堆叠面积图和面积图都是用于展示数据随时间变化趋势的统计图表，但它们的特点有所不同。
面积图的特点在于它能够直观地展示数量之间的关系，而且不需要标注数据点，可以轻松地观察数据的变化趋势。而堆叠面积图则更适合展示多个数据系列之间的变化趋势，它们一层层的堆叠起来，每个数据系列的起始点是上一个数据系列的结束点，多数据列的展示更加直观和易于理解。

堆叠面积图观察几个数据系列随时间的变化情况时，既能看到各数据系列的走势，又能看到整体的规模，
但是，过多的系列，也会导致难以分辨。
此外，堆叠面积图展示的数据一般会有时间上的关联，当数据没有时间上的关联时，建议适用堆叠柱状图。

1. 主要元素

堆叠面积图是一种用于展示数据分类、分组和数据关联性的图表，主要由以下几个元素组成：

1. 堆叠面积：表示数据的分布或密度
2. 图例：图例用于说明堆叠图的绘制规则和参数
3. X轴：一般是有序变量，表示数据点的变化区间
4. Y轴：数据点在不同时刻的值

2. 适用的场景

堆叠面积图适用于以下分析场景：

• 类别占比比较：堆叠面积图可以用来比较不同类别在总体中的占比关系。例如，你可以使用堆叠面积图来展示销售额按产品类别的分布情况，以显示每个类别对总销售额的贡献。
• 趋势展示：堆叠面积图可以在一个图表中同时显示多个类别或组的趋势。它可以用来展示每个类别在不同时间点或区域的变化情况，并帮助分析人员观察和理解各类别之间的差异和趋势。
• 堆叠级别比较：堆叠面积图还可以用来比较不同级别的数据在总体中的占比关系。例如，你可以使用堆叠面积图来展示各部门在总体支出中的比例，以显示各个部门的相对贡献。
• 累积效果展示：堆叠面积图可以展示随着时间、地区或其他维度的推移，各组别所积累的整体效果。这对于观察累积效果的变化和趋势非常有帮助。

3. 不适用的场景

堆叠面积图不适用于以下分析场景：

• 数据重叠：如果数据中有重叠的部分，堆叠面积图会使数据难以解读和比较。当数据的堆叠部分变得模糊或不清晰时，堆叠面积图可能就无法有效地传达信息。
• 数据量变动：如果每个类别或组的数据量差别很大，堆叠面积图可能会导致视觉上的需求不平衡。数据量较大的类别或组可能会过于突出，而数据量较小的类别或组则可能被掩盖。
• 无法显示趋势：堆叠面积图在展示数据的总体趋势上相对有效，但却不适用于显示每个类别或组内部的趋势。如果你希望关注每个类别或组的个别趋势，那么使用其他图表类型如折线图可能更为合适。
• 存在负值数据：堆叠面积图假设数据都是正值，不适合用于展示包含负值的数据。这是因为堆叠面积图的堆叠效果会导致负值的表现相对模糊，难以准确表达。

4. 分析实战

这次使用三大产业的增加值来实战堆叠面积图的分析。

4.1. 数据来源

数据来源国家统计局公开数据，已经整理好的csv文件在：https://databook.top/nation/A02

本次分析使用其中的 A0201.csv 文件（国内生产总值数据）。

下面的文件路径 fp 要换成自己实际的文件路径。

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

df = pd.read_csv(fp)
df

4.2. 数据清理

过滤出三大产业的数据：

key1 = "第一产业增加值(亿元)"
key2 = "第二产业增加值(亿元)"
key3 = "第三产业增加值(亿元)"

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

4.3. 分析结果可视化

绘制三大产业的堆叠面积图：

from matplotlib.ticker import MultipleLocator

key1 = "第一产业增加值(亿元)"
key2 = "第二产业增加值(亿元)"
key3 = "第三产业增加值(亿元)"

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")

各个数据集在堆叠面积图中不会重合，
所以不仅可以看出各个产业的增长情况，还能看出整体的增长主要来自哪个产业的影响。

从分析结果可以看出，我国的经济增长主要来自于第二，第三产业的增长。
这个结果和之前的文章中关于人口的分析也是相吻合的，在那个文章中，我们发现农业人口大量减少，城镇人口大量增加。