python数据可视化方法和库

之前的文章中学习了matplotlib和seaborn两种可视化库，但是实际工作由于自身问题其实直接调用pandas的接口比较多（直接df.plot()），然而根据实际可能图片的要求进行一些legend和label的改动。并且并不熟练！
由于在网上看到许多酷炫的可视化图片以及动态图表的展示，因此此文主要为之后的数据分析可视化使用做一个参考。
目前可视化的库和网站很多，针对个人可能会用到：
1.在线编辑可视化图表和动态图了解有：
(1).Flourish，其是一个在线数据可视化网站，可以快速地把表格数据转化为各种好看的图表，并且他提供的Bar Chart Race(动态条形图)有一套完整的参数可供自己绘制自己想要的动态图。绘制完成后可以发布并且嵌入网页或PPT。(收费)
(2).Hanabi花火在线可视化工具，可以把动态条形图导出位GIF和MP4格式(免费)
(3).海致BDP同为在线可视化工具。（个人版免费）

2.python目前主要是Bokeh和pyecharts两个库。
Bokeh：
官网链接：bokeh.org/
GitHub链接：github.com/bokeh/bokeh（汉化：https://github.com/DonaldDai/Bokeh-CN）
pyecharts：
官网链接：https://pyecharts.org/#/zh-cn/intro
GitHub链接：https://github.com/pyecharts/pyecharts
待更新

在此针对pyecharts进行介绍以及日后使用。
pyecharts：转载地图绘制官方文档：pyecharts
在此对pyecharts做一些介绍，主要参考文档以及相关大神博客参考博客
基本参数介绍:
add() 主要方法，用于添加图表的数据和设置各种配置项

show_config() 打印输出图表的所有配置项

render() 默认将会在根目录下生成一个 render.html 的文件，支持 path 参数，设置文件保存位置，如 render(r"e:my_first_chart.html")，文件用浏览器打开。

基本上所有的图表类型都是这样绘制的：
1.chart_name = Type() 初始化具体类型图表。
2.add() 加数据及配置项。
3.render() 生成 .html 文件。

柱状图：

from pyecharts.charts import Bar
from pyecharts import options as opts
bar = (
Bar().add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"]).add_yaxis("商家A",[114, 55, 27, 101, 125, 27, 105]).add_yaxis("商家B",[57, 134, 137, 129, 145, 60, 49]).set_global_opts(title_opts = opts.TitleOpts(title = "某商场销售情况"))
)
bar.render(r"C:\Users\yunda\Desktop\11.html").reversal_axis()#横向柱状图，类似barh

import pyecharts.options as opts
from pyecharts.charts import Bar, Linex_data = ["1月", "2月", "3月", "4月", "5月", "6月", "7月", "8月", "9月", "10月", "11月", "12月"]bar = (Bar(init_opts=opts.InitOpts(width="1600px", height="800px")).add_xaxis(xaxis_data=x_data).add_yaxis(series_name="蒸发量",yaxis_data=[2.0,4.9,7.0,23.2,25.6,76.7,135.6,162.2,32.6,20.0,6.4,3.3,],label_opts=opts.LabelOpts(is_show=False),).add_yaxis(series_name="降水量",yaxis_data=[2.6,5.9,9.0,26.4,28.7,70.7,175.6,182.2,48.7,18.8,6.0,2.3,],label_opts=opts.LabelOpts(is_show=False),).extend_axis(yaxis=opts.AxisOpts(name="温度",type_="value",min_=0,max_=25,interval=5,axislabel_opts=opts.LabelOpts(formatter="{value} °C"),)).set_global_opts(tooltip_opts=opts.TooltipOpts(is_show=True, trigger="axis", axis_pointer_type="cross"),xaxis_opts=opts.AxisOpts(type_="category",axispointer_opts=opts.AxisPointerOpts(is_show=True, type_="shadow"),),yaxis_opts=opts.AxisOpts(name="水量",type_="value",min_=0,max_=250,interval=50,axislabel_opts=opts.LabelOpts(formatter="{value} ml"),axistick_opts=opts.AxisTickOpts(is_show=True),splitline_opts=opts.SplitLineOpts(is_show=True),),)
)line = (Line().add_xaxis(xaxis_data=x_data).add_yaxis(series_name="平均温度",yaxis_index=1,y_axis=[2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2],label_opts=opts.LabelOpts(is_show=False),)
)bar.overlap(line).render("mixed_bar_and_line.html")

