python数据可视化神器--pyecharts 快速入门
前言
本文首发于本人公众号【Python编程与实战】
我们都知道python上的一款可视化工具 matplotlib , 但是它是静态的。后来发现了 pyecharts 模块,简直好用到不行,可视化类型非常多,它是基于 Echarts 开发的。
Echarts 是百度开源的一个数据可视化 JS 库,凭借着良好的交互性,精巧的图表设计,得到了众多开发者的认可。而 Python,很适合用于数据处理。当数据分析遇上数据可视化时,pyecharts 就诞生了。
下面带大家快速了解 pyecharts 以及基本使用方法:
✨ 特性
- 简洁的 API 设计,使用如丝滑般流畅,支持链式调用
- 囊括了 30+ 种常见图表,应有尽有
- 支持主流 Notebook 环境,Jupyter Notebook 和 JupyterLab
- 可轻松集成至 Flask,Django 等主流 Web 框架
- 高度灵活的配置项,可轻松搭配出精美的图表
- 详细的文档和示例,帮助开发者更快的上手项目
- 多达 400+ 地图,为地理数据可视化提供强有力的支持
✨ 安装
1pip install pyecharts
注意:pyecharts 共有两个版本,v0.5.X 和 V1.0.X 间完全不兼容,且v0.5.X版本作者已经不维护了,请使用V1.0.X
Bar:柱状图/条形图
柱状图对应的模块是 Bar
除此之外可以设置全局配置和系列配置项。配置项都是基于 options
示例代码:
1# coding: utf-82from example.commons import Faker3from pyecharts import options as opts4from pyecharts.charts import Bar56def bar_base():78 bar = Bar(init_opts=opts.InitOpts(page_title="bar页面")) # 设置html页面标题9 # bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]) # 设置x轴的参数
10
11 bar.add_xaxis(Faker.choose())
12 bar.add_yaxis("A", Faker.values())
13 bar.add_yaxis("B", Faker.values())
14
15 # 设置全局配置项,可选
16 bar.set_global_opts(opts.TitleOpts(title="主标题", subtitle="副标题"))
17 # render 会生成本地 HTML 文件,默认会在当前目录生成 render.html 文件
18 bar.render("bar.html") # 也可以自己指定文件名
19
20if __name__ == "__main__":
21 bar_base()
运行代码后会在当前目录生成一个 ”bar.html“ 的文件,我们在浏览器中打开它。效果图如下:
、
生成的页面支持-点击取消显示某 Series
除了上述的使用方法之外,pyecharts 所有方法均支持链式调用!
翻转XY轴
代码如下:
1 def bar_reversal_axis() -> Bar:23 # pyecharts 所有方法均支持链式调用。4 c = (5 Bar(init_opts=opts.InitOpts(page_title="bar页面"))6 .add_xaxis(Faker.choose())7 .add_yaxis("商家A", Faker.values())8 .add_yaxis("商家B", Faker.values())9 .reversal_axis()
10 .set_global_opts(toolbox_opts=opts.ToolboxOpts()) # 设置工具箱配置项
11 .set_series_opts(label_opts=opts.LabelOpts(position="right")) # 系列配置项
12 .set_global_opts(title_opts=opts.TitleOpts(title="Bar-翻转 XY 轴")) # 全局配置项
13 )
14 return c
15
16
17if __name__ == "__main__":
18 bar_reversal_axis().render("bar.html")
效果图如下:
部分堆叠数据
同个类目轴上系列配置相同的 stack 值可以堆叠放置
例如堆叠放置A,B的代码如下:
1 def bar_stack1() -> Bar:2 c = (3 Bar()4 .add_xaxis(Faker.choose())56 # 数据堆叠,同个类目轴上系列配置相同的 stack 值可以堆叠放置。7 # stack: Optional[str] = None,8 .add_yaxis("A", Faker.values(), stack="stack1")9 .add_yaxis("B", Faker.values(), stack="stack1")
10 .add_yaxis("C", Faker.values())
11 .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
12 .set_global_opts(title_opts=opts.TitleOpts(title="Bar-堆叠数据(部分)"))
13 )
14 return c
区域缩放配置项
