,#mermaid-svg-8u6OjeN69g2mb90i .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-8u6OjeN69g2mb90i .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-8u6OjeN69g2mb90i .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-8u6OjeN69g2mb90i :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

Excel评分表

读取指标与分数

检查量纲是否统一

转换为极坐标角度

绘制雷达图

优化刻度/网格/填充

输出PNG用于报告

2. 适用场景：雷达图适合什么，不适合什么

  雷达图最适合处理多指标评分型数据。所谓评分型数据，就是每个维度都有一个可比较的分数，例如 0~100 分、1~5 分、A/B/C 等级转换后的数值。

适合使用雷达图的场景：

• 方案对比：方案 A 与方案 B 谁更均衡；
• 设备评估：性能、稳定性、功耗、成本、可维护性；
• 团队能力画像：沟通、执行、技术、协作、复盘；
• 服务质量分析：响应速度、解决率、满意度、复发率控制；
• 产品评分：易用性、可靠性、安全性、扩展性、性价比。

  但雷达图不是万能图表。如果你要展示时间趋势，折线图更合适；如果你要比较单个指标高低，柱形图更直接；如果你要展示占比构成，饼图或堆积图更清楚。

不建议使用雷达图的情况：

• 指标单位不统一，例如“万元、百分比、小时、次数”混在一起；
• 指标数量太多，超过 10 个后图形会变成“毛线团”；
• 需要精确读数的场景，雷达图更适合看轮廓，不适合读精确值；
• 指标之间本身没有可比性，强行放在一张图里会误导结论。

  我的经验是：雷达图最舒服的指标数量通常是 5~8 个，评分范围最好统一到 0~100。这样图形既不会太稀，也不会太乱。

3. 核心原理：雷达图为什么要用极坐标和首尾闭环

  雷达图本质上不是普通的 x/y 平面图，而是基于极坐标 polar绘制出来的图。每一个指标不是放在横轴上，而是放在圆周上的一个方向上。

  这张图展示了雷达图的底层绘制原理：指标围绕圆周均匀分布，每个指标对应一个角度，分数决定点到中心的距离，最后把所有点连起来形成一个闭合多边形。

  从这张图中可以看出，雷达图的关键不是“画一个多边形”，而是把每个指标映射到一个固定角度，再把对应分数映射为半径长度。这也是为什么雷达图特别适合看“形状”：某个方向凹进去，就说明这个指标偏弱；某个方向凸出来，就说明这个指标较强。

  在 Python 中，雷达图通常需要处理三个核心动作：

import numpy as np

labels = ["响应速度", "解决率", "满意度", "复发率控制", "文档规范"]
values = [80, 90, 85, 70, 88]

N = len(labels)

# 1. 把 0~2π 均分为 N 个角度
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)

# 2. 首尾闭环
values = np.concatenate([values, [values[0]]])
angles = np.concatenate([angles, [angles[0]]])

  这里最容易漏掉的是“首尾闭环”。如果不把第一个点补到最后，雷达图就不会闭合，视觉上会像一条断开的折线，而不是完整的能力轮廓。

4. 基础实战：用 Matplotlib 绘制单对象雷达图

  先从最小可用版本开始。这个版本适合展示一个对象的多维评分，例如某个团队、某个设备、某个方案的能力画像。

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

labels = ["响应速度", "解决率", "满意度", "复发率控制", "文档规范"]
values = [80, 90, 85, 70, 88]

N = len(labels)
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)

values = np.concatenate([values, [values[0]]])
angles = np.concatenate([angles, [angles[0]]])

fig = plt.figure(figsize=(7, 7))
ax = plt.subplot(111, polar=True)

ax.plot(angles, values, linewidth=2)
ax.fill(angles, values, alpha=0.25)

ax.set_thetagrids(angles[:–1] * 180 / np.pi, labels)
ax.set_ylim(0, 100)

plt.title("服务质量雷达图")
plt.tight_layout()
plt.show()

