Pyecharts入门

数据可视化 Pyecharts简介

Apache 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，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了;PyEcharts是Echarts的Python接口, Pyecharts = Python + Echarts

Pyecharts 官方文档手册：pyecharts - A Python Echarts Plotting Library built with love.
Pyecharts 官方示例网站：Document
echart 官方网站：Apache ECharts

Pyecharts是一个强大的Python库，用于创建各种类型的数据可视化图表，包括折线图、柱状图、饼图、散点图、地图、雷达图等。

Pyecharts 环境搭建

Pyeharts版本

本系列Pyecharts版本采用 1.9.0

Pyecharts 安装

建议大家在单独的隔离环境中使用pip 进行安装

pip install pyecharts==1.9.0

也可以使用源码方式安装最新版，但是由于pyecharts更新方式，不同版本的API可能略有不同

$ git clone https://github.com/pyecharts/pyecharts.git
$ cd pyecharts
$ pip install -r requirements.txt
$ python setup.py install
# 或者执行 python install.py

在可视化之前，会对原始数据进行一些列的整理，数据处理过程中，可能会用到

pandas
numpy
matplotlib

等Python工具，在进行绘图时，会高频率访问pyecharts API 文档和示例官网

Pyecharts 官方文档手册：pyecharts - A Python Echarts Plotting Library built with love.
Pyecharts 官方示例网站：Document
echart 官方网站：Apache ECharts

Pyecharts 柱状图绘制

我们使用中国各省2003年至2021年结婚登记数与离婚登记数数据进行分析与可视化，该数据来自中国国家统计局官方数据。

数据准备

import pandas as pd
import numpy as nppath_marry = "结婚数据.csv"
path_divorse = "离婚数据.csv"
marry_data = pd.read_csv(path_marry)
divorse_data = pd.read_csv(path_divorse)# 只需要在顶部声明 CurrentConfig.ONLINE_HOST 即可
# from pyecharts.globals import CurrentConfig, OnlineHostType# OnlineHostType.NOTEBOOK_HOST 默认值为 http://localhost:8888/nbextensions/assets/
# CurrentConfig.ONLINE_HOST = OnlineHostType.NOTEBOOK_HOST

可以预览一下结婚数据(离婚数据类似)

marry_data

显示了各个省2003年到2021年结婚数据，单位是(万对)，数据中，并没有显示全国合计的数据，可以给当前的数据增加一行，表示全国求和的数据，执行如下代码：

demo = marry_data.set_index(marry_data["地区"]).drop(columns=["地区"])
demo = demo.transpose()
demo['全国合计'] = demo.sum(axis=1)
marry_data = demo.transpose()

需求1，要求对全国结婚登记数每年度数据变化展现

marry_data.loc["全国合计"]

很明显，是一个Series类型的数据，该类型数据有两个需要展示的内容，分别是index和values，可视化图标中能够展示该类型数据有很多，但是最贴题的应该是条柱图，在进行图形展示之前，我们还需要了解，Pyecharts到底是怎么进行条柱图绘制的？

pyecharts 条柱图的绘制

在官方示例中,直接copy过来最简单的pyecharts的源码

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Fakerc = (Bar().add_xaxis(Faker.choose()).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values()).set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题")).render("bar_base.html")
)

大家执行这些代码时，并没有什么效果，并不是代码错误，而是在代码中执行render("bar_base.html")这个方法，默认规则是生成一个HTML页面，在页面中使用echarts渲染对应图表;大家可以查看一下，在当前目录下，是否生成了一个bar_base.html内容，为了学习过程中的联系性，我们不选择生成一个单独的页面，我们选择在notebook中进行渲染，只需要替换一点点代码，把render方法替换成render_notebook

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker
c = (Bar().add_xaxis(Faker.choose()).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values()).set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"))
)
c.render_notebook()

