Python 使用 Plottable 库绘制精美数据表格

3.2 ColumnDefinition 深度定制

ColumnDefinition 是控制表格外观最强大的工具。通过配置该对象，可以实现每列独立的宽度、对齐方式、颜色映射甚至子图嵌入。

常用属性：

• name: 对应 DataFrame 中的列名。
• title: 覆盖表头显示的标题文本。
• width: 列宽比例，默认自动分配。
• textprops: 该列文本的特定属性（如加粗、颜色、字号）。
• formatter: 格式化函数，例如将浮点数转换为百分比字符串。
• cmap: 颜色映射函数，根据数值大小自动着色。
• plot_fn: 自定义绘图函数，可在单元格内绘制微型图表（如柱状图、圆环图）。
• border: 边框设置，可选 "left", "right", "both"。

示例：组合多个列定义

from plottable import ColumnDefinition

column_defs = [
    ColumnDefinition(name='地区', width=0.2, textprops={'weight': 'bold'}),
    ColumnDefinition(name='人口', formatter='{:.0f}', cmap='Blues'),
    ColumnDefinition(name='增长率', plot_fn=bar_chart)
]

4. 实战案例：杭州市人口数据报表

本案例使用杭州市 2022 年和 2023 年各区县的人口数量、城镇化率及增长率数据，展示如何构建包含分组表头、迷你图和条件格式的复合表格。

4.1 数据预处理

原始数据通常来自 Excel 文件，需进行清洗和计算。

import pandas as pd

# 读取数据
df = pd.read_excel('population_data.xlsx')

# 处理重复列名（常见于跨年度合并的数据）
if '城镇化率（%）.1' in df.columns:
    df['城镇化率（%）'] = df['城镇化率（%）'] / 100
    df['城镇化率（%）.1'] = df['城镇化率（%）.1'] / 100
else:
    df['城镇化率（%）'] = df['城镇化率（%）'] / 100

# 计算人口增长率
df['人口增长率'] = (df['常住人口（万人）.1'] - df['常住人口（万人）']) / df['常住人口（万人）']

4.2 构建表格样式

为了提升可读性，我们采用以下策略：

1. 分组表头：将 2022 年和 2023 年的数据分为两组。
2. 迷你图嵌入：在城镇化率列嵌入圆环图，直观展示占比。
3. 颜色编码：增长率正负值使用不同颜色标识。
4. 隐藏辅助列：隐藏内部索引列以保持界面整洁。

4.3 完整代码实现

import matplotlib.pyplot as plt
import pandas as pd
from plottable import Table, ColumnDefinition
from plottable.plots import bar, progress_donut
from matplotlib.colors import LinearSegmentedColormap

# 1. 基础配置
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 2. 加载数据
try:
    df = pd.read_excel('2022 和 2023 年杭州市人口主要数据公报.xlsx')
except FileNotFoundError:
    # 模拟数据以防本地无文件
    data = {
        'index': [1, 2],
        '地区': ['上城区', '西湖区'],
        '常住人口（万人）': [100, 150],
        '城镇化率（%）': [95, 80],
        '常住人口（万人）.1': [105, 160],
        '城镇化率（%）.1': [96, 82],
        '人口增长率': [0.05, 0.07]
    }
    df = pd.DataFrame(data)

# 3. 数据清洗
if '城镇化率（%）.1' in df.columns:
    df['城镇化率（%）'] = df['城镇化率（%）'] / 100
    df['城镇化率（%）.1'] = df['城镇化率（%）.1'] / 100
df['人口增长率'] = (df['常住人口（万人）.1'] - df['常住人口（万人）']) / df['常住人口（万人）']

# 4. 定义颜色映射
# 从白到绿的渐变，用于表现增长趋势
cmap = LinearSegmentedColormap.from_list(
    name="growth_cmap",
    colors=["#ffffff", "#f2fbd2", "#c9ecb4", "#93d3ab", "#35b0ab"],
    N=256
)

# 5. 创建画布
fig, ax = plt.subplots(figsize=(10, 12))

# 6. 实例化表格
tab = Table(df, ax=ax,
            odd_row_color='#a5d8ff',  # 奇数行淡蓝色背景
            even_row_color='white',   # 偶数行白色背景
            footer_divider=True,      # 底部边框
            textprops={'ha': 'center'}, # 全局水平居中
            column_definitions=[
                # 隐藏索引列
                ColumnDefinition(name='index',
                                 title="",
                                 width=0,
                                 textprops={"ha": "right", 'color':'w'}),

                # 地区列
                ColumnDefinition(name='地区',
                                 textprops={"ha": "center", 'fontsize': 12}),

                # 2022 年组
                ColumnDefinition(name='常住人口（万人）',
                                 group='2022 年',
                                 textprops={'weight': 'bold'}),

                ColumnDefinition(name='城镇化率（%）',
                                 title='城镇化率',
                                 group='2022 年',
                                 plot_fn=progress_donut,
                                 plot_kw={"is_pct": True,
                                          "formatter": "{:.2f}",
                                          'radius': 0.48,
                                          'textprops':{'fontsize':8}}),

                # 2023 年组
                ColumnDefinition(name='常住人口（万人）.1',
                                 title='常住人口（万人）',
                                 group='2023 年',
                                 textprops={'weight': 'bold'}),

                ColumnDefinition(name='城镇化率（%）.1',
                                 title='城镇化率',
                                 group='2023 年',
                                 plot_fn=bar,
                                 plot_kw={"cmap": cmap,
                                          "plot_bg_bar": True,
                                          "annotate": True,
                                          "height": 0.8,
                                          "lw": 0.5,
                                          "formatter": "{:.1%}"}),

                # 增长率列
                ColumnDefinition(name='人口增长率',
                                 formatter="{:.1%}",
                                 textprops={'color': 'g', 'weight': 'bold'})
            ]
            )

# 7. 保存与显示
plt.savefig('杭州市人口数据公报.png', dpi=600, bbox_inches='tight')
plt.show()

5. 高级技巧与常见问题

5.1 动态修改单元格属性

Plottable 允许在表格创建后直接访问行列对象进行修改，适合交互式场景。

# 获取第 2 行
row_2 = tab.rows[1]
# 设置该行所有单元格透明度
row_2.set_alpha(0.5)

# 获取 A 列
col_A = tab.columns['A']
# 设置字体颜色
col_A.set_fontcolor('red')

5.2 性能优化

当数据量超过 1000 行时，渲染速度可能下降。建议：

1. 仅选取必要列进行展示。
2. 关闭不必要的网格线和装饰元素。
3. 使用 bbox_inches='tight' 裁剪空白区域以减少文件大小。

5.3 常见错误排查

• 中文乱码：检查 plt.rcParams['font.sans-serif'] 是否包含系统支持的字体名称。
• 图片路径错误：确保 read_excel 的路径正确，或使用绝对路径。
• Plot 函数报错：确认 plot_fn 传入的参数符合预期类型（如布尔值、浮点数）。

6. 总结

Plottable 库极大地降低了在 Matplotlib 中绘制复杂表格的门槛。通过灵活的 ColumnDefinition 配置，用户可以轻松实现类似 Excel 的高级排版效果，同时保留 Python 数据科学工作流的自动化优势。在处理年度对比报表、KPI 仪表盘等场景时，该方案具有极高的实用价值。

未来随着 Matplotlib 生态的演进，Plottable 有望集成更多交互组件，进一步提升数据展示的灵活性。开发者应熟练掌握其核心 API，以便在各类数据分析报告中输出高质量的视觉成果。