  这段代码的重点不在参数多，而在流程完整：先准备指标和分数，再计算角度，再闭环，最后用 polar 画图。

  如果图形里某个方向明显凹进去，说明该指标相对短板；如果整个图形比较饱满，说明整体能力较均衡。

5. 多对象对比：方案 A vs 方案 B 才是雷达图的高频用法

  单对象雷达图能看自己的短板，但在真实办公场景里，雷达图更常用于多对象对比。比如两个方案、两个部门、两个供应商、两种设备型号放到同一张图里，谁强谁弱会非常直观。

  这张图展示了“方案 A vs 方案 B”的多对象雷达图。蓝色区域代表方案 A，粉色区域代表方案 B，不同指标上的长短差异非常明显。

  从这张图中可以看出，方案 A 在响应速度、稳定性、文档规范等维度更强，而方案 B 在解决率等维度表现突出。这类图最适合汇报时快速引出问题：不是简单问“谁更好”，而是问“各自强在哪里，短板在哪里”。

  下面是双对象雷达图的基础代码：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

labels = ["响应速度", "解决率", "满意度", "文档规范", "稳定性"]
A = [80, 70, 85, 90, 88]
B = [60, 90, 40, 78, 65]

N = len(labels)
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)

A = np.concatenate([A, [A[0]]])
B = np.concatenate([B, [B[0]]])
angles = np.concatenate([angles, [angles[0]]])

fig = plt.figure(figsize=(7, 7))
ax = plt.subplot(111, polar=True)

ax.plot(angles, A, linewidth=2, label="方案A")
ax.fill(angles, A, alpha=0.18)

ax.plot(angles, B, linewidth=2, linestyle="–", label="方案B")
ax.fill(angles, B, alpha=0.18)

ax.set_thetagrids(angles[:–1] * 180 / np.pi, labels)
ax.set_ylim(0, 100)

plt.title("多对象雷达图：方案A vs 方案B")
plt.legend(loc="upper right", bbox_to_anchor=(1.2, 1.1))
plt.tight_layout()
plt.show()

注意：多对象对比时，所有对象的指标顺序必须完全一致。

  如果方案 A 的第一个指标是响应速度，方案 B 的第一个指标却变成满意度，那么图形看起来还能画出来，但结论已经错了。

6. 图表优化：刻度、网格、透明填充决定可读性

  很多人第一次用 Python 画雷达图时，图形确实出来了，但看起来不够“像报告”。原因通常不是数据错了，而是刻度、网格、填充透明度、图例位置没有处理好。

  这张图展示了雷达图定制优化的重点：刻度优化、网格优化、透明填充。它说明一张图能不能交付，不只看是否画出来，还要看读者是否能快速读懂。

  从这张图中可以看出，清晰的径向刻度可以帮助判断分值区间，简洁的多边形网格可以辅助读数，透明填充可以增强对比层次。推荐做法是：网格线要有，但不能抢数据本身的视觉焦点。

  我常用这几类优化：

# 让雷达图从顶部开始，并按顺时针方向排列
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(–1)

# 设置半径刻度
ax.set_yticks([20, 40, 60, 80, 100])
ax.set_yticklabels(["20", "40", "60", "80", "100"])

# 设置网格线
ax.grid(True, linestyle="–", alpha=0.4)

# 设置取值范围
ax.set_ylim(0, 100)

# 图例放到图外，避免遮挡
plt.legend(loc="upper right", bbox_to_anchor=(1.25, 1.12))

  这里有一个实战判断：如果雷达图要发给领导或同事看，图例宁可放到图外，也不要挡住数据区域。遮挡一两个关键点，读者就会对图产生误判。

7. 企业可交付版：从 Excel 评分表自动生成雷达图 PNG

  前面的代码适合学习原理，但真正办公自动化时，我们更常见的需求是：评分数据已经在 Excel 里，Python 负责读取评分表，然后自动生成雷达图图片。

  这张图展示了完整链路：Excel 评分表作为输入，Python 自动处理数据，最后生成雷达图 PNG 文件。

  从这张图中可以看出，雷达图可以成为自动化报表的一部分。也就是说，我们不是每次手动画图，而是把“读数据、处理数据、画图、保存图片”做成固定脚本。

  假设 Excel 表结构如下：

  完整代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pathlib import Path

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

def radar_from_excel(
xlsx_path: str,
sheet_name: str = "评分",
label_col: str = "指标",
series_cols: list[str] | None = None,
out_png: str = "out/radar.png",
r_min: int = 0,
r_max: int = 100,
):
"""
从 Excel 评分表读取多指标数据，生成雷达图 PNG。
要求：
1. 指标列为 label_col
2. 每个对象一列，例如 方案A、方案B
3. 分数建议统一为 0~100
"""

if series_cols is None:
series_cols = ["方案A", "方案B"]

df = pd.read_excel(xlsx_path, sheet_name=sheet_name)