1 def bar_datazoom_slider() -> Bar:2 c = (3 Bar(init_opts=opts.InitOpts(page_title="bar页面"))4 .add_xaxis(Faker.days_attrs)5 .add_yaxis("商家A", Faker.days_values)6 .set_global_opts(7 title_opts=opts.TitleOpts(title="Bar-DataZoom(slider-水平)"),8 datazoom_opts=[opts.DataZoomOpts(type_="slider",)]9 )
10 )
11 return c
效果图如下:
区域缩放配置项的设置方法在 DataZoomOpts 类中,我们可以点进去查看源码:
其中,主要用到的参数含义如下:
1 type_: str = "slider", # 组件类型,可选 "slider", "inside"
2 # 拖动时,是否实时更新系列的视图。如果设置为 false,则只在拖拽结束的时候更新。
3 is_realtime: bool = True,
4
5 # 布局方式是横还是竖。可选值为:'horizontal', 'vertical'
6 orient: str = "horizontal",
知道参数的含义后我们可以来试试效果
比如我们要将区域缩放布局改为竖,将 orient 定义为 vertical 即可,代码就不展示,可以自己动手试试!
效果图如下:
HeatMap:热力图
热力图主要通过颜色去表现数值的大小,必须要配合 visualMap 组件使用。
直角坐标系上必须要使用两个类目轴。
热力图使用的方法函数是 add_yaxis,下面是函数的用法说明:
i 1def add_yaxis(2 # 系列名称,用于 tooltip 的显示,legend 的图例筛选。3 series_name: str,45 # Y 坐标轴数据6 yaxis_data: Sequence,78 # 系列数据项9 value: Sequence,
10
11 # 是否选中图例
12 is_selected: bool = True,
13
14 # 使用的 x 轴的 index,在单个图表实例中存在多个 x 轴的时候有用。
15 xaxis_index: Optional[Numeric] = None,
16
17 # 使用的 y 轴的 index,在单个图表实例中存在多个 y 轴的时候有用。
18 yaxis_index: Optional[Numeric] = None,
19
20 # 标签配置项,参考 `series_options.LabelOpts`
21 label_opts: Union[opts.LabelOpts, dict] = opts.LabelOpts(),
22
23 # 标记点配置项,参考 `series_options.MarkPointOpts`
24 markpoint_opts: Union[opts.MarkPointOpts, dict, None] = None,
25
26 # 标记线配置项,参考 `series_options.MarkLineOpts`
27 markline_opts: Union[opts.MarkLineOpts, dict, None] = None,
28
29 # 提示框组件配置项,参考 `series_options.TooltipOpts`
30 tooltip_opts: Union[opts.TooltipOpts, dict, None] = None,
31
32 # 图元样式配置项,参考 `series_options.ItemStyleOpts`
33 itemstyle_opts: Union[opts.ItemStyleOpts, dict, None] = None,
34
35
其中series_name, yaxis_data, value 是三个必传参数
示例代码如下:
import random
from example.commons import Faker
from pyecharts import options as opts
from pyecharts.charts import HeatMapdef heatmap_base() -> HeatMap:value = [[i, j, random.randint(0, 50)] for i in range(24) for j in range(7)]c = (HeatMap().add_xaxis(Faker.clock).add_yaxis("series", Faker.week, value).set_global_opts(title_opts=opts.TitleOpts(title="HeatMap-基本示例"),visualmap_opts=opts.VisualMapOpts(), ))return cif __name__ == "__main__":heatmap_base().render("heatMap.html")
效果图如下:
WordCloud:词云图
词云图用的的方法函数是 add,使用方法如下:
1 def add(2 # 系列名称,用于 tooltip 的显示,legend 的图例筛选。3 series_name: str,45 # 系列数据项,[(word1, count1), (word2, count2)]6 data_pair: Sequence,78 # 词云图轮廓,有 'circle', 'cardioid', 'diamond', 'triangle-forward', 'triangle', 'pentagon', 'star' 可选9 shape: str = "circle",
10
11 # 单词间隔
12 word_gap: Numeric = 20,
13
14 # 单词字体大小范围
