手把手教你用Pyecharts库对淘宝数据进行可视化展示

小灰灰 2022-09-09 00:30 222阅读 0赞

点击上方“**Python爬虫与数据挖掘**”，进行关注

回复“**书籍**”即可获赠Python从入门到进阶共10本电子书

今

日

鸡

汤

博学而约取，厚积而薄发。

## 大家好，我是Python进阶者。 ##

## 一、前言 ##

大家好，我是Python进阶者。上一篇文章给大家讲到了淘宝数据的预处理和词频处理，没有来得及看的小伙伴，记得去学习了下了，详情戳这里：[手把手教你用Pandas库对淘宝原始数据进行数据处理和分词处理][Pandas]。这篇文章紧接着上一篇文章处理得到的数据进行可视化处理，一起来看看吧！

## 二、可视化 ##

可视化部分，我们采用Pyecharts库来进行完成，这个库作图十分的炫酷，而且可以交互，十分带感，强烈推荐。关于这部分，小编以生成配料图表和生成保质期可视化图表为例来进行展开。

### 1、生成配料饼图 ###

针对配料数据，我们使用一个饼图去进行展示，这样显得更加高大上一些，直接上代码。

# 生成配料图表
    def get_ingredients_html(df):
        # 词表分词
        names = df.配料表.apply(jieba.lcut).explode()
        df1 = names[names.apply(len)>1].value_counts()
        # 写入分词后的结果
        with pd.ExcelWriter("淘宝商品配料数据.xlsx") as writer:
            df1.to_excel(writer, sheet_name="配料")
        fpath = r'C:\Users\pdcfi\Desktop\淘宝数据分析\淘宝商品配料数据.xlsx'
        # 读取数据 提取列
        df1 = pd.read_excel(fpath, header=None, skiprows=1, sheet_name='配料', names=['sx', 'sl'])
        a = df1['sx'].to_list()[:10]
        b = df1['sl'].to_list()[:10]
    
    
        from pyecharts.charts import Pie
        from pyecharts import options as opts
        # 绘制可视化图表
        pie = (
            Pie().add('', [list(z) for z in zip(a, b)],
                     radius=["20%", "60%"],  # 半径长度
                     rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小
                     )
                .set_global_opts(title_opts=opts.TitleOpts(title="淘宝商品数据配料统计", subtitle="8.19"))
                .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比
    
    
        )
        pie.render('淘宝商品数据配料统计.html')

在Pycharm里边运行代码之后，我们将会得到一个淘宝商品数据配料统计.html文件，双击打开该HTML文件，在浏览器里边可以看到效果图，如下图所示。

![a2ff5847bc7a69e6f3bc3813b6f09c40.png][]

是不是感觉一下子就高大上了呢？而且动动鼠标，你还可以进行交互，是动态图来着，十分好玩。

### 2、生成保质期可视化饼图 ###

针对保质期数据，我们也先使用一个饼图去进行展示，直接上代码，其实你会发现和上面那个配料图表大同小异。

"""生成保质期可视化图表"""
    def get_date_html(df):
        # 词表分词
        names = df.保质期.apply(jieba.lcut).explode()
        df1 = names[names.apply(len) > 1].value_counts()
        # 写入分词后的结果
        with pd.ExcelWriter("淘宝商品保质期数据.xlsx") as writer:
            df1.to_excel(writer, sheet_name="保质期")
        fpath = r'C:\Users\pdcfi\Desktop\淘宝数据分析\淘宝商品保质期数据.xlsx'
        # 读取数据 提取列
        df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['bzq', 'rq'])
        a = df1['bzq'].to_list()[:10]
        b = df1['rq'].to_list()[:10]
        from pyecharts.charts import Pie
        from pyecharts import options as opts
        # 绘制可视化图表
        pie = (
            Pie()
                .add('', [list(z) for z in zip(a, b)],
                     radius=["20%", "60%"],  # 半径长度
                     rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小
                     )
                .set_global_opts(title_opts=opts.TitleOpts(title="淘宝商品保质期可视化图表", subtitle="8.19"))
                .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比
    
    
        )
        pie.render('淘宝商品保质期统计.html')

