{ "cells": [ { "cell_type": "code", "execution_count": 1, "id": "1f943ba7-352d-4358-8c80-5a397ecc7c0f", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:54.522573Z", "iopub.status.busy": "2025-12-03T16:10:54.521129Z", "iopub.status.idle": "2025-12-03T16:10:57.101565Z", "shell.execute_reply": "2025-12-03T16:10:57.101315Z" } }, "outputs": [ { "data": { "text/html": [ "
\n", " " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ " " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", " " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "text/html": [ "
\n", " " ] }, "metadata": {}, "output_type": "display_data" } ], "source": [ "%useLatestDescriptors\n", "%use dataframe\n", "%use lets-plot" ] }, { "cell_type": "code", "execution_count": 2, "id": "612fe0f0-53e3-4637-98e8-65811915a943", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:57.104230Z", "iopub.status.busy": "2025-12-03T16:10:57.103590Z", "iopub.status.idle": "2025-12-03T16:10:57.133036Z", "shell.execute_reply": "2025-12-03T16:10:57.132509Z" } }, "outputs": [ { "data": { "text/plain": [ "Lets-Plot Kotlin API v.4.12.0. Frontend: Notebook with dynamically loaded JS. Lets-Plot JS v.4.8.1.\n", "Outputs: Web (HTML+JS), Kotlin Notebook (Swing), Static SVG (hidden)" ] }, "execution_count": 2, "metadata": {}, "output_type": "execute_result" } ], "source": [ "LetsPlot.getInfo()" ] }, { "cell_type": "markdown", "id": "2a51cb88-6706-4266-a2c0-794dad6ef810", "metadata": {}, "source": [ "# Customizing `geomPie()` with `start` and `direction` Parameters\n", "Two new parameters have been added to the `geomPie()` function:\n", "\n", "- `start`: specifies the starting angle of the first slice in degrees (0-360°)\n", "- `direction`: controls sector layout direction (1 for clockwise or -1 for counterclockwise)\n", "\n", "Previously, pie charts were limited by fixed positioning where the second slice always started at 0° and all slices were arranged clockwise. \n", "These new parameters provide precise control over slice positioning and orientation. " ] }, { "cell_type": "code", "execution_count": 3, "id": "83168fbc-3b0d-4899-998b-5339d4edc47f", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:57.135479Z", "iopub.status.busy": "2025-12-03T16:10:57.134918Z", "iopub.status.idle": "2025-12-03T16:10:57.755294Z", "shell.execute_reply": "2025-12-03T16:10:57.755414Z" } }, "outputs": [ { "data": { "application/kotlindataframe+json": "{\"nrow\":3,\"ncol\":2,\"columns\":[\"Country\",\"GDP_2025_Trillion_USD\"],\"is_formatted\":false,\"kotlin_dataframe\":[{\"Country\":\"United States\",\"GDP_2025_Trillion_USD\":30.34},{\"Country\":\"China\",\"GDP_2025_Trillion_USD\":19.53},{\"Country\":\"Germany\",\"GDP_2025_Trillion_USD\":4.92}]}", "text/html": [ " \n", " \n", " \n", " \n", " \n", "
\n", "\n", "

DataFrame: rowsCount = 3, columnsCount = 2

\n", "
CountryGDP_2025_Trillion_USD
United States30.340000
China19.530000
Germany4.920000
\n", " \n", " \n", " " ] }, "execution_count": 3, "metadata": {}, "output_type": "execute_result" } ], "source": [ "val gdp = DataFrame.readCSV(\"https://raw.githubusercontent.com/JetBrains/lets-plot/refs/heads/master/docs/f-25a/data/gdp_forecast_2025_trillion_usd.csv\")\n", "gdp.head(3)" ] }, { "cell_type": "code", "execution_count": 4, "id": "9005245d-7b76-4c98-a560-1cc124b3d75e", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:57.756810Z", "iopub.status.busy": "2025-12-03T16:10:57.756622Z", "iopub.status.idle": "2025-12-03T16:10:57.851222Z", "shell.execute_reply": "2025-12-03T16:10:57.850952Z" } }, "outputs": [], "source": [ "val p = letsPlot(gdp.toMap()) { \n", " fill=\"Country\"\n", "} + \n", " ggtitle(\n", " \"GDP forecast 2025 (trillion US$) by country\", \n", " subtitle=\"\"\"Source: Wikipedia\"\"\"\n", " ) + \n", " scaleFillGradient(low=\"blue\", high=\"yellow\") + \n", " themeVoid() + \n", " theme(plotTitle=elementText(hjust=0.5), plotSubtitle=elementText(hjust=0.5))" ] }, { "cell_type": "markdown", "id": "a7e003fa-b531-498a-abdc-f80aaf1d85ca", "metadata": {}, "source": [ "#### 1. Auto-layout\n", "\n", "By default, the first sector is positioned counterclockwise from the start point (12 o’clock), while the remaining sectors are arranged clockwise." ] }, { "cell_type": "code", "execution_count": 5, "id": "d97a17aa-aaa6-4c00-b52e-3d728f12d7b3", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:57.852719Z", "iopub.status.busy": "2025-12-03T16:10:57.852487Z", "iopub.status.idle": "2025-12-03T16:10:58.121954Z", "shell.execute_reply": "2025-12-03T16:10:58.122038Z" } }, "outputs": [ { "data": { "text/html": [ "
