您好，登录后才能下订单哦！
密码登录
登录注册
点击 登录注册 即表示同意《亿速云用户服务条款》
# Python中怎么利用pyecharts实现数据可视化
## 一、pyecharts概述
### 1.1 什么是pyecharts
pyecharts是一个基于Echarts的Python可视化库，它允许开发者使用Python代码生成Echarts风格的交互式图表。Echarts是百度开源的一个优秀的数据可视化库，而pyecharts则是Echarts的Python接口，使得Python开发者能够更方便地创建各种精美的图表。
### 1.2 pyecharts的特点
- **丰富的图表类型**：支持折线图、柱状图、散点图、饼图、雷达图等30+种图表
- **高度可定制化**：可以自定义颜色、标签、提示框等几乎所有图表元素
- **交互性强**：支持缩放、拖拽、数据筛选等交互功能
- **多端适配**：生成的图表可以在Jupyter Notebook、Web页面等多种环境中展示
- **简单易用**：通过简洁的Python API即可创建复杂图表
### 1.3 安装pyecharts
安装pyecharts非常简单，使用pip命令即可：
```bash
pip install pyecharts
如果需要使用地图相关功能，还需要安装额外的地图包：
pip install echarts-countries-pypkg # 全球国家地图
pip install echarts-china-provinces-pypkg # 中国省级地图
pip install echarts-china-cities-pypkg # 中国市级地图
让我们从一个简单的柱状图开始：
from pyecharts.charts import Bar
# 创建柱状图对象
bar = Bar()
# 添加x轴数据
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
# 添加y轴数据
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# 渲染图表到HTML文件
bar.render("my_first_chart.html")
这段代码会生成一个简单的柱状图，并保存为HTML文件。在浏览器中打开这个文件，你将看到一个交互式的柱状图。
pyecharts提供了丰富的配置选项，我们可以通过set_global_opts方法设置图表的全局选项：
from pyecharts import options as opts
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])
bar.add_yaxis("商家B", [15, 6, 45, 20, 35, 66])
# 设置全局配置
bar.set_global_opts(
title_opts=opts.TitleOpts(title="商品销售情况", subtitle="2023年1月"),
toolbox_opts=opts.ToolboxOpts(), # 显示工具箱
legend_opts=opts.LegendOpts(pos_left="right"), # 图例位置
xaxis_opts=opts.AxisOpts(name="商品"), # x轴名称
yaxis_opts=opts.AxisOpts(name="销量") # y轴名称
)
bar.render("bar_with_options.html")
pyecharts支持多种展示方式：
chart.render("output.html")
chart.render_notebook()
from pyecharts.render import make_snapshot
from snapshot_selenium import snapshot
make_snapshot(snapshot, chart.render(), "output.png")
折线图适合展示数据随时间或有序类别的变化趋势：
from pyecharts.charts import Line
line = Line()
line.add_xaxis(["周一", "周二", "周三", "周四", "周五", "周六", "周日"])
line.add_yaxis("最高温度", [11, 11, 15, 13, 12, 13, 10])
line.add_yaxis("最低温度", [1, -2, 2, 5, 3, 2, 0])
line.set_global_opts(
title_opts=opts.TitleOpts(title="一周温度变化"),
tooltip_opts=opts.TooltipOpts(trigger="axis"),
yaxis_opts=opts.AxisOpts(
name="温度(℃)",
splitline_opts=opts.SplitLineOpts(is_show=True)
)
)
line.render("temperature_line.html")
柱状图适合比较不同类别间的数值大小：
bar = Bar()
bar.add_xaxis(["2017", "2018", "2019", "2020", "2021", "2022"])
bar.add_yaxis("产品A", [100, 200, 300, 400, 500, 600])
bar.add_yaxis("产品B", [200, 300, 400, 500, 600, 700])
bar.set_global_opts(
title_opts=opts.TitleOpts(title="年度销售对比"),
datazoom_opts=[opts.DataZoomOpts()] # 添加数据缩放
)
bar.render("sales_bar.html")
饼图适合展示各部分占总体的比例：
from pyecharts.charts import Pie
pie = Pie()
pie.add(
"",
[("电子产品", 45), ("服装", 30), ("食品", 25)],
radius=["40%", "75%"], # 设置环状
label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)")
)
pie.set_global_opts(
title_opts=opts.TitleOpts(title="销售占比"),
legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%")
)
pie.render("sales_pie.html")
散点图适合展示两个变量之间的关系：
from pyecharts.charts import Scatter
scatter = Scatter()
scatter.add_xaxis([10, 20, 30, 40, 50, 60])
scatter.add_yaxis("", [10, 20, 30, 40, 50, 60])
scatter.set_global_opts(
title_opts=opts.TitleOpts(title="散点图示例"),
visualmap_opts=opts.VisualMapOpts(max_=60)
)
scatter.render("scatter_plot.html")
pyecharts支持多种地图展示：
from pyecharts.charts import Map
data = [
("北京", 100), ("上海", 200), ("广东", 300),
("浙江", 150), ("江苏", 180), ("四川", 120)
]
map_chart = Map()
map_chart.add("", data, "china")
map_chart.set_global_opts(
title_opts=opts.TitleOpts(title="中国地图示例"),
visualmap_opts=opts.VisualMapOpts(max_=300)
)
map_chart.render("china_map.html")
pyecharts支持将多个图表组合在一起展示：
