Python pyecharts数据可视化——绘制精美图表

一、数据可视化1.pyecharts介绍2.初入了解(1).快速上手(2).简单的配置项介绍3.案例实战(1).柱状图Bar(2).地图Map省份城市地区(3).饼图PiePie1Pie2(4).折线图Line(5).组合图表二、案例数据获取

一、数据可视化

1.pyecharts介绍

官方网址：/#/zh-cn/intro

📣 概况：

Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，使用JavaScript实现的。

而pyechart是由国内的大佬们用python调用Echarts库实现，可以帮助我们轻松搭配出精美的图表。

✨ 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+ 地图文件以及原生的百度地图，为地理数据可视化提供强有力的支持。

安装： pip install pyecharts

2.初入了解

(1).快速上手

这是官网上提供的两种写法，链式调用与单独调用写法，全凭自己的习惯。

更多示例/#/Bar/stack_bar_percent

from pyecharts.charts import Barfrom pyecharts import options as opts# V1 版本开始支持链式调用# 你所看到的格式其实是 `black` 格式化以后的效果# 可以执行 `pip install black` 下载使用bar = (Bar().add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]).add_yaxis("商家A", [5, 20, 36, 10, 75, 90]).set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"))# 或者直接使用字典参数# .set_global_opts(title_opts={"text": "主标题", "subtext": "副标题"}))bar.render()# 不习惯链式调用的开发者依旧可以单独调用方法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.set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"))bar.render()# bar.render_notebook()##在jupyter中好用# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件# 也可以传入路径参数，如 bar.render("mycharts.html")