\n", " " ] }, "metadata": {}, "output_type": "display_data" }, { "data": { "application/plot+json": { "apply_color_scheme": true, "output": { "data": { "Country": [ "United States", "China", "Germany", "Japan", "India", "United Kingdom", "France", "Italy", "Canada", "Brazil" ], "GDP_2025_Trillion_USD": [ 30.34, 19.53, 4.92, 4.39, 4.27, 3.73, 3.28, 2.46, 2.33, 2.31 ] }, "data_meta": { "series_annotations": [ { "column": "Country", "type": "str" }, { "column": "GDP_2025_Trillion_USD", "type": "float" } ] }, "ggtitle": { "subtitle": "Source: Wikipedia", "text": "GDP forecast 2025 (trillion US$) by country" }, "kind": "plot", "layers": [ { "geom": "pie", "mapping": { "slice": "GDP_2025_Trillion_USD" }, "position": "identity", "size": 0.6, "size_unit": "x", "stat": "identity" } ], "mapping": { "fill": "Country" }, "scales": [ { "aesthetic": "fill", "high": "yellow", "low": "blue", "scale_mapper_kind": "color_gradient" } ], "theme": { "axis": { "blank": true }, "line": { "blank": true }, "name": "classic", "plot_subtitle": { "blank": false, "hjust": 0.5 }, "plot_title": { "blank": false, "hjust": 0.5 } } }, "output_type": "lets_plot_spec", "swing_enabled": true }, "text/html": [ "
\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " GDP forecast 2025 (trillion US$) by country\n", " \n", " \n", " \n", " \n", " Source: Wikipedia\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Country\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United States\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " China\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Germany\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Japan\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " India\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United Kingdom\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " France\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Italy\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Canada\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Brazil\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "\n", " " ] }, "execution_count": 5, "metadata": {}, "output_type": "execute_result" } ], "source": [ "p + geomPie(size=.6, sizeUnit=\"x\", stat=Stat.identity) {\n", " slice=\"GDP_2025_Trillion_USD\"\n", "}" ] }, { "cell_type": "markdown", "id": "4382ac18-b018-4ed5-97ea-32fa2c7c0a37", "metadata": {}, "source": [ "#### 2. `direction`\n", "Use `1` for clockwise (default) or `-1` for counterclockwise." ] }, { "cell_type": "code", "execution_count": 6, "id": "10042f4d-0ff8-44e6-a287-baa77c8c3088", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:58.123463Z", "iopub.status.busy": "2025-12-03T16:10:58.123056Z", "iopub.status.idle": "2025-12-03T16:10:58.173389Z", "shell.execute_reply": "2025-12-03T16:10:58.173255Z" } }, "outputs": [ { "data": { "application/plot+json": { "apply_color_scheme": true, "output": { "data": { "Country": [ "United States", "China", "Germany", "Japan", "India", "United Kingdom", "France", "Italy", "Canada", "Brazil" ], "GDP_2025_Trillion_USD": [ 30.34, 19.53, 4.92, 4.39, 4.27, 3.73, 3.28, 2.46, 2.33, 2.31 ] }, "data_meta": { "series_annotations": [ { "column": "Country", "type": "str" }, { "column": "GDP_2025_Trillion_USD", "type": "float" } ] }, "ggtitle": { "subtitle": "Source: Wikipedia", "text": "GDP forecast 2025 (trillion US$) by country" }, "kind": "plot", "layers": [ { "direction": -1.0, "geom": "pie", "mapping": { "slice": "GDP_2025_Trillion_USD" }, "position": "identity", "size": 0.6, "size_unit": "x", "stat": "identity" } ], "mapping": { "fill": "Country" }, "scales": [ { "aesthetic": "fill", "high": "yellow", "low": "blue", "scale_mapper_kind": "color_gradient" } ], "theme": { "axis": { "blank": true }, "line": { "blank": true }, "name": "classic", "plot_subtitle": { "blank": false, "hjust": 0.5 }, "plot_title": { "blank": false, "hjust": 0.5 } } }, "output_type": "lets_plot_spec", "swing_enabled": true }, "text/html": [ "
