python数据可视化-pyecharts插件使用文档

pyecharts是百度开源的可视化插件，可以将设计的可视化图表以html格式保存，配合jupyter可以一键生成动态的html数据分析报告。

pyecharts和matplotlib的区别在于，pyecharts有更加强大交互的可视化和嵌入html的功能，pyecharts缺点在于没有matplotlib灵活，但pyecharts提供的api接口足以满足数据分析使用。

matplotlib的强大在是通过像素点来控制图形，在某些意义上，只要知道点坐标，可以绘制任何想要的二维图形。

pyecharts安装

pip install pyecharts

默认安装速度慢的话，可以通过 -i 切换国内源， python pip安装库文件临时更换国内源

pyecharts使用

了解pyecharts可以通过4个步骤：
1. 了解pyecharts图表基本使用步骤
2. 了解pyecharts提供的一般图表组件
3. 了解pyecharts的通用设置
4. 组合图等使用
熟悉这四块内容，基本阅读官网就无障碍，使用时参考官网文档，了解下pyecharts的特性。

pyecharts图表基本使用步骤

1. 导入图表api的对象接口api,pyecharts提供的图像接口都在 pyecharts.charts 包下, 通过 from pyecharts.charts import 图形名称 导入
2. 准备数据, 生成图表对象，填充数据绘图， 绘图方式有两种，一种是面向对象方式，一种是链式法则，看个人习惯。
3. 生成可视化文件，查看结果。

示例：通过词云组件的示例查看面向对象方式和链式法则的区别

from pyecharts.charts import WordCloud

data = [('天气', 23), ('美丽', 10), ('天空', 5) ,('飞鸟', 15) , ('如诗如画', 25) , ('心情', 5), ('哈哈', 17)]

#面向对象方式
cloudObj = WordCloud()
cloudObj.add('', data, shape='circle')
cloudObj.render('词云-面向对象方式.html')

#链式法则
cloudLs = (
    WordCloud()
    .add('', data, shape='circle')
)
cloudLs.render('词云-链式法则.html')

可视化效果图

面向对象和链式法则的区别在于， 面向对象是先生成对象，在通过对象的方法，将数据和设置绑定在对象上。链式法则是在生成对象时，通过直接调用.方法，绑定参数。 效果一样。

.render()生成可视化文件

.render()方法可以生成可视化文件，默认在当前路径下生成一个render.html的文件，可以在方法内部传入路径和文件名称，来设置文件生成文件存储位置和名称。

也可以将生成的图表嵌入在notebook中，不同的 Notebook 环境有自己不同的渲染要求，Jupyter Notebook 直接调用 .render_notebook() 随时随地渲染图表。

pyecharts常用图表组件示例

在pyecharts.charts模块下，包含了基本的图表组件，提供了散点
条形、柱状等基本图像组件，和组合组件。
基本的图表组件在pyecharts.charts包下， 目前包含20多种图表类，散点、折线、饼图、柱状、箱型、日历、地图、仪表盘、组合图等。
pyecharts.options 图表设置，设置标题、字体、颜色等。
pyecharts.globals 提供了全局变量设置文件，如pyecharts.globals包含了ThemeType，设置主题样式。

散点图示例

from pyecharts.charts import Scatter ,Grid ,Line,Tab,Bar,Page
from pyecharts import options as opts
from pyecharts.globals import ThemeType

if __name__ == '__main__':
    xlist = ['a','b','c','d','e','f']
    data_1 = [2,4,5,6,8,10]
    data_2 = [1,2,7,8,9,6]
    data_3 = [5,4,9,4,2,6]

    #散点图
    scatter_demo = (
        Scatter()
            .add_xaxis(xlist)
            .add_yaxis('type_1', data_1, symbol_size=8, label_opts=opts.LabelOpts(is_show=False), color='red')
            .add_yaxis('type_2', data_2, symbol_size=8, label_opts=opts.LabelOpts(is_show=False), color='blue')
            .add_yaxis('type_3', data_3, symbol_size=8, label_opts=opts.LabelOpts(is_show=False))
            .set_global_opts(
            title_opts=opts.TitleOpts(title="散点图"),
            )
        )
    scatter_demo.render('散点图.html')

pyecharts提供的图表组件调用接口使用方式一致。处理好需要可视化的数据之后，在设计散点图时，通过.add_xaxis()方法为图表设置x横轴的坐标， 同样，用相应的.add_yaxis()方法，添加对应y纵轴的值。在设置y轴值时，可以同时设置点的类型，大小、颜色、是否显示数据标签等设置。可以绘制多条线，通过不断调用.add_yaxis()方法添加即可。 最后，通过.set_global_opts()方法，设置图表的全局设置，可以设置图表的标题，字体，位置等到。全局设置后续讲解。

折线图

散点、折线、柱状图等这些同类型的图像，调用方式使用一致。

line_demo = (
    Line()  #折线图
        .add_xaxis(xlist)
        .add_yaxis('type_1', data_1, symbol_size=8, label_opts=opts.LabelOpts(is_show=False), color='red')
        .add_yaxis('type_2', data_2, symbol_size=8, label_opts=opts.LabelOpts(is_show=False), color='blue')
        .add_yaxis('type_3', data_3, symbol_size=8, label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
        title_opts=opts.TitleOpts(title="折线图"),
        )
    )
line_demo.render('折线.html')

在上面散点图的代码上，只需要将调用的Scatter() 改为 Line() 即可。

pyecharts官网提供了各样的图表组件使用，使用时可以参考。了解组件的调用方式，使用上基本一样。