(2).简单的配置项介绍

这里只是提供了感觉能用到的注释介绍，要了解更多的信息还请去官方文档查看，里面的注释、案例也非常地全面。

使用 options 配置项，在 pyecharts 中，一切皆 Options。begin！！！

import pyecharts.options as opts #使用 options 配置项，在 pyecharts 中，一切皆 Options。from pyecharts.charts import Pie #饼图from pyecharts.faker import Faker #导入自带的数据fc = Faker.choose()print('fc', fc)fv = Faker.values()print('fv',fv)##链式调用写法c = (#初始化配置项Pie(init_opts=opts.InitOpts(# 图表画布宽度，css 长度单位。width="1200px",# 图表画布高度，css 长度单位。height="700px",# 网页标题page_title='我是网页标题',# 图表主题theme='dark',# 图表背景颜色bg_color="#2c343c",# 图表 ID，图表唯一标识，用于在多图表时区分。chart_id='',)).add("图例", #图例，请用鼠标指向图形区域时查看[list(z) for z in zip(fc, fv)], ##数据 列表嵌套列表，如：[['衬衫', 97], ['毛衣', 29], ['领带', 109], ['裤子', 117], ['风衣', 53], ['高跟鞋', 85], ['袜子', 143]]# center=["50%", "50%"],#图形居中，默认居中)#设置全局配置项.set_global_opts(# 标题配置项，更多请看官方文档/#/zh-cn/global_options?id=titleopts%ef%bc%9a%e6%a0%87%e9%a2%98%e9%85%8d%e7%bd%ae%e9%a1%b9title_opts=opts.TitleOpts(title="主标题",title_textstyle_opts=opts.TextStyleOpts(font_size=25),#文本大小title_link='xxx.html', # 主标题跳转 URL 链接subtitle='副标题',subtitle_textstyle_opts=opts.TextStyleOpts(font_style='oblique',font_family='Microsoft YaHei', color='#eb1212')#字体风格，字体样式,字体颜色，),# 图例配置项，更多请看官方文档/#/zh-cn/global_options?id=legendopts%ef%bc%9a%e5%9b%be%e4%be%8b%e9%85%8d%e7%bd%ae%e9%a1%b9legend_opts=opts.LegendOpts(is_show=True, # 是否显示图例组件#图例组件离容器左侧的距离。# left 的值可以是像 20 这样的具体像素值，可以是像 '20%' 这样相对于容器高宽的百分比，# 也可以是 'left', 'center', 'right'。# 如果 left 的值为'left', 'center', 'right'，组件会根据相应的位置自动对齐。pos_left = '900px',# 图例组件离容器右侧的距离。# right 的值可以是像 20 这样的具体像素值，可以是像 '20%' 这样相对于容器高宽的百分比。pos_right = None,# 图例组件离容器上侧的距离。# top 的值可以是像 20 这样的具体像素值，可以是像 '20%' 这样相对于容器高宽的百分比，# 也可以是 'top', 'middle', 'bottom'。# 如果 top 的值为'top', 'middle', 'bottom'，组件会根据相应的位置自动对齐。pos_top = '30px',# 图例组件离容器下侧的距离。# bottom 的值可以是像 20 这样的具体像素值，可以是像 '20%' 这样相对于容器高宽的百分比。pos_bottom = None,# 图例列表的布局朝向。可选：'horizontal', 'vertical'orient = 'vertical',# 图例标记和文本的对齐。默认自动（auto）# 根据组件的位置和 orient 决定# 当组件的 left 值为 'right' 以及纵向布局（orient 为 'vertical'）的时候为右对齐，即为 'right'。# 可选参数: `auto`, `left`, `right`align = 'auto',# 图例内边距，单位px，默认各方向内边距为5padding = 5,# 图例每项之间的间隔。横向布局时为水平间隔，纵向布局时为纵向间隔。# 默认间隔为 10item_gap = 10,# 图例标记的图形宽度。默认宽度为 25item_width = 25,# 图例标记的图形高度。默认高度为 14item_height = 14,# 图例关闭时的颜色。默认是 #cccinactive_color = '#ffffff',),# 视觉映射配置项/#/zh-cn/global_options?id=visualmapopts%ef%bc%9a%e8%a7%86%e8%a7%89%e6%98%a0%e5%b0%84%e9%85%8d%e7%bd%ae%e9%a1%b9visualmap_opts = opts.VisualMapOpts(# 是否为分段型is_piecewise = True,# 是否反转 visualMap 组件is_inverse = False,# 自定义的每一段的范围，以及每一段的文字，以及每一段的特别的样式。例如：pieces = [{"min": 1500}, #// 不指定 max，表示 max 为无限大（Infinity）。# {"min": 900, "max": 1500},{"min": 310, "max": 1000},{"min": min(fv), "max": max(fv)},###这里由于数据范围的缘故，导致渲染出的图不好看{"min": 10, "max": max(fv)/2, "label": f'10 到 {max(fv)/2}（自定义label）'},{"value": fv[0], "label": '123（自定义特殊颜色）', "color": 'grey'}, #//表示 value 等于 123 的情况{"value": fv, "label": 'SSS', "color": 'red'},{"max": 5}#// 不指定 min，表示 min 为无限大（-Infinity）。]),)#设置系列配置项，/#/zh-cn/series_options?id=itemstyleopts%ef%bc%9a%e5%9b%be%e5%85%83%e6%a0%b7%e5%bc%8f%e9%85%8d%e7%bd%ae%e9%a1%b9# .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).render("pie_position.html"))

3.案例实战

本次要对薪资、工作地点、招聘要求里面的经验与学历进行数据处理并可视化。

(1).柱状图Bar

按住鼠标中间滑轮或鼠标左键可进行调控。

import pandas as pdfrom pyecharts import options as optspython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')python_data['工作地点'] = [i.split('-')[0] for i in python_data['工作地点']]city = python_data['工作地点'].value_counts()###柱状图from pyecharts.charts import Barc = (Bar().add_xaxis(city.index.tolist()) #城市列表数据项.add_yaxis("Python", city.values.tolist())#城市对应的岗位数量列表数据项.set_global_opts(title_opts=opts.TitleOpts(title="Python招聘岗位所在城市分布情况"),datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],xaxis_opts=opts.AxisOpts(name='城市'), # 设置x轴名字属性yaxis_opts=opts.AxisOpts(name='岗位数量'), # 设置y轴名字属性).render("bar_datazoom_both.html"))

