[原创]-Day5.数据可视化之Pyecharts

今天药忘吃喽~ 2022-12-28 12:35 212阅读 0赞

![format_png][]

# Pyecharts #

我们对matplotlib和seaborn都有了一定的了解，并且可以绘制一系列图形。今天我们将讲几个关于pycharts的具体的案例，让大家对可视化有更深的了解。

## 0、安装 ##

#安装
     pip install pyecharts

![format_png 1][]

### 引入报错 ###

![format_png 2][]

**解决方案：**

(如果是安装失败的情况的话，安装如下方式重新安装)

#卸载
     pip uninstall pycharts
     
     #方案1：安装
     pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts
     
     #方案2：
     #去官网下载：
     https://pypi.org/project/pyecharts/0.1.9.4/#files
     #把下载下来的whl文件放在相映路径下，接着在改路径下执行cmd。
     #使用
     pip install pyecharts-0.1.9.4-py2.py3-none-any.whl
     
     # 报错
     init() got an unexpected keyword argument ‘title_color’
     
     # 原因版本太新了没有安装拓展库 所以这里用老版本演示
     
     pip uninstall pyecharts
     #安装指定版本
     pip install pyecharts==0.5.0
     
     # 地图库安装
      pip install echarts-countries-pypkg         
      pip install echarts-china-provinces-pypkg 
      pip install echarts-china-cities-pypkg 
      pip install echarts-china-counties-pypkg
      pip install echarts-china-misc-pypkg
      pip install echarts-united-kingdom-pypkg

![format_png 3][]

## 1、地理坐标图 ##

#报错找不到 是因为 新版本更改了引入方式
     from pyecharts import Geo
     
     #新版本引入如下
     from pyecharts.charts import Geo
     
     
     # 旧版本测试地理图
     data = [
       ("海门", 95), ("鄂尔多斯", 15), ("招远", 12), ("舟山", 12), ("齐齐哈尔", 14), ("盐城", 15),
       ("赤峰", 16), ("青岛", 18), ("乳山", 18), ("金昌", 19), ("泉州", 21), ("莱西", 21),
       ("日照", 21), ("胶南", 22), ("南通", 23), ("拉萨", 24), ("云浮", 24), ("梅州", 25),
       ("文登", 25), ("上海", 25), ("攀枝花", 25), ("威海", 25), ("承德", 25), ("厦门", 26),
       ("汕尾", 26), ("潮州", 26), ("丹东", 27), ("太仓", 27), ("曲靖", 27), ("烟台", 28),
       ("福州", 29), ("瓦房店", 30), ("即墨", 50), ("抚顺", 31), ("玉溪", 31), ("张家口", 31),
       ("阳泉", 31), ("莱州", 42), ("湖州", 32), ("汕头", 32), ("昆山", 33), ("宁波", 33),
       ("湛江", 33), ("揭阳", 44), ("荣成", 54), ("连云港", 35), ("葫芦岛", 35), ("常熟", 36),
       ("东莞", 36), ("河源", 36), ("淮安", 56), ("泰州", 36), ("南宁", 47), ("营口", 37),
       ("惠州", 37), ("江阴", 67), ("蓬莱", 57), ("韶关", 38), ("嘉峪关", 78), ("广州", 38),
       ("延安", 38), ("太原", 69), ("清远", 59), ("中山", 39), ("昆明", 79), ("寿光", 40),
       ("盘锦", 40), ("长治", 61), ("深圳", 51), ("珠海", 42), ("宿迁", 73), ("咸阳", 43),
       ("铜川", 44), ("平度", 64), ("佛山", 54), ("海口", 44), ("江门", 75), ("章丘", 45),
       ("肇庆", 46), ("大连", 67), ("临汾", 57), ("吴江", 47), ("石嘴山", 9), ("沈阳", 50),
       ("苏州", 50), ("茂名", 60), ("嘉兴", 41), ("长春", 51), ("胶州", 52), ("银川", 52),
       ("张家港", 52), ("三门峡", 53), ("锦州", 54), ("南昌", 54), ("柳州", 54), ("三亚", 54),
       ("自贡", 56), ("吉林", 56), ("阳江", 57), ("泸州", 57), ("西宁", 57), ("宜宾", 58),
       ("呼和浩特", 58), ("成都", 58), ("大同", 58), ("镇江", 59), ("桂林", 59), ("张家界", 59),
       ("宜兴", 59), ("北海", 60), ("西安", 61), ("金坛", 62), ("东营", 62), ("牡丹江", 63),
       ("遵义", 63), ("绍兴", 63), ("扬州", 64), ("常州", 64), ("潍坊", 65), ("重庆", 66),
       ("台州", 67), ("南京", 67), ("滨州", 70), ("贵阳", 71), ("无锡", 71), ("本溪", 71),
       ("克拉玛依", 72), ("渭南", 72), ("马鞍山", 72), ("宝鸡", 72), ("焦作", 75), ("句容", 75),
       ("北京", 79), ("徐州", 79), ("衡水", 80), ("包头", 80), ("绵阳", 80), ("乌鲁木齐", 84),
       ("枣庄", 84), ("杭州", 84), ("淄博", 85), ("鞍山", 86), ("溧阳", 86), ("库尔勒", 86),
       ("安阳", 90), ("开封", 90), ("济南", 92), ("德阳", 93), ("温州", 95), ("九江", 96),
       ("邯郸", 98), ("临安", 99), ("兰州", 99), ("沧州", 100), ("临沂", 103), ("南充", 104),
       ("天津", 105), ("富阳", 106), ("泰安", 112), ("诸暨", 112), ("郑州", 113), ("哈尔滨", 114),
       ("聊城", 116), ("芜湖", 117), ("唐山", 119), ("平顶山", 119), ("邢台", 119), ("德州", 120),
       ("济宁", 120), ("荆州", 127), ("宜昌", 130), ("义乌", 132), ("丽水", 133), ("洛阳", 134),
       ("秦皇岛", 136), ("株洲", 143), ("石家庄", 147), ("莱芜", 148), ("常德", 152), ("保定", 153),
       ("湘潭", 154), ("金华", 157), ("岳阳", 169), ("长沙", 175), ("衢州", 177), ("廊坊", 193),
       ("菏泽", 194), ("合肥", 229), ("武汉", 273), ("大庆", 279)]
     