# 基础校验
need_cols = [label_col] + series_cols
missing = [c for c in need_cols if c not in df.columns]
if missing:
raise ValueError(f"Excel 缺少必要列：{missing}")

labels = df[label_col].astype(str).tolist()
N = len(labels)

if N < 3:
raise ValueError("雷达图至少需要 3 个指标，否则图形没有意义。")

angles = np.linspace(0, 2 * np.pi, N, endpoint=False)
angles = np.concatenate([angles, [angles[0]]])

fig = plt.figure(figsize=(7, 7))
ax = plt.subplot(111, polar=True)

# 从顶部开始，顺时针排列
ax.set_theta_offset(np.pi / 2)
ax.set_theta_direction(–1)

for col in series_cols:
values = pd.to_numeric(df[col], errors="coerce").fillna(0).to_numpy()
values = np.concatenate([values, [values[0]]])

ax.plot(angles, values, linewidth=2, label=col)
ax.fill(angles, values, alpha=0.18)

ax.set_thetagrids(angles[:–1] * 180 / np.pi, labels)
ax.set_ylim(r_min, r_max)
ax.set_yticks([20, 40, 60, 80, 100])
ax.set_yticklabels(["20", "40", "60", "80", "100"])
ax.grid(True, linestyle="–", alpha=0.4)

plt.title("雷达图：多指标对比")
plt.legend(loc="upper right", bbox_to_anchor=(1.25, 1.12))
plt.tight_layout()

out_png = Path(out_png)
out_png.parent.mkdir(parents=True, exist_ok=True)
plt.savefig(out_png, dpi=200)
plt.close()

return str(out_png)

if __name__ == "__main__":
png_path = radar_from_excel(
xlsx_path="score.xlsx",
sheet_name="评分",
label_col="指标",
series_cols=["方案A", "方案B"],
out_png="out/雷达图_方案对比.png",
)

print("已输出：", png_path)

推荐做法：正式使用时不要直接覆盖旧图片，建议输出到 out/ 目录，并在文件名里带上业务对象，例如 雷达图_供应商对比_202607.png。

  这样后续写报告、插入 Word、上传 CSDN 时，都能快速找到对应图表。

8. 效果验证：不要只看脚本有没有报错

  图表类脚本有一个常见误区：脚本不报错，就以为结果正确。这个判断太粗糙。雷达图尤其需要验证，因为它涉及指标顺序、评分范围、图形闭合、图例对应关系。

建议从这几个角度验证：

最危险的情况不是代码报错，而是图能画出来，但业务结论被误导。

9. 常见问题与踩坑提醒

9.1 中文显示乱码

  如果标题、指标名显示成方块，一般是 Matplotlib 没有正确设置中文字体。

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

  如果电脑没有黑体，可以改成：

plt.rcParams["font.sans-serif"] = ["Microsoft YaHei"]

9.2 指标单位不统一

  这是雷达图最容易误导人的地方。比如把“成本金额”“满意度百分比”“响应时间小时”直接放在同一张雷达图里，看起来像能对比，实际没有统计意义。

正确做法：先把不同单位统一成评分，例如全部转换为 0~100 分。 错误做法：原始单位直接画图，然后根据形状下结论。

9.3 指标太多导致图形难读

  雷达图指标超过 10 个后，图形会明显拥挤。指标名长一点时，甚至会互相覆盖。

实战建议：把指标控制在 5~8 个，把不重要的维度合并为“其他”或放到表格补充说明里。

9.4 多对象对比时颜色过多

  如果你同时对比 5 个以上对象，雷达图会很乱。这个时候不建议继续叠加对象，而是考虑拆成多张图，或者改用热力图、柱形图。

9.5 雷达图不适合做精确排名

  雷达图更适合看轮廓和短板，不适合做严格排名。如果要精确比较每个指标，最好配合表格或柱形图一起使用。

10. 总结提升：雷达图的核心不是画图，而是建立多维判断

  这一节的重点，不是记住几行 Matplotlib 代码，而是理解雷达图背后的判断逻辑：把多维指标变成一个可观察的形状，让强项和短板更容易被发现。

  我建议把雷达图当成一种“多指标审计工具”，而不是普通装饰图。它真正有价值的地方在于：

• 能快速看出一个对象是否均衡；
• 能快速比较两个方案的优势差异；
• 能把 Excel 评分表变成可汇报的图形；
• 能帮助读者从“看数字”切换到“看结构”。