(2).地图Map

省份

这里对所在省份进行可视化。

import pandas as pdimport copyfrom pyecharts import options as optspython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')python_data_deepcopy = copy.deepcopy(python_data) #深复制一份数据python_data['工作地点'] = [i.split('-')[0] for i in python_data['工作地点']]city = python_data['工作地点'].value_counts()city_list = [list(ct) for ct in city.items()]def province_city():'''这是从接口里爬取的数据（不太准，但是误差也可以忽略不计！）'''area_data = {}with open('./中国省份_城市.txt', mode='r', encoding='utf-8') as f:for line in f:line = line.strip().split('_')area_data[line[0]] = line[1].split(',')province_data = []for ct in city_list:for k, v in area_data.items():for i in v:if ct[0] in i:ct[0] = kprovince_data.append(ct)area_data_deepcopy = copy.deepcopy(area_data)for k in area_data_deepcopy.keys():area_data_deepcopy[k] = 0for i in province_data:if i[0] in area_data_deepcopy.keys():area_data_deepcopy[i[0]] = area_data_deepcopy[i[0]] +i[1]province_data = [[k,v]for k,v in area_data_deepcopy.items()]best = max(area_data_deepcopy.values())return province_data,bestprovince_data,best = province_city()#地图_中国地图（带省份）Map-VisualMap（连续型）c2 = (Map().add( "Python",province_data, "china").set_global_opts(title_opts=opts.TitleOpts(title="Python招聘岗位——全国分布情况"),visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),).render("map_china.html"))

这是 中国省份_城市.txt 里面的内容，通过[接口]抓取到的中国地区信息。

源码：

import requestsimport jsonheader = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.81 Safari/537.36",}response = requests.get('/weather/search/city.js',headers=header)result = json.loads(response.text[len('var city_data ='):])print(result)each_province_data = {}f = open('./中国省份_城市.txt',mode='w',encoding='utf-8')for k,v in result.items():province = kif k in ['上海', '北京', '天津', '重庆']:city = '，'.join(list(v[k].keys()))else:city = '，'.join(list(v.keys()))f.write(f'{province}_{city}\n')each_province_data[province] = cityf.close()print(each_province_data)

城市

这里对所在城市进行可视化。

import pandas as pdimport copyfrom pyecharts import options as optspython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')python_data_deepcopy = copy.deepcopy(python_data) #深复制一份数据python_data['工作地点'] = [i.split('-')[0] for i in python_data['工作地点']]city = python_data['工作地点'].value_counts()city_list = [list(ct) for ct in city.items()]###地图_中国地图（带城市）——Map-VisualMap（分段型）from pyecharts.charts import Mapc1 = (Map(init_opts=opts.InitOpts(width="1244px", height="700px",page_title='Map-中国地图（带城市）', bg_color="#f4f4f4")).add("Python",city_list,"china-cities", #地图label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="Python招聘岗位——全国分布情况"),visualmap_opts=opts.VisualMapOpts(max_=city_list[0][1],is_piecewise=True),).render("map_china_cities.html"))

地区

这里对上海地区可视化。

import pandas as pdimport copyfrom pyecharts import options as optspython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')python_data_deepcopy = copy.deepcopy(python_data) #深复制一份数据shanghai_data = []sh = shanghai_data.appendfor i in python_data_deepcopy['工作地点']:if '上海' in i:if len(i.split('-')) > 1:sh(i.split('-')[1])shanghai_data = pd.Series(shanghai_data).value_counts()shanghai_data_list = [list(sh) for sh in shanghai_data.items()]#上海地图c3 = (Map().add("Python", shanghai_data_list, "上海") ###这个可以更改地区（如：成都）这里改了的话，上面的数据处理也要做相应的更改.set_global_opts(title_opts=opts.TitleOpts(title="Map-上海地图"),visualmap_opts=opts.VisualMapOpts(max_=shanghai_data_list[0][1])).render("map_shanghai.html"))