     geo = Geo("全国主要城市空气质量", "data from pm2.5", title_color="b",
             title_pos = "center", width = 1200,
             height = 600, background_color = '#404a59')
     
     attr, value = geo.cast(data)
     
     geo.add("", attr, value, visual_range=[0, 200], visual_text_color="#fff",
           symbol_size = 15, is_visualmap = True)
            
     geo.render()
     
     geo

### 解决不显示地图问题 ###

> sudo pip install echarts-countries-pypkg
> 
> sudo pip install echarts-china-provinces-pypkg
> 
> sudo pip install echarts-china-cities-pypkg
> 
> sudo pip install echarts-countries-pypkg
> 
> sudo pip install echarts-china-provinces-pypkg
> 
> sudo pip install echarts-china-cities-pypkg

效果图如下：

![format_png 4][]

上面为默认的“scatter”类型，下面我们画一下'effectScatter'类型

attr, value = geo.cast(data)
     geo.add("", attr, value, type="effectScatter", is_random=True, effect_scale=5)
     geo.render("effect.html")

![format_png 5][]

下面画一下 'headmap'类型，这是非常常用的一种类型。

geo.add("", attr, value, type="heatmap", is_visualmap=True, visual_range=[0, 300],
            visual_text_color='#fff')
     geo.render("headmap.html")

![format_png 6][]

## 3、地理坐标系线图 ##

适用于分析数据出行

from pyecharts import GeoLines, Style
     style = Style(title_top="#fff",title_pos = "center",width=1200,height=600,background_color="#404a59")
     style_geo = style.add(is_label_show=True,line_curve=0.2,line_opacity=0.6,legend_text_color="#eee",
        legend_pos="right",geo_effect_symbol="plane",geo_effect_symbolsize=15,label_color=['#a6c84c', '#ffa022', '#46bee9'],
        label_pos="right",label_formatter="{b}",label_text_color="#eee",)
     data_guangzhou = [
       ["广州", "上海"],
       ["广州", "北京"],
       ["广州", "呼和浩特"],
       ["广州", "太原"],
       ["广州", "长沙"],
       ["广州", "吐鲁番"]
     ]
     geolines = GeoLines("GeoLines 示例 -DataScience", **style.init_style)
     geolines.add("从广州出发", data_guangzhou, **style_geo)
     geolines.render()