在Pycharm里边运行代码之后，我们将会得到一个淘宝商品保质期统计.html文件，双击打开该HTML文件，在浏览器里边可以看到效果图，如下图所示。

![1990863cdf4451b1e859928398c747d9.png][]

相信有小伙伴肯定感觉哪里不对，一个保质期的可视化，做成这种饼图似乎太丑了吧？嗯，的确是丑爆了，所以程序大佬把保质期这个图转为了柱状图，这样看上去就高大上很多了。

### 3、生成保质期可视化柱状图 ###

其实数据都是一样的，只不过呈现方式不同，直接上代码。

"""生成保质期可视化图表"""
    def get_date_html(df):
        # 词表分词
        names = df.保质期.apply(jieba.lcut).explode()
        df1 = names[names.apply(len) > 1].value_counts()
        # 写入分词后的结果
        with pd.ExcelWriter("淘宝数据.xlsx") as writer:
            df1.to_excel(writer, sheet_name="保质期")
        fpath = r'C:\Users\dell\Desktop\崔佬\数据分析综合实战\淘宝数据.xlsx'
        # 读取数据 提取列
        df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['bzq', 'rq'])
        a = df1['bzq'].to_list()[:50]
        b = df1['rq'].to_list()[:50]
    
    
        bar = (
            Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
                .add_xaxis(a)
                .add_yaxis("保质期(天数)",b)
                .set_global_opts(
                    title_opts=opts.TitleOpts(title="Bar-DataZoom（slider-保质期）"),
                datazoom_opts=opts.DataZoomOpts(),
            )
    
    
        )
        return bar

这么处理之后，我们就会得到一个柱状图了，如下图所示。

![d1011bc5c92772e018927ba2fb7b202b.png][]

这把看上去，是不是觉得清晰很多了呢？

不过呢，程序大佬还觉得不够，想把这两张图放到一起，这应该怎么办呢？

### 4、合并饼图和柱状图到一个HTML文件 ###

其实这个也并不难，只需要将生成两个图的函数放到一个布局类里边就可以完成了，直接上代码。

def page_draggable_layout(df):
        page = Page(layout=Page.DraggablePageLayout)
        page.add(
            get_ingredients_html(df),
            get_date_html(df)
        )
        page.render("page_draggable_layout.html")

如果你想在一个HTML文件里边加入更多的图，只需要继续在add()函数里面进行添加生成可视化图的函数即可。话不多说，直接上效果图。

![62b75f3e7fc02d27f4897577ec7d500a.png][]

从上图我们可以看到配料饼图和保质期柱状图都同时在同一个HTML文件出现了，而且也是可以进行点击交互的噢！我们还可以收到拖拽，让图表移动，如下图所示，分为左右图进行展示。

![bc9bb7b72d8f59fffc959266b61f5982.png][]

你以为到这里就结束了？其实并没有，程序大佬还想玩点更加高大上的，他想把table表一并显示出来，这样显得更加饱满一些。那么table表又如何来进行显示呢？

### 5、table表加持 ###

其实在这里，程序大佬卡了一下，他在群里问，基于他目前的数据，像下图这样的df数据如何进行展示出来。

![a065db48b8836e6182ba1d8db4188b74.png][]

而且，他自己在不断的尝试中，始终报错，一时间丈二和尚摸不着头脑，不知如何是好。

![7d103f9b81c8115bb83564953cd42cb5.png][]

不过此时小小明大佬，又递来了橄榄枝，人狠话不多，直接丢了两行代码，让人拍手叫绝。

![454425e0f42a82a9c20a965582745965.png][]

然后程序大佬，拿到Pycharm中一跑，啪，成了，真是拍案叫绝，小小明yyds！那么呈现的效果图是下面这样的。

![4e68295aa2e2ec19abe69e29cc6377f8.png][]

这样看上去还稍微不太好看，拖拽下，调整下格式看看，如下图所示。

![d709cc36686df711ec263c11171bf2fe.png][]