15 word_size_range=None,
16
17 # 旋转单词角度
18 rotate_step: Numeric = 45,
19
20 # 提示框组件配置项,参考 `series_options.TooltipOpts`
21 tooltip_opts: Union[opts.TooltipOpts, dict, None] = None,
22
23
其中series_name, data_pair, shape 是三个必传参数
示例代码如下:
# coding: utf-8
import randomfrom pyecharts.charts import WordCloud
from pyecharts import options as optswords = [("火箭", 10000),("勇士库里", 8888),("在你写这个教程之前,我已经会用了", 6181),("哈登", 6386),("金州拉文", 5055),("杜兰特", 6467),("戳眼", 2244),("NBA", 1868),("季后赛", 1484),("约老师", 1112),("利拉德", 865),("双卡双待", 847),("字母歌MVP", 5582),("卡哇伊", 555),("猛龙", 550),("大帝", 462),("西蒙斯不投三分", 366),("JB", 360),("科尔垃圾", 282),("格林公式", 273),("欧文", 2650),
]def wordcloud_base() -> WordCloud:c = (WordCloud().add("", words, word_size_range=[20, 50], shape="diamond", word_gap=10).set_global_opts(title_opts=opts.TitleOpts(title="WordCloud-shape-diamond")))return cif __name__ == "__main__":wordcloud_base().render("wordCloud.html")
效果图如下:
保存为图片
前面我们讲的几种图形生成方法,最后都保存成 html文件,pyecharts 还提供了保存为图片的方式
需要安装 snapshot_selenium,同时需要将浏览器驱动保存路径 cheromdriver.exe 加入到环境变量中
1pip install snapshot_selenium
示例代码如下:
1 # coding: utf-8
2 import random
3
4 from pyecharts.charts import WordCloud
5 from pyecharts import options as opts
6 from snapshot_selenium import snapshot as driver
7 from pyecharts.render import make_snapshot
8
9 words = [
10 ("火箭", 10000),
11 ("勇士库里", 8888),
12 ("在你写这个教程之前,我已经会用了", 6181),
13 ("哈登", 6386),
14 ("金州拉文", 5055),
15 ("杜兰特", 6467),
16 ("戳眼", 2244),
17 ("NBA", 1868),
18 ("季后赛", 1484),
19 ("约老师", 1112),
20 ("利拉德", 865),
21 ("双卡双待", 847),
22 ("字母歌MVP", 5582),
23 ("卡哇伊", 555),
24 ("猛龙", 550),
25 ("大帝", 462),
26 ("西蒙斯不投三分", 366),
27 ("JB", 360),
28 ("科尔垃圾", 282),
29 ("格林公式", 273),
30 ("欧文", 2650),
31]
32
33
34 def wordcloud_base() -> WordCloud:
35 c = (
36 WordCloud()
37 .add("", words, word_size_range=[20, 50], shape="diamond", word_gap=10)
38 .set_global_opts(title_opts=opts.TitleOpts(title="WordCloud-shape-diamond"))
39 )
40 return c
41
42
43 if __name__ == "__main__":
44 make_snapshot(driver, wordcloud_base().render(), "wordcloud.png")
45 # wordcloud_base().render("wordCloud.html")
最后会在当前目录生成一张 wordcloud.png 的图片
总结
1.根据自己想制作的图形,导入相关的包
2.进行图表的基础设置,创建图表对象
3.需要了解该图表对象下面的函数中参数的含义,及其使用方法
4.配置项主要是在 options中进行配置,有全局配置项和系列配置项,需要了解配置项下面对象含义使用方法
5.利用render()方法来报存图表
pyecharts 还有许多好玩的 3D图表 和 地图图表,由于篇幅有限,下篇将继续介绍 地图系玩法
python数据可视化神器--pyecharts 快速入门相关推荐
- Python 数据可视化神器—Pyecharts
今日分享主题:Python Pyecharts模块实现数据动态可视化分析 前言 Echarts 是百度开源的一款数据可视化 JS 工具,数据可视化类型十分丰富,但是得通过导入 js 库在 Java W ...