![format_png 7][]

## 4、关系图 ##

关系图是用于展现节点以及节点之间的关系的一种图，顾名思义，它用以分析关系最为适合，比如微博转发关系，文章引用关系等。

from pyecharts import Graph
     
     nodes = [{"name": "a", "symbolSize": 10},
             {"name": "b", "symbolSize": 20},
             {"name": "c", "symbolSize": 30},
             {"name": "d", "symbolSize": 40},
             {"name": "e", "symbolSize": 50},
             {"name": "f", "symbolSize": 40},
             {"name": "g", "symbolSize": 30},
             {"name": "h", "symbolSize": 20}]
     links = []
     for i in nodes:
       for j in nodes:
           links.append({"source": i.get('name'), "target": j.get('name')})
     graph = Graph("关系图-环形布局示例-DataScience 提供")
     graph.add("", nodes, links, is_label_show=True,
             graph_repulsion=8000, graph_layout='circular',
             label_text_color=None)
     graph.render("graph.html")

![format_png 8][]

## 5、词云 ##

# 数据指标随机生成的，名字是安装本期活动顺序写的
     
     from pyecharts import WordCloud
     
     name = [
       '喵呜', '四方', '映琴', '梧桐', 'Ray',
       '子逐', '小明', '小小外星人', '大熊喵喵喵', 'Tony', '木夫',
       '平凡人', '不染', 'W.', '白饭', 'vicky',
       '不是', '挖掘机', '陌影', '赛茜']
     value = [
       10000, 6181, 4386, 4055, 2467, 2244, 1898, 1484, 1112,
       965, 847, 582, 555, 550, 462, 366, 360, 282, 273, 265]
     wordcloud = WordCloud(width=1300, height=620)
     wordcloud.add("", name, value, word_size_range=[20, 100])
     wordcloud.render("wordcloud.html")

![format_png 9][]

## 6、图表 ##

#coding=utf-8
     from __future__ import unicode_literals
     
     #首先来我的绘制第一个图表
     
     from pyecharts import Bar
     
     bar = Bar("我的第一个图表","这里是一个副标题(DataScience)")
     bar.add("分类",["A","B","C","D","E","F"],[15,18,35,66,6,88])
     #bar.print_echarts_options() # 该行只为了打印配置项，方便调试时使用
     bar.render() #生成本地 HTML 文件
     bar

![format_png 10][]

`参数说明：`

*  **·add()**
 *   *  主要方法，用于添加图表的数据和设置各种配置项

*  **·print\_echarts\_options()**
 *   *  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。

例如：render(r"e:\\my\_first\_chart.html"),文件用浏览器打开

*  **·Note：**
 *   *  可以按右边的下载按钮将图片下载到本地，如果想要提供更多实用工具按钮，请在add()中设置`is_more_utils 为True`

**图形绘制过程**

步骤  描述  代码示例 备注

1.  实例一个具体类型图表的对象 chart = FooChart()
2.  为图表添加通用的配置，如主题 chart.use\_theme()
3.  为图表添加特定的配置 geo.add\_coordinate()
4.  添加数据及配置项 chart.add()5 生成本地文件(html/svg/jpeg/png/pdf/gif）chart.render() 参考 数据解析与导入篇

## 7、柱状图 ##

# note ：使用Pandas & Numpy 时，整数类型请确保为int， 而不是 numpy.int32
     
     #当然你可以采用更加酷炫的方式，使用jupyter notebook 来展示图表，matplotib有的，
     # pyecharts 也会有的
     
     #Note :从v0.1.9.2版本开始，废弃 render_notebook() 方法，现在已采用更加pythonic的做法。
     #直接调用本身实例就可以了。
     