解析一下这段代码，首先，pyecharts的编程风格是链式调用风格，在pyecharts中每一种图表都是实例对象，柱状图就是Bar这个类实例化后的结果，柱状图绘制其实需要两种数据，X轴上的数据，以及Y轴上的数据，柱状图是通过条柱的高低或者长短来表示数据；所以，在Bar实例化后，需要添加两个轴方向上的数据，add_xaxis 方法添加的就是X轴向的数据，Faker.choose()其实就是pyecharts提供的一个方便产生随机数据的方法，随机产生数据。对于柱状图而言，X轴向的数据是离散的，并不是连续的！一般是种类、类别数据

add_yaxis 方法就是添加Y轴向数据，也是条柱图要表达的数据，pyecharts可以支持多Series系列数据，什么是系列呢，该图表有两种颜色的条柱，一种颜色的条柱就是Series数据，调用add_yaxis方法就会像Bar实例添加一个系列的数据。这个add_yaxis 是pyecharts非常核心的方法，可以查看下这个方法的参数

help(Bar().add_yaxis)# 
Help on method add_yaxis in module pyecharts.charts.basic_charts.bar:add_yaxis(series_name: str, y_axis: Sequence[Union[int, float, pyecharts.options.charts_options.BarItem, dict]], *, is_selected: bool = True, xaxis_index: Union[int, float, NoneType] = None, yaxis_index: Union[int, float, NoneType] = None, is_legend_hover_link: bool = True, color: Optional[str] = None, is_realtime_sort: bool = False, is_show_background: bool = False, background_style: Union[pyecharts.options.charts_options.BarBackgroundStyleOpts, dict, NoneType] = None, stack: Optional[str] = None, stack_strategy: Optional[str] = 'samesign', sampling: Optional[str] = None, cursor: Optional[str] = 'pointer', bar_width: Union[int, float, str] = None, bar_max_width: Union[int, float, str] = None, bar_min_width: Union[int, float, str] = None, bar_min_height: Union[int, float] = 0, category_gap: Union[int, float, str] = '20%', gap: Optional[str] = '30%', is_large: bool = False, large_threshold: Union[int, float] = 400, dimensions: Optional[Sequence] = None, series_layout_by: str = 'column', dataset_index: Union[int, float] = 0, is_clip: bool = True, z_level: Union[int, float] = 0, z: Union[int, float] = 2, label_opts: Union[pyecharts.options.series_options.LabelOpts, dict, NoneType] = <pyecharts.options.series_options.LabelOpts object at 0x10567fcc0>, markpoint_opts: Union[pyecharts.options.series_options.MarkPointOpts, dict, NoneType] = None, markline_opts: Union[pyecharts.options.series_options.MarkLineOpts, dict, NoneType] = None, tooltip_opts: Union[pyecharts.options.global_options.TooltipOpts, dict, NoneType] = None, itemstyle_opts: Union[pyecharts.options.series_options.ItemStyleOpts, dict, NoneType] = None, encode: Union[str, pyecharts.commons.utils.JsCode, dict, NoneType] = None) method of pyecharts.charts.basic_charts.bar.Bar instance

有很多很多参数，很夸张，这些参数控制着这个系列数据的展现形式，有各种各样的配置，比如条柱颜色，条柱上Label的位置等等，具体信息请查看pyecharts的官网，解释很详细点我.

可以观察到，这个方法有两个必须传递的参数，第一个参数和第二个参数，分别表示该系列数据的名称，这个系列名称会自动添加到该图形的legend上去，第二个参数就是该系列数据的真实值，其他参数，未传入的参数都有默认值，注意，这些参数主要控制着每一种系列数据的样式，也就是说，不同系列数据可以设置不同的样式！

重点！

接下来有调用了一个很重要的方法，set_global_opts方法，这个方法是实例对象调用的，但是他，并不是对系列数据进行修饰，而是对整体图表进行修饰，称之为全局项配置。负责图形大部分整体的修饰，主要包括：

初始化配置
动画配置
标题配置
图例配置
坐标轴配置
工具箱配置
动画配置

对Pyecharts有了一定了解之后，我们就可以把marry_data.loc["全国合计"] 这个Pandas中的Series数据使用柱图表现出来了，只需要替换add_xaxis和add_xaxis方法中的数据值。

tips:

pyecharts 中只支持list等 Python原生数据，所以还要对numpy数组进行一个转换，使用tolist方法

show_data1 = marry_data.loc["全国合计"]
x_axis_data = pd.Series(show_data1.index).apply(lambda x:x[:-1]).values.tolist()
y_axis_data = show_data1.values.tolist()
c = (Bar().add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data)
)
c.render_notebook()