from pyecharts.charts import Bar, Line, Grid
bar = (
Bar()
.add_xaxis(["周一", "周二", "周三", "周四", "周五", "周六", "周日"])
.add_yaxis("商家A", [5, 20, 36, 10, 75, 90, 50])
.add_yaxis("商家B", [15, 6, 45, 20, 35, 66, 30])
.set_global_opts(title_opts=opts.TitleOpts(title="Grid-Bar"))
)
line = (
Line()
.add_xaxis(["周一", "周二", "周三", "周四", "周五", "周六", "周日"])
.add_yaxis("平均温度", [20, 22, 25, 18, 21, 23, 19])
.set_global_opts(
title_opts=opts.TitleOpts(title="Grid-Line", pos_top="48%"),
legend_opts=opts.LegendOpts(pos_top="48%")
)
)
grid = Grid()
grid.add(bar, grid_opts=opts.GridOpts(pos_bottom="60%"))
grid.add(line, grid_opts=opts.GridOpts(pos_top="60%"))
grid.render("grid_example.html")
时间轴可以展示数据随时间的变化：
from pyecharts.charts import Timeline, Bar
tl = Timeline()
for year in range(2018, 2023):
bar = (
Bar()
.add_xaxis(["产品A", "产品B", "产品C"])
.add_yaxis("销量", [year*10, year*15, year*8])
.set_global_opts(title_opts=opts.TitleOpts(f"{year}年销售情况"))
)
tl.add(bar, str(year))
tl.render("timeline_example.html")
pyecharts支持3D图表展示：
from pyecharts.charts import Bar3D
data = [
[0, 0, 5], [0, 1, 10], [0, 2, 15],
[1, 0, 8], [1, 1, 12], [1, 2, 18],
[2, 0, 6], [2, 1, 14], [2, 2, 20]
]
bar3d = Bar3D()
bar3d.add(
"",
data,
xaxis3d_opts=opts.Axis3DOpts(type_="category", data=["Q1", "Q2", "Q3"]),
yaxis3d_opts=opts.Axis3DOpts(type_="category", data=["2018", "2019", "2020"]),
zaxis3d_opts=opts.Axis3DOpts(type_="value")
)
bar3d.set_global_opts(
title_opts=opts.TitleOpts(title="3D柱状图示例"),
visualmap_opts=opts.VisualMapOpts(max_=20)
)
bar3d.render("bar3d_example.html")
pyecharts支持多种内置主题，也可以自定义主题：
from pyecharts.globals import ThemeType
# 使用内置主题
bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("系列1", [10, 20, 30, 40, 50])
bar.render("dark_theme.html")
假设我们有一份销售数据，我们可以用多种图表进行分析：
import pandas as pd
from pyecharts.charts import Bar, Pie, Line
# 模拟销售数据
sales_data = {
"月份": ["1月", "2月", "3月", "4月", "5月", "6月"],
"产品A": [120, 132, 101, 134, 90, 230],
"产品B": [220, 182, 191, 234, 290, 330],
"产品C": [150, 232, 201, 154, 190, 330]
}
df = pd.DataFrame(sales_data)
# 1. 各产品总销售额饼图
pie = Pie()
pie.add(
"",
[("产品A", df["产品A"].sum()),
("产品B", df["产品B"].sum()),
("产品C", df["产品C"].sum())],
radius=["40%", "75%"]
)
pie.set_global_opts(title_opts=opts.TitleOpts(title="产品销售额占比"))
pie.render("sales_pie.html")
# 2. 各月销售趋势折线图
line = Line()
line.add_xaxis(df["月份"].tolist())
line.add_yaxis("产品A", df["产品A"].tolist())
line.add_yaxis("产品B", df["产品B"].tolist())
line.add_yaxis("产品C", df["产品C"].tolist())
line.set_global_opts(title_opts=opts.TitleOpts(title="月度销售趋势"))
line.render("sales_line.html")
分析用户访问网站的时段分布：
from pyecharts.charts import Radar
# 模拟用户访问数据
hour_data = {
"时段": ["0-3", "3-6", "6-9", "9-12", "12-15", "15-18", "18-21", "21-24"],
"访问量": [100, 50, 200, 400, 350, 300, 450, 250]
}
# 雷达图展示
radar = Radar()
radar.add_schema(
schema=[
opts.RadarIndicatorItem(name="0-3", max_=500),
opts.RadarIndicatorItem(name="3-6", max_=500),
opts.RadarIndicatorItem(name="6-9", max_=500),
opts.RadarIndicatorItem(name="9-12", max_=500),
opts.RadarIndicatorItem(name="12-15", max_=500),
opts.RadarIndicatorItem(name="15-18", max_=500),
opts.RadarIndicatorItem(name="18-21", max_=500),
opts.RadarIndicatorItem(name="21-24", max_=500)
]
)
radar.add("访问量", [hour_data["访问量"]])
radar.set_global_opts(title_opts=opts.TitleOpts(title="用户访问时段分布"))
radar.render("user_radar.html")
pyecharts作为Python中强大的数据可视化工具，具有以下优势：
在实际应用中，我们可以根据数据类型和分析目的选择合适的图表类型：
通过本文的介绍，相信读者已经掌握了pyecharts的基本用法和一些高级技巧。在实际项目中，可以结合具体业务需求，灵活运用pyecharts的各种功能，创建出既美观又实用的数据可视化作品。
希望本文能帮助您更好地利用pyecharts进行数据可视化，让数据讲述更生动的故事！ “`
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。