一、介绍：
多边形图，也就是在数据可视化中使用多边形来呈现数据的图表，在多个领域都有广泛的应用场景，以下为你详细介绍：
金融领域
- 投资组合分析：在投资组合管理中，多边形图可用于展示不同资产类别的占比情况。例如，一个投资组合包含股票、债券、现金等资产，通过多边形的各个边或区域来代表不同资产的权重，投资者可以直观地看到资产的分布结构。同时，随着时间的推移，多边形的形状变化可以反映投资组合的动态调整，帮助投资者评估投资策略的有效性。
- 风险评估：金融机构在评估风险时，可以使用多边形图来综合展示多个风险指标。如市场风险、信用风险、流动性风险等，每个风险指标对应多边形的一个维度。通过多边形的形状和面积，可以直观地比较不同投资产品或投资组合的风险水平，为风险决策提供依据。
市场营销领域
- 产品竞争力分析：企业在分析自身产品与竞争对手产品的竞争力时，可以使用多边形图。将产品的多个关键属性，如价格、质量、功能、品牌知名度、售后服务等作为多边形的各个维度，分别为自己和竞争对手的产品在每个维度上打分，然后连接这些分数点形成多边形。通过比较不同多边形的形状和大小，企业可以清晰地了解自己产品的优势和劣势，从而制定针对性的市场营销策略。
- 市场细分研究：在市场细分过程中，多边形图可以用于描述不同细分市场的特征。例如，将消费者的年龄、收入、消费偏好、购买频率等因素作为维度，每个细分市场对应一个多边形。通过分析不同多边形的差异，企业可以更好地理解各个细分市场的特点，为精准营销提供支持。
教育领域
- 学生综合素质评价：学校在评价学生的综合素质时，可以使用多边形图。将学生的学习成绩、品德表现、体育技能、艺术特长、社会实践等方面作为多边形的维度，为每个学生在这些维度上打分并绘制多边形。这样，教师和家长可以直观地看到学生的优势和不足，有助于制定个性化的教育计划，促进学生全面发展。
- 课程评估：教育机构在评估课程效果时，可以使用多边形图来收集学生对课程的多个方面的反馈，如课程内容的实用性、教学方法的有效性、教师的教学态度、学习资源的丰富性等。通过分析多边形的形状和变化，了解课程的优点和改进方向，提高教学质量。
医疗领域
- 患者健康状况评估：医生在评估患者的健康状况时，可以使用多边形图。将患者的身体各项指标，如血压、血糖、血脂、心率、体重指数等作为多边形的维度，根据患者的实际指标值绘制多边形。通过对比不同时间点的多边形，医生可以直观地了解患者健康状况的变化趋势，及时调整治疗方案。
- 疾病诊断辅助：在某些疾病的诊断中，多边形图可以用于综合分析多个症状和检查结果。例如，在诊断某种复杂疾病时，将患者的症状表现、实验室检查指标、影像学检查结果等作为维度，绘制多边形。医生可以通过观察多边形的特征，辅助判断疾病的类型和严重程度。
二、案例一：基础
import matplotlib.pyplot as plt
import matplotlib.style as ms
# 除了 'seaborn-v0_8-colorblind'，还可以选择如 'classic'、'fast'、'petroff10' 等其他风格
ms.use('seaborn-v0_8-colorblind')
plt.figure(num='多边形图', figsize=(12, 8), facecolor='w')
plt.rcParams['font.sans-serif'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
# 定义 x 轴上的一组数据点，用于后续绘制多边形
x = [13, 13, 34, 65]
# 定义第一组 y 轴上的数据点，与 x 数据点对应，用于绘制多边形的一部分
y = [14, 43, 30, 76]
plt.fill(x, y)
plt.show()
三、案例二：水平曲线
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.style as ms
ms.use('fast')
plt.figure(num='多边形图', figsize=(12, 8), facecolor='w')
plt.rcParams['font.sans-serif'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
# 使用 numpy 的 linspace 函数生成一个包含 500 个元素的一维数组 x
# 数组的元素值从 -π 到 π 均匀分布，这些值将作为 x 轴的坐标
x = np.linspace(-np.pi, np.pi, 500)
# 计算 x 数组中每个元素的正弦值，存储在数组 y1 中
y1 = np.sin(x)
# 计算 x 数组中每个元素的余弦值，存储在数组 y2 中
y2 = np.cos(x)
# 使用 plt.fill_between 函数填充 y1 和 y2 之间满足 y1 > y2 的区域
# x：指定 x 轴的坐标
# y1 和 y2：指定要填充的两条曲线
# y1 > y2：这是一个布尔条件数组，用于确定哪些区域需要填充
# color='dodgerblue'：设置填充区域的颜色为道奇蓝
# alpha=0.5：设置填充区域的透明度为 0.5，使其半透明
plt.fill_between(x, y1, y2, y1 > y2, color='dodgerblue', alpha=0.5)
# 使用 plt.fill_between 函数填充 y1 和 y2 之间满足 y1 < y2 的区域
# 同样指定 x 轴坐标、两条曲线、填充条件、颜色和透明度
plt.fill_between(x, y1, y2, y1 < y2, color='orangered', alpha=0.5)
# 使用 plt.plot 函数绘制两条曲线
# x, y1 表示绘制正弦曲线
# x, y2 表示绘制余弦曲线
plt.plot(x, y1, x, y2)
# 显示绘制好的图形，调用该函数后，图形窗口会弹出显示绘制的正弦曲线、余弦曲线以及填充区域
plt.show()
四、案例四：数据对比
import matplotlib.pyplot as plt
import numpy as np
import matplotlib.style as ms
ms.use('fast')
plt.figure(num='多边形图', figsize=(12, 8), facecolor='w')
plt.rcParams['font.sans-serif'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.arange(30)
# 使用 numpy 的 randint 函数生成一个包含 30 个元素的随机整数数组，元素范围在 1 到 20 之间
# 这个数组作为 y1 轴的数据
y1 = np.random.randint(1, 20, size=(30,))
# 同样使用 randint 函数生成另一个包含 30 个元素的随机整数数组，元素范围在 1 到 20 之间
# 这个数组作为 y2 轴的数据
y2 = np.random.randint(1, 20, size=(30,))
# 使用 plt.fill_between 函数填充区域
# x：指定 x 轴的坐标
# y1：指定第一条曲线
# 10：指定第二条曲线为固定值 10
# color='y'：设置填充区域的颜色为黄色（'y' 是黄色的缩写）
# alpha=0.5：设置填充区域的透明度为 0.5，使其半透明
plt.fill_between(x, y1, 10, color='y', alpha=0.5)
plt.plot(x,y1,x,y2)
# 若要显示图形，可添加如下代码
plt.show()
