python 可视化 | pyecharts基本使用

coder-谢公子

今天更一篇用pyecharts的基础图形篇，折线图、柱状图、散点图、饼状图，本次使用的是pyecharts0.5.3版

Pyecharts 0.5.x版的官网

https://pyecharts.readthedocs.io/projects/pyecharts-en/zh/latest/#welcome-to-read-the-docs

环境：

pyecharts 0.5.11

下载命令：pip install pyecharts=0.5.11

折线图：

基本使用

数据：

时间：['2019-03-01星期五', '2019-03-02星期六', '2019-03-03星期日', '2019-03-04星期一', '2019-03-05星期二', '2019-03-06星期三', '2019-03-07星期四', '2019-03-08星期五', '2019-03-09星期六', '2019-03-10星期日', '2019-03-11星期一', '2019-03-12星期二']
温度：[23, 25, 21, 23, 24, 19, 16, 15, 18, 17, 22, 24]

代码实现：

def line_(x, y, title='折线图'):
    line = Line('折线图',
                width=800,
                height=350,)
    line.add(title, x, y)
    line.render('{}.html'.format(title))

line_(x, y, '气温')

运行结果：

可以在这基础上添加平均值、最大/小值，在Line.add()中添加mark_point=["average", "max", "min"]，mark_line=["average", "max", "min"]，mark_point可以标出目标点，mark_line可以做出于y轴的连线

line.add(title, x, y,
         mark_point=["average", "max", "min"],
         mark_line=["average", "max", "min"])

运行结果：

既然是显示温度，那y轴的苏户籍加上个℃是不是会更好，添加参数yaxis_formatter="°C"即可

运行结果：

还有很多参数如平滑度、折线图转阶梯图、折线面积图等，可以参考官网进行详细查看。

柱状图

基本使用：

数据：

时间：['2019-03-01星期五', '2019-03-02星期六', '2019-03-03星期日', '2019-03-04星期一', '2019-03-05星期二', '2019-03-06星期三', '2019-03-07星期四', '2019-03-08星期五', '2019-03-09星期六', '2019-03-10星期日', '2019-03-11星期一', '2019-03-12星期二']
温度：[58, 48, 33, 41, 34, 23, 19, 22, 23, 25, 48, 82]

代码实现：

def bar_(x, y, title):
    fig = Bar('柱状图',
              width=800,
              height=350,)
    fig.add(title, x, y)
    fig.render('{}.html'.format(title))


bar_(x, y, '广州天气2')

运行结果：

查看一下add()方法

add(name, x_axis, y_axis,
    is_stack=False,
bar_category_gap='20%', **kwargs)

name-> str 图例名称

x_axis-> list x坐标轴数据

y_axis-> list y坐标轴数据

is_stack-> bool 数据堆栈，同个类目轴上系列配置相同的stack值可以堆叠放置

bar_category_gap-> int / str 类目轴的柱状距离，当设置为0时柱状是紧挨着（直方图类型），最小为'20％'

参数is_convert交换XY轴

fig.add(title, x, y,
        is_convert=True)

图例：

散点图

基本使用

add(name, x_axis, y_axis,
    extra_data=None,
    symbol_size=10, **kwargs)

名称-> str 图例名称

x_axis-> list：x坐标轴数据

y_axis->list： y坐标轴数据

extra_data->list[int]：第三维度数据，x轴为第一个维度，y轴为第二个维度。（可在visualmap中将视图元素映射到第三维度）

extra_name->list[str]：的数据项的名称，可以为每个数据点指定一个名称。

symbol_size-> int：标记图形大小，交替为10

数据：

v1 = [10, 20, 30, 40, 50, 60]
v2 = [10, 20, 30, 40, 50, 60]

代码实现：

scatter = Scatter("散点图示例")
scatter.add("A", v1, v2)
scatter.render('散点图.html')

运行结果：

参数is_visualmap=True可以像热力图那样对数据进行渐变色

图例：

饼图

基本使用

add(name, attr, value,
    radius=None,
    center=None,
    rosetype=None, **kwargs)

名称-> str：图例名称

attr-> list：属性名称

value-> list：属性所对应的值

radius-> list：饼图的尺寸，层叠的第一项是内部尺寸，第二项是外部薄片，尺寸为[

0，75 ]模式设置成比例，相对于容器高宽中较小的一个的一半

center- > list：饼图的中心（圆心）坐标，数组的第一项是横坐标，第二项是纵坐标，替换为[50，50]

设置设置成比例，设置成比例时第一项是相对于容器宽度，第二项是相对于容器高度

rosetype-> str：是否展示成南丁格尔图，通过尺寸区分数据大小，有'radius'和'area'两种模式。而是为'radius'

radius：半径圆心角展现数据的百分比，局部展现数据的大小

数据：

['第一产业(亿元)', '第二产业(亿元)', '第三产业(亿元)']
[64734, 366001, 469575]

实现代码：

def pie_(x, y, title='折线图'):
    pie = Pie(title)
    pie.add(title, x, y)
    pie.render('{}.html'.format(title))


pie_(x, y, '产业')

运行结果：

总结：

每种类型的add()方法都有很多参数，我的建议是没必要死记硬背下来，没必要，大概知道能实现什么功能，用的时候再具体查就好了。

发布于 2020-12-14 22:34

pyecharts

数据可视化

Python