\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " GDP forecast 2025 (trillion US$) by country\n", " \n", " \n", " \n", " \n", " Source: Wikipedia\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Country\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United States\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " China\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Germany\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Japan\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " India\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United Kingdom\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " France\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Italy\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Canada\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Brazil\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "\n", " " ] }, "execution_count": 6, "metadata": {}, "output_type": "execute_result" } ], "source": [ "p + geomPie(size=.6, sizeUnit=\"x\", stat=Stat.identity,\n", " direction=-1) { // <-- counterclockwise \n", " slice=\"GDP_2025_Trillion_USD\" \n", "}" ] }, { "cell_type": "markdown", "id": "e59fde8d-9125-4026-aaca-cd883ece4f22", "metadata": {}, "source": [ "#### 2. `start`\n", "Specifies the starting angle of the first slice in degrees." ] }, { "cell_type": "code", "execution_count": 7, "id": "2070d067-21a6-4d22-87d4-26fff9c700ec", "metadata": { "execution": { "iopub.execute_input": "2025-12-03T16:10:58.174330Z", "iopub.status.busy": "2025-12-03T16:10:58.174159Z", "iopub.status.idle": "2025-12-03T16:10:58.276545Z", "shell.execute_reply": "2025-12-03T16:10:58.276676Z" } }, "outputs": [ { "data": { "application/plot+json": { "apply_color_scheme": true, "output": { "figures": [ { "data": { "Country": [ "United States", "China", "Germany", "Japan", "India", "United Kingdom", "France", "Italy", "Canada", "Brazil" ], "GDP_2025_Trillion_USD": [ 30.34, 19.53, 4.92, 4.39, 4.27, 3.73, 3.28, 2.46, 2.33, 2.31 ] }, "data_meta": { "series_annotations": [ { "column": "Country", "type": "str" }, { "column": "GDP_2025_Trillion_USD", "type": "float" } ] }, "ggtitle": { "text": "Auto" }, "kind": "plot", "layers": [ { "geom": "pie", "mapping": { "slice": "GDP_2025_Trillion_USD" }, "position": "identity", "size": 0.6, "size_unit": "x", "stat": "identity" } ], "mapping": { "fill": "Country" }, "scales": [ { "aesthetic": "fill", "high": "yellow", "low": "blue", "scale_mapper_kind": "color_gradient" } ], "theme": { "axis": { "blank": true }, "line": { "blank": true }, "name": "classic", "plot_subtitle": { "blank": false, "hjust": 0.5 }, "plot_title": { "blank": false, "hjust": 0.5 } } }, { "data": { "Country": [ "United States", "China", "Germany", "Japan", "India", "United Kingdom", "France", "Italy", "Canada", "Brazil" ], "GDP_2025_Trillion_USD": [ 30.34, 19.53, 4.92, 4.39, 4.27, 3.73, 3.28, 2.46, 2.33, 2.31 ] }, "data_meta": { "series_annotations": [ { "column": "Country", "type": "str" }, { "column": "GDP_2025_Trillion_USD", "type": "float" } ] }, "ggtitle": { "text": "start=0" }, "kind": "plot", "layers": [ { "geom": "pie", "mapping": { "slice": "GDP_2025_Trillion_USD" }, "position": "identity", "size": 0.6, "size_unit": "x", "start": 0.0, "stat": "identity" } ], "mapping": { "fill": "Country" }, "scales": [ { "aesthetic": "fill", "high": "yellow", "low": "blue", "scale_mapper_kind": "color_gradient" } ], "theme": { "axis": { "blank": true }, "line": { "blank": true }, "name": "classic", "plot_subtitle": { "blank": false, "hjust": 0.5 }, "plot_title": { "blank": false, "hjust": 0.5 } } }, { "data": { "Country": [ "United States", "China", "Germany", "Japan", "India", "United Kingdom", "France", "Italy", "Canada", "Brazil" ], "GDP_2025_Trillion_USD": [ 