但是这样一看，确实高大上了一些，不过还是达不到程序大佬心里的预期，于是乎他继续折腾。

### 6、调整图像背景色 ###

现在呢，程序大佬又想要加点背景色，这样显得高大上一些，代码如下。

# 绘制可视化图表
    pie = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
            .add('', [list(z) for z in zip(a, b)],
                 radius=["20%", "60%"],  # 半径长度
                 rosetype="radius"  # 扇区圆心角展现数据的百分比，半径展现数据的大小
                 )
            .set_global_opts(title_opts=opts.TitleOpts(title="配料统计", subtitle="8.19"))
            .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))  # 数字项名称和百分比
    
    
    )
    return pie

其实核心的那句代码下面这个，引入了一个主题：

init_opts=opts.InitOpts(theme=ThemeType.CHALK)

![f2281b02b8b8c3fcde28878d2ce4dde8.png][]

得到的效果图如上图所示了。

### 7、添加漏斗图 ###

这里是以数据里边的”食品添加“列来做实例的，代码如下所示。

def get_sptj_data(df):
        # 词表分词
        names = df.食品添加剂.apply(jieba.lcut).explode()
        df1 = names[names.apply(len) > 1].value_counts()
        # 写入分词后的结果
        with pd.ExcelWriter("淘宝数据.xlsx") as writer:
            df1.to_excel(writer, sheet_name="食品添加剂")
        fpath = r'C:\Users\dell\Desktop\崔佬\数据分析综合实战\淘宝数据.xlsx'
        # 读取数据 提取列
        df1 = pd.read_excel(fpath, header=None, skiprows=1, names=['sptj', 'sj'])
        a = df1['sptj'].to_list()[:10]
        b = df1['sj'].to_list()[:10]
        c = (
            Funnel(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
                .add(
                "商品",
                [list(z) for z in zip(a, b)],
                label_opts=opts.LabelOpts(position="inside"),
            )
                .set_global_opts(title_opts=opts.TitleOpts(title="Funnel-Label（food_add)"))
        )
        return c

得到的效果图如下图所示。

![2f55187dd631e3fe92ccd45b0d646255.png][]

写到这里，基本上快接近尾声了，不过程序大佬为了感谢小小明大佬，后来又补充了一个极化装逼图来赞扬小小明。

### 8、极化图 ###

直接上代码，程序大佬取的这个zb函数，就是装13的意思，取的太没有水平了。

def zb_data():
        data = [(i, random.randint(1, 100)) for i in range(10)]
        c = (
            Polar()
            .add(
                "",
                data,
                type_="effectScatter",
                effect_opts=opts.EffectOpts(scale=10, period=5),
                label_opts=opts.LabelOpts(is_show=False),
            )
            .set_global_opts(title_opts=opts.TitleOpts(title="Polar-没啥用，用来装逼，小小明yyds"))
    
    
        )
        return c

![2115e7d2592c5a7f990bf560ad3524b6.png][]

看上去确实很高大上呢。

## 三、总结 ##

大家好，我是Python进阶者。本文基于一份杂乱的淘宝原始数据，利用正则表达式re库和Pandas数据处理对数据进行清洗，然后通过stop\_word停用词对得到的文本进行分词处理，得到较为”干净“的数据，之后利用传统方法和Pandas优化处理两种方式对数据进行词频统计，针对得到的数据，利用Pyecharts库，进行多重可视化处理，包括但不限于饼图、柱状图、Table表、漏斗图、极化图等，通过一系列的改进和优化，一步步达到想要的效果，可以说是干货满满，实操性强，亲测有效。

最后非常感谢程序大佬和小小明大佬在期间不断提供的代码，也感谢我自己花时间和心思把这些看似杂乱的消息整理成文，分享给大家学习。有需要本文中完整代码文件的小伙伴，可以在后台直接回复关键词”**程序和小小明大佬**“即可获取。

我的这个Python交流群已经300多人了，有需要加入该群的小伙伴可以加我好友，一起学习，共同进步。

![26624e986363d9a40be7bf52f7cddce6.png][]