词云：

import pyecharts.options as opts
from pyecharts.charts import WordClouddata = [("生活资源", "999"),("供热管理", "888"),("供气质量", "777"),("生活用水管理", "688"),("一次供水问题", "588"),("交通运输", "516"),("城市交通", "515"),("环境保护", "483"),("房地产管理", "462"),("城乡建设", "449"),("社会保障与福利", "429"),("社会保障", "407"),("文体与教育管理", "406"),("公共安全", "406"),("公交运输管理", "386"),("出租车运营管理", "385"),("供热管理", "375"),("市容环卫", "355"),("自然资源管理", "355"),("粉尘污染", "335"),("噪声污染", "324"),("土地资源管理", "304"),("物业服务与管理", "304"),("医疗卫生", "284"),("粉煤灰污染", "284"),("占道", "284"),("供热发展", "254"),("农村土地规划管理", "254"),("生活噪音", "253"),("供热单位影响", "253"),("城市供电", "223"),("房屋质量与安全", "223"),("大气污染", "223"),("房屋安全", "223"),("文化活动", "223"),("拆迁管理", "223"),("公共设施", "223"),("供气质量", "223"),("供电管理", "223"),("燃气管理", "152"),("教育管理", "152"),("医疗纠纷", "152"),("执法监督", "152"),("设备安全", "152"),("政务建设", "152"),("县区、开发区", "152"),("宏观经济", "152"),("教育管理", "112"),("社会保障", "112"),("生活用水管理", "112"),("物业服务与管理", "112"),("分类列表", "112"),("农业生产", "112"),("二次供水问题", "112"),("城市公共设施", "92"),("拆迁政策咨询", "92"),("物业服务", "92"),("物业管理", "92"),("社会保障保险管理", "92"),("低保管理", "92"),("文娱市场管理", "72"),("城市交通秩序管理", "72"),("执法争议", "72"),("商业烟尘污染", "72"),("占道堆放", "71"),("地上设施", "71"),("水质", "71"),("无水", "71"),("供热单位影响", "71"),("人行道管理", "71"),("主网原因", "71"),("集中供热", "71"),("客运管理", "71"),("国有公交（大巴）管理", "71"),("工业粉尘污染", "71"),("治安案件", "71"),("压力容器安全", "71"),("身份证管理", "71"),("群众健身", "41"),("工业排放污染", "41"),("破坏森林资源", "41"),("市场收费", "41"),("生产资金", "41"),("生产噪声", "41"),("农村低保", "41"),("劳动争议", "41"),("劳动合同争议", "41"),("劳动报酬与福利", "41"),("医疗事故", "21"),("停供", "21"),("基础教育", "21"),("职业教育", "21"),("物业资质管理", "21"),("拆迁补偿", "21"),("设施维护", "21"),("市场外溢", "11"),("占道经营", "11"),("树木管理", "11"),("农村基础设施", "11"),("无水", "11"),("供气质量", "11"),("停气", "11"),("市政府工作部门（含部门管理机构、直属单位）", "11"),("燃气管理", "11"),("市容环卫", "11"),("新闻传媒", "11"),("人才招聘", "11"),("市场环境", "11"),("行政事业收费", "11"),("食品安全与卫生", "11"),("城市交通", "11"),("房地产开发", "11"),("房屋配套问题", "11"),("物业服务", "11"),("物业管理", "11"),("占道", "11"),("园林绿化", "11"),("户籍管理及身份证", "11"),("公交运输管理", "11"),("公路（水路）交通", "11"),("房屋与图纸不符", "11"),("有线电视", "11"),("社会治安", "11"),("林业资源", "11"),("其他行政事业收费", "11"),("经营性收费", "11"),("食品安全与卫生", "11"),("体育活动", "11"),("有线电视安装及调试维护", "11"),("低保管理", "11"),("劳动争议", "11"),("社会福利及事务", "11"),("一次供水问题", "11"),
](WordCloud().add(series_name="热点分析", data_pair=data, word_size_range=[6, 66]).set_global_opts(title_opts=opts.TitleOpts(title="热点分析", title_textstyle_opts=opts.TextStyleOpts(font_size=23)),tooltip_opts=opts.TooltipOpts(is_show=True),).render("basic_wordcloud.html")
)

相关博客：链接
相关参数：链接
流向图参考：链接

由于对数据的处理主要依赖于pandas的库，因此在通过Pyecharts画图要遇到麻烦，可以使用eplotpandas中流畅的使用pyecharts

针对不同的图和函数（Bar(),Geo()）其中的add里的参数等可以使用help(Geo.add)查看。

dir(pyecharts.globals.ChartType)
dir(pyecharts.globals.SymbolType)
help(Geo.add)

以下是最新版本代码参考：

from pyecharts.charts import Geo
from pyecharts import options as opts
import pyecharts
from pyecharts.globals import ChartType, SymbolTypec = (Geo().add_schema(maptype="china").add("",[("深圳", 120), ("哈尔滨", 66), ("杭州", 77), ("重庆", 88), ("上海", 100), ("乌鲁木齐", 30),("北京", 30),("武汉",70)],type_=ChartType.EFFECT_SCATTER,color="green",).add("geo",[("北京", "上海"), ("武汉", "深圳"),("重庆", "杭州"),("哈尔滨", "重庆"),("乌鲁木齐", "哈尔滨"),("深圳", "乌鲁木齐"),("武汉", "北京")],type_=ChartType.LINES,effect_opts=opts.EffectOpts(symbol=SymbolType.ARROW, symbol_size=6, color="blue"),linestyle_opts=opts.LineStyleOpts(curve=0.2),).set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="全国主要城市航班路线和数量")))c.render(r"C:\Users\yunda\Desktop\11.html")