没有经过修饰的图表肯定不是我们想要的，接下来，我们就要对该图表进行修饰，第一步,肯定是对不规则的label进行设计。由于图表密度比较大，产生重叠，所以最好把label移入柱体内部。这个label是series条柱本身的设计，所以可以在add_yaxis中通过参数配置,具体规则，还是需要对文档进行查询来吧，点我.

c = (Bar(init_opts=opts.InitOpts(width="1000px",height="400px")).add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data, label_opts=opts.LabelOpts(position="inside", color='white', rotate=90, font_size=12, font_weight='blod'))
)
c.render_notebook()

结果是清晰了一些，但是还是有问题，显示数据并没有格式化，数据格式化可以对原始数据进行格式化，也可以在现实的时候通过配置进行控制，通过查询文档，发现，在配置LabelOpts时，支持formatter这样的格式化函数，但是不幸的是，这个是需要传入一个javascript函数，也就是说，在使用Python编程完成可视化时，还需要了解一点点的JavaScript代码，以下是文档对该回调函数的解释

    # 参数 params 是 formatter 需要的单个数据集。格式如下：# {#    componentType: 'series',#    // 系列类型#    seriesType: string,#    // 系列在传入的 option.series 中的 index#    seriesIndex: number,#    // 系列名称#    seriesName: string,#    // 数据名，类目名#    name: string,#    // 数据在传入的 data 数组中的 index#    dataIndex: number,#    // 传入的原始数据项#    data: Object,#    // 传入的数据值#    value: number|Array,#    // 数据图形的颜色#    color: string,# }

接下来可以使用js代码稍微修饰一下

from pyecharts.commons.utils import JsCode
js_code_01 = """function (param) {return Number(param.data).toFixed(2)}"""
c = (Bar(init_opts=opts.InitOpts(width="1000px",height="400px")).add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data, label_opts=opts.LabelOpts(position="inside", color='white', rotate=90, font_size=12, font_weight='blod', formatter=JsCode(js_code_01)))
)
c.render_notebook()

接下来，还需要进行文本的显示，这里的文本是指图表的标题，这里是全局设置，通过title_opts参数设置

c = (Bar(init_opts=opts.InitOpts(width="1000px",height="400px")).add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data, label_opts=opts.LabelOpts(position="inside", color='white', rotate=90, font_size=12, font_weight='blod', formatter=JsCode(js_code_01))).set_global_opts(title_opts=opts.TitleOpts(title = "全国结婚登记数量(万对)数据分布", subtitle="结婚数据"))
)
c.render_notebook()

到此，基本设计已经完结，但是，当前可视化图表颜色表达还不是特别突出，为了得到良好的视觉效果，可以使用VisualMapOpts 进行颜色与数据的映射，该配置可以使用全局配置。

c = (Bar(init_opts=opts.InitOpts(width="1000px",height="400px", theme='dark')).add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data, label_opts=opts.LabelOpts(position="inside", color='white', rotate=90, font_size=12, font_weight='blod', formatter=JsCode(js_code_01))).set_global_opts(title_opts=opts.TitleOpts(title = "全国结婚登记数量(万对)数据分布", subtitle="结婚数据"),visualmap_opts=opts.VisualMapOpts(max_ = show_data1.max(), min_ = show_data1.min(), range_color = ['#3867d6','#45aaf2','#0fb9b1','#26de81','#fed330','#fa8231','#eb3b5a']))
)
c.render_notebook()

我们还可以给条柱设计阴影效果，让图表显示的更立体，通过属性ItemStyleOpts，穿越时空.，但是pyecharts并没有开放对应的阴影效果的属性，但是我们可以使用字典形式的配置，来指定阴影效果，可以直接查阅echarts再次穿越对应的阴影设置，在pyecharts中使用字典配置