(3).饼图Pie

Pie1

from pyecharts import options as optsfrom pyecharts.charts import Pieimport pandas as pdpython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')require_list = []rl = require_list.appendfor i in python_data['招聘要求']:if '经验' in i:rl(i.split(' ')[1])else:rl('未知')python_data['招聘要求'] = require_listrequire = python_data['招聘要求'].value_counts()require_list = [list(ct) for ct in require.items()]print(require_list)c = (Pie().add("",require_list,radius=["40%", "55%"],label_opts=opts.LabelOpts(position="outside",formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c} {per|{d}%} ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"a": {"color": "#999", "lineHeight": 22, "align": "center"},"abg": {"backgroundColor": "#e3e3e3","width": "100%","align": "right","height": 22,"borderRadius": [4, 4, 0, 0],},"hr": {"borderColor": "#aaa","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(title_opts=opts.TitleOpts(title="工作经验要求"),legend_opts=opts.LegendOpts(padding=20, pos_left=500),).render("pie_rich_label.html"))

Pie2

from pyecharts import options as optsfrom pyecharts.charts import Pieimport pandas as pdpython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')xueli_list = []xl = xueli_list.appendfor i in python_data['招聘要求']:if len(i.split(' ')) == 3:xl(i.split(' ')[2])else:xl('未知')python_data['招聘要求'] = xueli_listxueli_require = python_data['招聘要求'].value_counts()xueli_require_list = [list(ct) for ct in xueli_require.items()]c = (Pie().add("",xueli_require_list,radius=["30%", "55%"],rosetype="area",).set_global_opts(title_opts=opts.TitleOpts(title="学历要求")).render("pie_rosetype.html"))

(4).折线图Line

这里对薪资情况进行可视化。

import pandas as pdimport repython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')sal = python_data['薪资']xin_zi1 = []xin_zi2 = []xin_zi3 = []xin_zi4 = []xin_zi5 = []xin_zi6 = []for s in sal:s = str(s)if '千' in s:xin_zi1.append(s)else:if re.findall('-(.*?)万',s):s = float(re.findall('-(.*?)万',s)[0])if 1.0<s<=1.5:xin_zi2.append(s)elif 1.5<s<=2.5:xin_zi3.append(s)elif 2.5<s<=3.2:xin_zi4.append(s)elif 3.2<s<=4.0:xin_zi5.append(s)else:xin_zi6.append(s)xin_zi = [['<10k',len(xin_zi1)],['10~15k',len(xin_zi2)],['15<25k',len(xin_zi3)],['25<32k',len(xin_zi4)],['32<40k',len(xin_zi5)],['>40k',len(xin_zi6),]]import pyecharts.options as optsfrom pyecharts.charts import Linex, y =[i[0] for i in xin_zi],[i[1] for i in xin_zi]c2 = (Line().add_xaxis(x).add_yaxis("Python",y,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(name="max", coord=[x[2], y[2]], value=y[2])] #name='自定义标记点'),).set_global_opts(title_opts=opts.TitleOpts(title="薪资情况"),xaxis_opts=opts.AxisOpts(name='薪资范围'), # 设置x轴名字属性yaxis_opts=opts.AxisOpts(name='数量'), # 设置y轴名字属性).render("line_markpoint_custom.html"))