**---\--\---\---\---\--\---** End **---\--\---\--\---\---\--\-**

往期精彩文章推荐：

*  [手把手教你用Python改造一款外星人入侵小游戏][Python]
 *  [手把手教你用Python网络爬虫+自动化来创建一位属于你自己的虚拟女票(附源码)][Python 1]
 *  [Python也能操作Mysql数据库][Python_Mysql]
 *  [盘点那些年我们一起玩过的网络安全工具][Link 1]

![e231c5ae54dbba424099623b939da94a.png][]

欢迎大家**点赞，****留言，****转发，转载，**感谢大家的相伴与支持

想加入Python学习群请在后台回复【**入群**】

万水千山总是情，点个【**在看**】行不行

**/今日留言主题/**

随便说一两句吧~~

[Pandas]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b32ecbb73a3899a12142429ce31e0758595bb6f46d69be7559f84d5814a48dfcf9a0b05d&idx=1&mid=2247496965&scene=21&sn=f34b655ead49dadd8abb24463e2e607f#wechat_redirect
[a2ff5847bc7a69e6f3bc3813b6f09c40.png]: /images/20220829/8006c3ceaee649a9b9eb4958cd93fb65.png
[1990863cdf4451b1e859928398c747d9.png]: /images/20220829/a9e9701d7dd64ec39c7ae10f02739c0e.png
[d1011bc5c92772e018927ba2fb7b202b.png]: /images/20220829/df22c34b09a241de8daaa67ddedf3715.png
[62b75f3e7fc02d27f4897577ec7d500a.png]: /images/20220829/a120cc1aea6b4ff89bdb091face07de6.png
[bc9bb7b72d8f59fffc959266b61f5982.png]: /images/20220829/567b3c7e25d548c89255eda822ecc58a.png
[a065db48b8836e6182ba1d8db4188b74.png]: /images/20220829/3eeeca282a214bd590370ed3e7b3c5bd.png
[7d103f9b81c8115bb83564953cd42cb5.png]: /images/20220829/f2aa253308a04c37a95228959121918e.png
[454425e0f42a82a9c20a965582745965.png]: /images/20220829/f4d519cde9e5448494a09aafddee3f3f.png
[4e68295aa2e2ec19abe69e29cc6377f8.png]: /images/20220829/a0b42cffcb624c9d945bb186d9b96a7d.png
[d709cc36686df711ec263c11171bf2fe.png]: /images/20220829/2bd7d787fb6349f7a49c8843f2ccc654.png
[f2281b02b8b8c3fcde28878d2ce4dde8.png]: /images/20220829/73c6d4f559aa4ceeaae2fbdabbabf1b9.png
[2f55187dd631e3fe92ccd45b0d646255.png]: /images/20220829/0601136f89954d04a815879408da819c.png
[2115e7d2592c5a7f990bf560ad3524b6.png]: /images/20220829/c778311df664450186fad77982c65230.png
[26624e986363d9a40be7bf52f7cddce6.png]: /images/20220829/64f0b10b3a554eb6a9c81f449d1e396d.png
[Python]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b21dcbb73b0bad0de6f604f61ed53035ba9b4992527621edcd65044568669708855d508a&idx=1&mid=2247496758&scene=21&sn=137eba93ac6dfdc67abedb2e5607e671#wechat_redirect
[Python 1]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b236cbb73b20d4cc2c0da4410d4dbcaf02e801718dfd78132b9062293c55b5fa1ee044f4&idx=1&mid=2247496733&scene=21&sn=2b6b98c854dc2dede4f6127e83f18240#wechat_redirect
[Python_Mysql]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b4e6cbb73df00abf51cc844ebd684e1a630b44e08dcf3e28f9d89d0b0459dd06dd64d6e0&idx=1&mid=2247496397&scene=21&sn=a2641f5a5f98694b9d6b3bf7781c41e6#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=MzU3MzQxMjE2NA%3D%3D&chksm=fcc0b4b9cbb73daf05e46ffc74d8f3c5257db082f8592bc1d4dbd9a536491866367fe160c5ef&idx=1&mid=2247496338&scene=21&sn=cc109289ced145f50e1dfff0f67fc5f3#wechat_redirect
[e231c5ae54dbba424099623b939da94a.png]: /images/20220829/9db7091780eb48ee900f8f75f53e7641.png