     #EG 案例
     from pyecharts import Bar
     
     attr = ["{}月".format(i) for i in range(1,13)]
     v1 = [2.0,4.9,7.0,23.2,25.6,76.7,135.6,162.2,32.6,20.0,6.4,3.3]
     v2 = [2.6,5.9,9.0,26.4,28.7,70.7,175.6,182.2,48.7,18.8,6.0,2.3]
     
     bar = Bar("柱状图示例-DataScience")
     bar.add("增长数",attr,v1,mark_line=["average"],mark_point=["max","min"])
     bar.add("取关数",attr,v2,mark_line=["average"],mark_point=["max","min"])
     bar

![format_png 11][]

## 8、饼图 ##

# 饼图
     from pyecharts import Pie
     
     attr = ["算法","产品","大数据","数据分析","Python","数据可视化"]
     v1 = [11,12,13,10,10,10]
     v2 = [19,21,32,20,20,33]
     
     pie= Pie("饼图-玫瑰图示例-DataScience",title_pos='center',width=900)
     pie.add("品种A",attr,v1,center=[25,50],is_random=True,redius=[30,75],rosetype='redius')
     pie.add("品种B",attr,v2,center=[75,50],is_random=True,redius=[30,75],rosetype='area',is_legend_show=False,is_label_show=True)
     
     pie

![format_png 12][]

## 9、自定义 ##

# 如果使用的是 自定义类，直接调用自定义类示例即可
     
     from pyecharts import Bar,Line,Overlap
     
     attr = ["A","B","C","D","E","F"]
     v1 = [10,20,30,40,50,60]
     v2 = [38,28,58,48,88,68]
     bar =Bar("Line-Bar 示例")
     bar.add("bar",attr,v1)
     line = Line()
     line.add("line",attr,v2)
     
     overlap = Overlap()
     overlap.add(bar)
     overlap.add(line)
     
     overlap

![format_png 13][]

*  如需使用 Jupyter Notebook 来展示图表，只需要调用自身实例即可，同时兼容 Python2 和 Python3 的 Jupyter Notebook 环境。
 *  所有图表均可正常显示，与浏览器一致的交互体验，这下展示报告连 PPT 都省了！！

![format_png 14][]

*请添加**小编**,回复关键词：\[**数据可视化**\],*

![format_png 15][]

**-今日互动-**

你学会了吗？

欢迎文章下方留言互动![format_png 16][]

如果对你有帮助的话

❤️来个「转发朋友圈」和「在看」，是最大的支持❤️

[format_png]: /images/20221120/6bf7cf1b2e50467087ac6f9a86969b88.png
[format_png 1]: /images/20221120/3e55fe8c8c8449b8b736054aff8d63bc.png
[format_png 2]: /images/20221120/2211e24f92704450a04c5cddd6c0973b.png
[format_png 3]: /images/20221120/43d4d36556804e1e83fb17a3a9a6a8e8.png
[format_png 4]: /images/20221120/3d1ed5543eda4e3ab1d9968bef2299c2.png
[format_png 5]: /images/20221120/cc2a3f2a726e4d0d8ce5339f840440e7.png
[format_png 6]: /images/20221120/c8de5f5e8b75485e8841829d82b0ed58.png
[format_png 7]: /images/20221120/54966ed260db4cca8a881bc5e865a3df.png
[format_png 8]: /images/20221120/f0058ccba5c7435aa4916fc7ac6c2585.png
[format_png 9]: /images/20221120/2f1c1b57ac9343e387db57ffa3278cae.png
[format_png 10]: /images/20221120/3dd22763330440528053d3021d00ea55.png
[format_png 11]: /images/20221120/b369f7e32514459e9ffb7071193c8024.png
[format_png 12]: /images/20221120/f4c42d257b354575b3eca58fe09d50ea.png
[format_png 13]: /images/20221120/ba48229077f3409a84062b4d515d1b55.png
[format_png 14]: /images/20221120/3e20f4cad70f40feb75394ffd9d831af.png
[format_png 15]: /images/20221120/d7a31378c3ba4cc78a4c9e5516fc465f.png
[format_png 16]: /images/20221120/34216d5b5c354a8186d61f6317a12f12.png