30.34, 19.53, 4.92, 4.39, 4.27, 3.73, 3.28, 2.46, 2.33, 2.31 ] }, "data_meta": { "series_annotations": [ { "column": "Country", "type": "str" }, { "column": "GDP_2025_Trillion_USD", "type": "float" } ] }, "ggtitle": { "text": "start=180" }, "kind": "plot", "layers": [ { "geom": "pie", "mapping": { "slice": "GDP_2025_Trillion_USD" }, "position": "identity", "size": 0.6, "size_unit": "x", "start": 180.0, "stat": "identity" } ], "mapping": { "fill": "Country" }, "scales": [ { "aesthetic": "fill", "high": "yellow", "low": "blue", "scale_mapper_kind": "color_gradient" } ], "theme": { "axis": { "blank": true }, "line": { "blank": true }, "name": "classic", "plot_subtitle": { "blank": false, "hjust": 0.5 }, "plot_title": { "blank": false, "hjust": 0.5 } } } ], "kind": "subplots", "layout": { "align": false, "fit": true, "name": "grid", "ncol": 3, "nrow": 1 } }, "output_type": "lets_plot_spec", "swing_enabled": true }, "text/html": [ "
\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Auto\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Country\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United States\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " China\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Germany\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Japan\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " India\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United Kingdom\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " France\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Italy\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Canada\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Brazil\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " start=0\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Country\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United States\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " China\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Germany\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Japan\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " India\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United Kingdom\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " France\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Italy\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Canada\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Brazil\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " start=180\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Country\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United States\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " China\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Germany\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Japan\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " India\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " United Kingdom\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " France\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Italy\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Canada\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " Brazil\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "\n", " " ] }, "execution_count": 7, "metadata": {}, "output_type": "execute_result" } ], "source": [ "gggrid(listOf(\n", " p + geomPie(size=.6, sizeUnit=\"x\", stat=Stat.identity) { slice=\"GDP_2025_Trillion_USD\" } + ggtitle(\"Auto\"),\n", " p + geomPie(size=.6, sizeUnit=\"x\", stat=Stat.identity, start=0) { slice=\"GDP_2025_Trillion_USD\" } + ggtitle(\"start=0\"),\n", " p + geomPie(size=.6, sizeUnit=\"x\", stat=Stat.identity, start=180) { slice=\"GDP_2025_Trillion_USD\" } + ggtitle(\"start=180\")\n", "))" ] } ], "metadata": { "kernelspec": { "display_name": "Kotlin", "language": "kotlin", "name": "kotlin" }, "language_info": { "codemirror_mode": "text/x-kotlin", "file_extension": ".kt", "mimetype": "text/x-kotlin", "name": "kotlin", "nbconvert_exporter": "", "pygments_lexer": "kotlin", "version": "2.2.20-Beta2" } }, "nbformat": 4, "nbformat_minor": 5 }