数据可视化--pyecharts学习 基本图表的建立

 

国内建议使用下面的镜像安装

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts

 

当你使用的是python2.x时，请务必插入此代码：

from __future__ import unicode_literals

当你使用的是python3.x时，请务必粉我一下！

 

 

 

参考pyechart官方文档：http://pyecharts.org/#/zh-cn/

一切以官方为准！！！

当然里面也有一些错误，比如：Polar-Love这个部分函数命名错误

迈出可视第一步，数据分析不是事。

 

 

使用的【基本要领】在于：

  1. 导入相关图表包

  2. 进行图表的基础设置，创建图表对象

  3. 利用add()方法进行数据输入与图表设置(可以使用print_echarts_options()来输出所有可配置项)

  4. 利用render()方法来进行图表保存

 

 

新的版本有了很多的调整，请具体参照官方文档

比如使用  

  from pyecharts.charts import Bar

 代替  

 from pyecharts import Bar

 

 

 

 

 

如果想在直接生成html文件，需要调用.render("xxx.html")函数

 如果想在notebook中直接展示图表，需要调用render_notebook()函数

 如果想要绘制出基本的图形，需要调用make_snapshot(snapshot, bar.render(), "bar.png") ，其中需要安装对应的浏览器的驱动

Note: 在使用 Pandas&Numpy 时，请确保将数值类型转换为 python 原生的 int/float。比如整数类型请确保为 int，而不是 numpy.int32

 

 

 

新版本基本用法

直接参照最新官网的案例，挑选自己合适的demo进行改装即可

from pyecharts.charts import Bar

bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
# 也可以传入路径参数，如 bar.render("mycharts.html")
bar.render()

 在notebook里面可以使用bar.render_notebook()直接可视化

 

以下是目前的可视化项目的大类，具体的还有小类，根据不同的数据特点来选择不同的项目

  • 基本图表
    • Calendar：日历图
    • Funnel：漏斗图
    • Gauge：仪表盘
    • Graph：关系图
    • Liquid：水球图
    • Parallel：平行坐标系
    • Pie：饼图
    • Polar：极坐标系
    • Radar：雷达图
    • Sankey：桑基图
    • Sunburst：旭日图
    • ThemeRiver：主题河流图
    • WordCloud：词云图
  • 直角坐标系图表
    • Bar：柱状图/条形图
    • Boxplot：箱形图
    • EffectScatter：涟漪特效散点图
    • HeatMap：热力图
    • Kline/Candlestick：K线图
    • Line：折线/面积图
    • PictorialBar：象形柱状图
    • Scatter：散点图
    • Overlap：层叠多图
  • 树型图表
    • Tree：树图
    • TreeMap：矩形树图
  • 地理图表
    • Geo：地理坐标系
    • Map：地图
    • BMap：百度地图 
  • 3D 图表
    • Bar3D：3D柱状图
    • Line3D：3D折线图
    • Scatter3D：3D散点图
    • Surface3D：3D曲面图
  • 组合图表
    • Grid：并行多图
    • Page：顺序多图
    • Tab：选项卡多图
    • Timeline：时间线轮播多图
  • HTML 组件
    • Component 通用配置项
    • Table：表格
    • Image：图像

 

pyecharts 对配置项基本上都采用 XXXOpts/XXXItems 以及 dict 两种数据形式，这两种是完全等价的。

比如下面三者效果是一致的

c = Bar(init_opts=opts.InitOpts(width="620px", height="420px"))
c = Bar(dict(width="620px", height="420px"))
c = Bar({"width": "620px", "height": "420px"})

 

将数据传入到 pyecharts 的时候，需要自行将数据格式转换成上述 Python 原生的数据格式。使用数据分析大都需要使用 numpy/pandas，但是 numpy 的 numpy.int64/numpy.int32/... 等数据类型并不继承自 Python.int。

Q1: 如何转换？

# for int
[int(x) for x in your_numpy_array_or_something_else]
# for float
[float(x) for x in your_numpy_array_or_something_else]
# for str
[str(x) for x in your_numpy_array_or_something_else]

Q2: 有没有更方便的转换方法？

Series.tolist()

 

老式版本基本用法

我们先创建一组数据

//设置行名
columns = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
//设置数据
data1 = [2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]
data2 = [2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]