- python可视化库matplotlib_环境搭建 | Python 数据可视化库 Matplotlib 快速入门之一-阿里云开发者社区...
数据挖掘基础环境安装与使用 [学习目标] 完成数据挖掘基础阶段的所有环境安装 应用jupyter notebook完成代码编写运行 库的安装 学习目标 目标 搭建好数据挖掘基础阶段的环境 应用 无 整 ...
- Python 数据可视化神器分享:pyecharts
Python 数据可视化神器分享:pyecharts Python 数据可视化神器分享:pyecharts 我们都知道python上的一款可视化工具matplotlib,而前些阵子做一个Spark项目 ...
- 实验报告-Python数据可视化之Pyecharts
课程:大数据可视化 实验室名称: 指导老师: 实训日期: 年 月 日 实训题目:Python数据可视化之Pyecharts 实训目的: 一.python的安装与基本使用 二.创建py项目 三.pyec ...
- python 仪表盘-python数据可视化:pyecharts
发现了一个做数据可视化非常好的库:pyecharts. 非常便捷好用,大力推荐!! 官方介绍:pyecharts 是一个用于生成 Echarts 图表的类库.Echarts 是百度开源的一个数据可视化 ...
- 高级可视化神器Plotly快速入门
微信公众号:尤而小屋 作者:Peter 编辑:Peter 一文爱上高级可视化神器Plotly 数据可视化已经逐渐发展和深入到我们生活的各个方面,往往遇到数据分析类的工作,借助可视化的方式来呈现我们的数 ...
- 图文讲解Python数据可视化神器 !
我们都知道python上的一款可视化工具 matplotlib , 但是它是静态的.后来发现了 pyecharts 模块,简直好用到不行,可视化类型非常多,它是基于 Echarts 开发的. Echa ...
- 【Plotly】python数据可视化神器——绘制折线图
Plotly简介 Plotly是用于机器学习.数据挖掘等领域的数据可视化包. 其图标视觉效果简洁大气,可互动性强,成为我工作中进行数据可视化的一大利器,接下来我们就从最简单的折线图,带领大家逐渐入门p ...
- python数据可视化神器,我就服它
前言 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. PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 python免费学习资 ...
最新文章
- redis配置主从复制
- 中国电信发布转型升级战略:构建一横四纵生态圈
- pycharm 类型注释_学习Python第一步,变量与数据类型
- gentoo 安装mongodb
- feign post 传递空值_http中post和get的区别和联系
- C++学习笔记(1)-文件写入
- VB.net webbrowser 如何实现自定义下载 IDownloadManager
- CSS深入理解之relative
- leetcode每日一题2029. 石子游戏 IX 博弈相对论 不战而屈人之兵
- 为什么 MySQL 唯一索引会导致死锁,“有心杀贼,无力回天”?
- 通过API Key免登录访问Grafana
- 基于vivado实现FFT/IFFT
- java计算抛物线的标准方程_抛物线方程公式大全_抛物线的四种标准方程_抛物线公式_抛物线方程及图像_高中数学知识点总结网...
- 同一plan节点的targetlist和qual中是对同一var的指针吗?
- Liferay自定义主题
- squid代理介绍----传统代理
- 时域测量与频域测量方法的分析
- stdafx.cpp编译引起的C2859、C1083、LNK2001错误
- 用NERO刻录ISO等镜像光盘的方法
- 前端笔试题及面试题(一)