(5).组合图表

最后，将多个html上的图表进行合并成一个html图表。

首先，我们执行下面这串格式的代码（只写了四个图表，自己做相应添加即可）

import pandas as pdfrom pyecharts.charts import Bar,Map,Pie,Line,Pagefrom pyecharts import options as optspython_data = pd.read_csv('./testDataPython--05-01_11_48_36.csv')python_data['工作地点'] = [i.split('-')[0] for i in python_data['工作地点']]city = python_data['工作地点'].value_counts()city_list = [list(ct) for ct in city.items()]###柱状图def bar_datazoom_slider() -> Bar:c = (Bar().add_xaxis(city.index.tolist()) #城市列表数据项.add_yaxis("Python", city.values.tolist())#城市对应的岗位数量列表数据项.set_global_opts(title_opts=opts.TitleOpts(title="Python招聘岗位所在城市分布情况"),datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],xaxis_opts=opts.AxisOpts(name='城市'), # 设置x轴名字属性yaxis_opts=opts.AxisOpts(name='岗位数量'), # 设置y轴名字属性))return c# 地图_中国地图（带省份）Map-VisualMap（连续型）def map_china() -> Map:import copyarea_data = {}with open('./中国省份_城市.txt', mode='r', encoding='utf-8') as f:for line in f:line = line.strip().split('_')area_data[line[0]] = line[1].split(',')province_data = []for ct in city_list:for k, v in area_data.items():for i in v:if ct[0] in i:ct[0] = kprovince_data.append(ct)area_data_deepcopy = copy.deepcopy(area_data)for k in area_data_deepcopy.keys():area_data_deepcopy[k] = 0for i in province_data:if i[0] in area_data_deepcopy.keys():area_data_deepcopy[i[0]] = area_data_deepcopy[i[0]] + i[1]province_data = [[k, v] for k, v in area_data_deepcopy.items()]best = max(area_data_deepcopy.values())c = (Map().add("Python", province_data, "china").set_global_opts(title_opts=opts.TitleOpts(title="Python招聘岗位——全国分布情况"),visualmap_opts=opts.VisualMapOpts(max_=int(best / 2)),))return c#饼图def pie_rich_label() -> Pie:require_list = []rl = require_list.appendfor i in python_data['招聘要求']:if '经验' in i:rl(i.split(' ')[1])else:rl('未知')python_data['招聘要求'] = require_listrequire = python_data['招聘要求'].value_counts()require_list = [list(ct) for ct in require.items()]c = (Pie().add("",require_list,radius=["40%", "55%"],label_opts=opts.LabelOpts(position="outside",formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c} {per|{d}%} ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"a": {"color": "#999", "lineHeight": 22, "align": "center"},"abg": {"backgroundColor": "#e3e3e3","width": "100%","align": "right","height": 22,"borderRadius": [4, 4, 0, 0],},"hr": {"borderColor": "#aaa","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(title_opts=opts.TitleOpts(title="工作经验要求"),legend_opts=opts.LegendOpts(padding=20, pos_left=500),))return c#折线图def line_markpoint_custom() -> Line:import resal = python_data['薪资']xin_zi1 = []xin_zi2 = []xin_zi3 = []xin_zi4 = []xin_zi5 = []xin_zi6 = []for s in sal:s = str(s)if '千' in s:xin_zi1.append(s)else:if re.findall('-(.*?)万',s):s = float(re.findall('-(.*?)万',s)[0])if 1.0<s<=1.5:xin_zi2.append(s)elif 1.5<s<=2.5:xin_zi3.append(s)elif 2.5<s<=3.2:xin_zi4.append(s)elif 3.2<s<=4.0:xin_zi5.append(s)else:xin_zi6.append(s)xin_zi = [['<10k',len(xin_zi1)],['10~15k',len(xin_zi2)],['15<25k',len(xin_zi3)],['25<32k',len(xin_zi4)],['32<40k',len(xin_zi5)],['>40k',len(xin_zi6),]]x, y =[i[0] for i in xin_zi],[i[1] for i in xin_zi]c = (Line().add_xaxis(x).add_yaxis("Python",y,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(name="MAX", coord=[x[2], y[2]], value=y[2])]),).set_global_opts(title_opts=opts.TitleOpts(title="薪资情况"),xaxis_opts=opts.AxisOpts(name='薪资范围'), # 设置x轴名字属性yaxis_opts=opts.AxisOpts(name='数量'), # 设置y轴名字属性))return c#合并def page_draggable_layout():page = Page(layout=Page.DraggablePageLayout)page.add(bar_datazoom_slider(),map_china(),pie_rich_label(),line_markpoint_custom(),)page.render("page_draggable_layout.html")if __name__ == "__main__":page_draggable_layout()

执行完后，会在当前目录下生成一个page_draggable_layout.html。

然后我们用浏览器打开，就会看到下面这样，我们可以随便拖动虚线框来进行组合，组合好后点击Save Config就会下载一个chart_config.json，然后在文件中找到它，剪切到py当前目录。

文件放置好后，可以新建一个py文件来执行以下代码，这样就会生成一个resize_render.html，也就完成了。

from pyecharts.charts import PagePage.save_resize_html('./page_draggable_layout.html',cfg_file='chart_config.json')

最后，点击打开resize_render.html，我们合并成功的图表就是这样啦！

对大家有帮助的话，记得点赞收藏一下！！！

二、案例数据获取

这篇博文中有提及：

/qq_59142194/article/details/124532659?spm=1001..3001.5501