show_data2 = show_data1.sort_index()
x_axis_data = pd.Series(show_data2.index).apply(lambda x:x[:-1]).values.tolist()
y_axis_data = show_data2.values.tolist()
c = (Bar(init_opts=opts.InitOpts(width="1000px",height="400px", theme='dark')).add_xaxis(x_axis_data).add_yaxis("全国数据分布", y_axis_data, label_opts=opts.LabelOpts(position="inside", color='white', rotate=90, font_size=12, font_weight='blod', formatter=JsCode(js_code_01)),itemstyle_opts={"areaColor":'#091632', 'borderColor':'#4168E1', 'shadowColor':'#4168E1', "shadowBlur":5, 'opacity':1}, markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(name="平均值", type_="average", ),opts.MarkLineItem(name="最低值", type_="min")],linestyle_opts=opts.LineStyleOpts(width=2, color="#8854d0", type_="dashed", opacity=0.5))).set_global_opts(title_opts=opts.TitleOpts(title = "全国结婚登记数量(万对)数据分布", subtitle="结婚数据"),visualmap_opts=opts.VisualMapOpts(max_ = show_data1.max(), min_ = show_data1.min(), range_color = ['#3867d6','#45aaf2','#0fb9b1','#26de81','#fed330','#fa8231','#eb3b5a']))
)
c.render_notebook()

需求2，计算2019年各省结婚登记数量对比

上一个需求数据对比的维度是时间，当前这个需求对比的维度则转变成了省份

数据准备

show_data2 = marry_data["2019年"]
show_data2 = show_data2.iloc[:-1]
show_data2

绘图展示

需要展现的数据依然是Series数据，本案例使用条形图进行数据展示，首先去示例官网寻找示例,记得常回来看看, 这里涉及到了另一个方法，就是set_series_opts方法，这个方法是对有Series系列进行属性设计，他接受的参数与add_yaxis方法接受的参数类似。

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Fakerc = (Bar().add_xaxis(Faker.choose()).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values()).reversal_axis().set_series_opts(label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="Bar-翻转 XY 轴"))
)
c.render_notebook()

可以观察到，Bar实例对象调用了reversal_axis方法，进行了X轴与Y轴数据的转换，从而柱形图变成了条形图，所以在替换数据时，不需要改变数据轴向的位置。

条形图显示的数据，一般是排序之后的数据，这里排序就对数据源进行排序

show_data2 = show_data2.sort_values()
x_axis_data = pd.Series(show_data2.index).values.tolist()
y_axis_data = show_data2.values.tolist()
c = (Bar(init_opts=opts.InitOpts(width="800px",height="700px")).add_xaxis(x_axis_data).add_yaxis("2019年结婚登记数量(万对)", y_axis_data).reversal_axis().set_series_opts(label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="全国各省2019年登记结婚数量(万对)"))
)
c.render_notebook()

需求3，查看2019年各地区结婚离婚登记数据对比

之前的需求都是查看结婚登记数据，现在需要再一张图表上展示两种系列数据，结婚登记数与离婚登记数，当然，普通的展示只是需要调用两次add_yaxis方法，两种系列数据就能展示出来。

demo = divorse_data.set_index(divorse_data["地区"]).drop(columns=["地区"])
show_data3 = demo['2019年']
# show_data3.index == show_data2.index
show_data2 = marry_data["2019年"][:-1]
show_data3.index == show_data2.index

多Series绘制

x_axis_data = show_data2.index.tolist()
y_axis_data1 = show_data2.values.tolist()
y_axis_data2 = show_data3.values.tolist()
c = (Bar(init_opts=opts.InitOpts(width="800px",height="700px")).add_xaxis(x_axis_data).add_yaxis("2019年结婚登记数量(万对)", y_axis_data1).add_yaxis("2019年离婚登记数量(万对)", y_axis_data2).reversal_axis().set_series_opts(label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="全国各省2019年登记结婚数量(万对)"))
)
c.render_notebook()

图形绘制之后，发现对比数据比较杂乱，这里可以使用堆叠图形来进行优化。这里第一次涉及到了legend_opts的设计，来嘛，来嘛

c = (Bar(init_opts=opts.InitOpts(width="800px",height="700px")).add_xaxis(x_axis_data).add_yaxis("2019年结婚登记数量(万对)", y_axis_data1, stack="happy", itemstyle_opts={"color":"#ed1941"}).add_yaxis("2019年离婚登记数量(万对)", y_axis_data2, stack="happy", itemstyle_opts={"color":"#006400"}).reversal_axis().set_series_opts(label_opts=opts.LabelOpts(position="insideRight")).set_global_opts(title_opts=opts.TitleOpts(title="全国各省2019年登记结婚数量(万对)"),legend_opts=opts.LegendOpts(pos_right='10%', pos_top='2%', orient="horizontal" ))
)
c.render_notebook()