最后再强调一次：雷达图最大的风险是“指标口径不统一”。

  如果不同指标没有经过统一评分或标准化，图形越漂亮，误导性可能越强。

我的推荐使用流程：

#mermaid-svg-6Wg2TnGAFiXd0inG{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-6Wg2TnGAFiXd0inG .error-icon{fill:#552222;}#mermaid-svg-6Wg2TnGAFiXd0inG .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-6Wg2TnGAFiXd0inG .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-6Wg2TnGAFiXd0inG .marker{fill:#333333;stroke:#333333;}#mermaid-svg-6Wg2TnGAFiXd0inG .marker.cross{stroke:#333333;}#mermaid-svg-6Wg2TnGAFiXd0inG svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-6Wg2TnGAFiXd0inG p{margin:0;}#mermaid-svg-6Wg2TnGAFiXd0inG .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster-label text{fill:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster-label span{color:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster-label span p{background-color:transparent;}#mermaid-svg-6Wg2TnGAFiXd0inG .label text,#mermaid-svg-6Wg2TnGAFiXd0inG span{fill:#333;color:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG .node rect,#mermaid-svg-6Wg2TnGAFiXd0inG .node circle,#mermaid-svg-6Wg2TnGAFiXd0inG .node ellipse,#mermaid-svg-6Wg2TnGAFiXd0inG .node polygon,#mermaid-svg-6Wg2TnGAFiXd0inG .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-6Wg2TnGAFiXd0inG .rough-node .label text,#mermaid-svg-6Wg2TnGAFiXd0inG .node .label text,#mermaid-svg-6Wg2TnGAFiXd0inG .image-shape .label,#mermaid-svg-6Wg2TnGAFiXd0inG .icon-shape .label{text-anchor:middle;}#mermaid-svg-6Wg2TnGAFiXd0inG .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-6Wg2TnGAFiXd0inG .rough-node .label,#mermaid-svg-6Wg2TnGAFiXd0inG .node .label,#mermaid-svg-6Wg2TnGAFiXd0inG .image-shape .label,#mermaid-svg-6Wg2TnGAFiXd0inG .icon-shape .label{text-align:center;}#mermaid-svg-6Wg2TnGAFiXd0inG .node.clickable{cursor:pointer;}#mermaid-svg-6Wg2TnGAFiXd0inG .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-6Wg2TnGAFiXd0inG .arrowheadPath{fill:#333333;}#mermaid-svg-6Wg2TnGAFiXd0inG .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-6Wg2TnGAFiXd0inG .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-6Wg2TnGAFiXd0inG .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6Wg2TnGAFiXd0inG .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-6Wg2TnGAFiXd0inG .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6Wg2TnGAFiXd0inG .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster text{fill:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG .cluster span{color:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-6Wg2TnGAFiXd0inG .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-6Wg2TnGAFiXd0inG rect.text{fill:none;stroke-width:0;}#mermaid-svg-6Wg2TnGAFiXd0inG .icon-shape,#mermaid-svg-6Wg2TnGAFiXd0inG .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6Wg2TnGAFiXd0inG .icon-shape p,#mermaid-svg-6Wg2TnGAFiXd0inG .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-6Wg2TnGAFiXd0inG .icon-shape .label rect,#mermaid-svg-6Wg2TnGAFiXd0inG .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6Wg2TnGAFiXd0inG .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-6Wg2TnGAFiXd0inG .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-6Wg2TnGAFiXd0inG :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

确定对比对象

选择5到8个核心指标

统一评分口径

Excel整理评分表

Python读取数据

生成雷达图PNG

结合表格解释结论

  真正高质量的图表，不是让人觉得“好看”，而是让人更快做出正确判断。雷达图也是一样：它的终点不是图片，而是清晰、可复盘、能被验证的多维分析结论。

返回顶部