柱状图-Bar

//导入柱状图-Bar
from pyecharts import Bar
//设置柱状图的主标题与副标题
bar = Bar("柱状图", "一年的降水量与蒸发量")
//添加柱状图的数据及配置项
bar.add("降水量", columns, data1, mark_line=["average"], mark_point=["max", "min"])
bar.add("蒸发量", columns, data2, mark_line=["average"], mark_point=["max", "min"])
//生成本地文件（默认为.html文件）
bar.render()

饼图-Pie

//导入饼图Pie
from pyecharts import Pie
//设置主标题与副标题，标题设置居中，设置宽度为900
pie = Pie("饼状图", "一年的降水量与蒸发量",title_pos='center',width=900)
//加入数据，设置坐标位置为【25，50】，上方的colums选项取消显示
pie.add("降水量", columns, data1 ,center=[25,50],is_legend_show=False)
//加入数据，设置坐标位置为【75，50】，上方的colums选项取消显示，显示label标签
pie.add("蒸发量", columns, data2 ,center=[75,50],is_legend_show=False,is_label_show=True)
//保存图表
pie.render()

箱体图-Boxplot

//导入箱型图Boxplot
from pyecharts import Boxplot 
boxplot = Boxplot("箱形图", "一年的降水量与蒸发量")
x_axis = ['降水量','蒸发量']
y_axis = [data1,data2]
//prepare_data方法可以将数据转为嵌套的 [min, Q1, median (or Q2), Q3, max]
yaxis = boxplot.prepare_data(y_axis)       
boxplot.add("天气统计", x_axis, _yaxis)
boxplot.render()

 


折线图-Line

from pyecharts import Line
line = Line("折线图","一年的降水量与蒸发量")
//is_label_show是设置上方数据是否显示
line.add("降水量", columns, data1, is_label_show=True)
line.add("蒸发量", columns, data2, is_label_show=True)
line.render()

雷达图-Rader

from pyecharts import Radar
radar = Radar("雷达图", "一年的降水量与蒸发量")
//由于雷达图传入的数据得为多维数据，所以这里需要做一下处理
radar_data1 = [[2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]]
radar_data2 = [[2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]]
//设置column的最大值，为了雷达图更为直观，这里的月份最大值设置有所不同
schema = [ 
    ("Jan", 5), ("Feb",10), ("Mar", 10),
    ("Apr", 50), ("May", 50), ("Jun", 200),
    ("Jul", 200), ("Aug", 200), ("Sep", 50),
    ("Oct", 50), ("Nov", 10), ("Dec", 5)
]
//传入坐标
radar.config(schema)
radar.add("降水量",radar_data1)
//一般默认为同一种颜色，这里为了便于区分，需要设置item的颜色
radar.add("蒸发量",radar_data2,item_color="#1C86EE")
radar.render()

散点图-scatter

from pyecharts import Scatter
scatter = Scatter("散点图", "一年的降水量与蒸发量")
//xais_name是设置横坐标名称，这里由于显示问题，还需要将y轴名称与y轴的距离进行设置
scatter.add("降水量与蒸发量的散点分布", data1,data2,xaxis_name="降水量",yaxis_name="蒸发量",
            yaxis_name_gap=40)
scatter.render()

 

 

图表布局 Grid(1)---单独的表格

from pyecharts import Grid
//设置折线图标题位置
line = Line("折线图","一年的降水量与蒸发量",title_top="45%")
line.add("降水量", columns, data1, is_label_show=True)
line.add("蒸发量", columns, data2, is_label_show=True)
grid = Grid()
//设置两个图表的相对位置
grid.add(bar, grid_bottom="60%")
grid.add(line, grid_top="60%")
grid.render()

图表布局 Grid(2)--合并的表格

from pyecharts import Overlap
overlap = Overlap()
bar = Bar("柱状图-折线图合并", "一年的降水量与蒸发量")
bar.add("降水量", columns, data1, mark_point=["max", "min"])
bar.add("蒸发量", columns, data2, mark_point=["max", "min"])
overlap.add(bar)
overlap.add(line)
overlap.render()

 

 

 

 

 

 

使用pyecharts绘制交互式动态地图

python调用echart交互式可视化

 

参考博文：

https://www.jianshu.com/p/52dbe714d2f6

https://blog.csdn.net/weixin_42232219/article/details/90631442

https://www.jianshu.com/p/554d64470ec9

posted @ 2020-02-26 20:46  星涅爱别离  阅读(2209)  评论(0)  编辑  收藏  举报