from pyecharts import options as opts
from pyecharts.charts import Geo, Page
from pyecharts.globals import ChartType, SymbolType#定义地理图
geo = Geo()
#设置画布宽度
geo.width = "800px"
#设置画布高度
geo.height = "600px"
#全局设置项
geo.set_global_opts(visualmap_opts = opts.VisualMapOpts(max_=100),title_opts=opts.TitleOpts(title="Geo-流向图"))
#添加主题，中国地图，填充及边界颜色设置
geo.add_schema(maptype="china",itemstyle_opts=opts.ItemStyleOpts( border_color="#111", color="#454545"),)
#添加系列
geo.add("",[("成都",10),("合肥",20),("宁波",30),("武汉",40),("西安",50),("郑州",60),("大连",70),("济南",80)],type_=ChartType.EFFECT_SCATTER,             #散点图的一种形式label_opts=opts.LabelOpts(is_show = True),   #不显示数值则设置为False#  color="red")
geo.add("",[("北京", 100), ("上海", 100)],type_=ChartType.HEATMAP,       #散点的另一种形式label_opts=opts.LabelOpts(is_show=False))
#设置流向
geo.add("流向图",[("上海","成都"),("上海","合肥"),("上海","宁波"),("上海","武汉"),("上海","西安"),("北京","郑州"),("北京","大连"),("北京","济南")],type_=ChartType.LINES,linestyle_opts=opts.LineStyleOpts(curve=0.3,color="#63B8FF"),   #基本线条的弯曲程度及颜色，英文及RGB都行effect_opts=opts.EffectOpts(symbol=SymbolType.ARROW, symbol_size=6, color="#FF7F00")  # 流向线条的形式、颜色)
#生成图片
geo.render(r"C:\Users\yunda\Desktop\22.html")

python数据可视化方法和库相关推荐

Python数据可视化之Plotnine库超详细教程系列
Python数据可视化之Plotnine库超详细教程系列(一):概述一.Plotnine库简介 ggplot2包奠定了R语言数据可视化在数据科学中的地位,数据可视化一直是Python的短板,即使有M ...
python concat函数多张表_最全Python数据工具箱：标准库、第三方库和外部工具都在这里了 - Mr_YJY...
导读:Python数据工具箱涵盖从数据源到数据可视化的完整流程中涉及到的常用库.函数和外部工具.其中既有Python内置函数和标准库,又有第三方库和工具.这些库可用于文件读写.网络抓取和解析.数据连接 ...
Python数据可视化，Pyecharts库，外圆环内饼图制作
一.导入需要的库 from pyecharts.charts import Pie import pyecharts.options as opts import pandas as pd 二.导入数 ...
Python数据可视化 - 使用Dash库制作杭州数据分析师岗位招聘情况可交互网页报告(附代码下载)
dash dash不同于flask或者Django,具备少量的前端知识即可制作可视化网页,下图为本人制作的数据分析师岗位招聘情况可视化网页. 文末附网盘下载经过清洗后的数据与可视化网页的代码. 交互 ...
Python数据可视化：pyecharts库绘制K线图
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. 以下文章来源于菜J学Python ,作者王小王-123 Python爬虫.数据分析.网站开发等案例 ...
Python 数据可视化利器 plus（plotly ）
概述前言推荐 plotly bokeh pyecharts 后记前言更新:上一篇文章<python 数据可视化利器>中,我写了 bokeh.pyecharts 的用法,但是有一个挺 ...
Python数据可视化的四种简易方法
2019独角兽企业重金招聘Python工程师标准>>> 摘要: 本文讲述了热图.二维密度图.蜘蛛图.树形图这四种Python数据可视化方法. 数据可视化是任何数据科学或机器学习项目的 ...
Python数据可视化的四种简易方法 1
摘要: 本文讲述了热图.二维密度图.蜘蛛图.树形图这四种Python数据可视化方法. 数据可视化是任何数据科学或机器学习项目的一个重要组成部分.人们常常会从探索数据分析(EDA)开始,来深入了解数据, ...
python利器-Python 数据可视化利器
原标题:Python 数据可视化利器 (给Python开发者加星标,提升Python技能) 作者:zone7(本文来自作者投稿,简介见末尾) 概述前言推荐 plotly bokeh pyechar ...
python数据可视化是什么_Python数据可视化的四种简易方法
数据可视化是任何数据科学或机器学习项目的一个重要组成部分.人们常常会从探索数据分析(EDA)开始,来深入了解数据,并且创建可视化确实有助于让问题更清晰和更容易理解,尤其是对于那些较大的高维度数据集.在 ...

python数据可视化方法和库

python数据可视化方法和库相关推荐

最新文章

热门文章