堆疊面積圖和麵積圖都是用於展示數據隨時間變化趨勢的統計圖表，但它們的特點有所不同。
面積圖的特點在於它能夠直觀地展示數量之間的關係，而且不需要標註數據點，可以輕鬆地觀察數據的變化趨勢。而堆疊面積圖則更適合展示多個數據系列之間的變化趨勢，它們一層層的堆疊起來，每個數據系列的起始點是上一個數據系列的結束點，多數據列的展示更加直觀和易於理解。

堆疊面積圖觀察幾個數據系列隨時間的變化情況時，既能看到各數據系列的走勢，又能看到整體的規模，
但是，過多的系列，也會導致難以分辨。
此外，堆疊面積圖展示的數據一般會有時間上的關聯，當數據沒有時間上的關聯時，建議適用堆疊柱狀圖。

1. 主要元素

堆疊面積圖是一種用於展示數據分類、分組和數據關聯性的圖表，主要由以下幾個元素組成：

1. 堆疊面積：表示數據的分佈或密度
2. 圖例：圖例用於說明堆疊圖的繪製規則和參數
3. X軸：一般是有序變數，表示數據點的變化區間
4. Y軸：數據點在不同時刻的值

2. 適用的場景

堆疊面積圖適用於以下分析場景：

• 類別占比比較：堆疊面積圖可以用來比較不同類別在總體中的占比關係。例如，你可以使用堆疊面積圖來展示銷售額按產品類別的分佈情況，以顯示每個類別對總銷售額的貢獻。
• 趨勢展示：堆疊面積圖可以在一個圖表中同時顯示多個類別或組的趨勢。它可以用來展示每個類別在不同時間點或區域的變化情況，並幫助分析人員觀察和理解各類別之間的差異和趨勢。
• 堆疊級別比較：堆疊面積圖還可以用來比較不同級別的數據在總體中的占比關係。例如，你可以使用堆疊面積圖來展示各部門在總體支出中的比例，以顯示各個部門的相對貢獻。
• 累積效果展示：堆疊面積圖可以展示隨著時間、地區或其他維度的推移，各組別所積累的整體效果。這對於觀察累積效果的變化和趨勢非常有幫助。

3. 不適用的場景

堆疊面積圖不適用於以下分析場景：

• 數據重疊：如果數據中有重疊的部分，堆疊面積圖會使數據難以解讀和比較。當數據的堆疊部分變得模糊或不清晰時，堆疊面積圖可能就無法有效地傳達信息。
• 數據量變動：如果每個類別或組的數據量差別很大，堆疊面積圖可能會導致視覺上的需求不平衡。數據量較大的類別或組可能會過於突出，而數據量較小的類別或組則可能被掩蓋。
• 無法顯示趨勢：堆疊面積圖在展示數據的總體趨勢上相對有效，但卻不適用於顯示每個類別或組內部的趨勢。如果你希望關註每個類別或組的個別趨勢，那麼使用其他圖表類型如折線圖可能更為合適。
• 存在負值數據：堆疊面積圖假設數據都是正值，不適合用於展示包含負值的數據。這是因為堆疊面積圖的堆疊效果會導致負值的表現相對模糊，難以準確表達。

4. 分析實戰

這次使用三大產業的增加值來實戰堆疊面積圖的分析。

4.1. 數據來源

數據來源國家統計局公開數據，已經整理好的csv文件在：https://databook.top/nation/A02

本次分析使用其中的 A0201.csv 文件（國內生產總值數據）。

下麵的文件路徑 fp 要換成自己實際的文件路徑。

fp = "d:/share/A0201.csv"

df = pd.read_csv(fp)
df

4.2. 數據清理

過濾出三大產業的數據：

key1 = "第一產業增加值(億元)"
key2 = "第二產業增加值(億元)"
key3 = "第三產業增加值(億元)"

df = df[(df["zbCN"] == key1)
        | (df["zbCN"] == key2)
        | (df["zbCN"] == key3)]
df

4.3. 分析結果可視化

繪製三大產業的堆疊面積圖：

from matplotlib.ticker import MultipleLocator

key1 = "第一產業增加值(億元)"
key2 = "第二產業增加值(億元)"
key3 = "第三產業增加值(億元)"

val1 = df[(df["zbCN"] == key1)].sort_values("sj")
val2 = df[(df["zbCN"] == key2)].sort_values("sj")
val3 = df[(df["zbCN"] == key3)].sort_values("sj")

with plt.style.context("seaborn-v0_8"):
    fig = plt.figure()
    ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
    ax.xaxis.set_major_locator(MultipleLocator(4))
    ax.xaxis.set_minor_locator(MultipleLocator(2))

    ax.stackplot(
        val1["sjCN"],
        [val1["value"], val2["value"], val3["value"]],
        labels=[key1, key2, key3],
        alpha=0.8,
    )

    ax.legend(loc="upper left")

各個數據集在堆疊面積圖中不會重合，
所以不僅可以看出各個產業的增長情況，還能看出整體的增長主要來自哪個產業的影響。

從分析結果可以看出，我國的經濟增長主要來自於第二，第三產業的增長。
這個結果和之前的文章中關於人口的分析也是相吻合的，在那個文章中，我們發現農業人口大量減少，城鎮人口大量增加。