Pyecharts 绘图 AP I总结

 [[436713]]

一、初识Pyecharts

pyecharts简介

pyecharts 是一个用于生成 Echarts 图表的类库, 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官网

https://pyecharts.org/#/zh-cn/intro

pyecharts安装

pip install pyecharts 

二、Pyecharts可视化

使用pyecharts可以绘制如下图表：

2.0、初始化设置

导入相关库：

from pyecharts.charts import * 
import pyecharts.options as opts 

• from pyecharts.charts import *: 可以使用所有的图表对应的函数;
• 使用 options 配置项，在 pyecharts 中，一切皆 Options，进行参数设置;

总体说明一下：

• .render_notebook ()随时随地渲染图表;
• .render() 这个不会直接产生图表，而是形成一个render.html的文件，可在浏览器中打开查看图表;

2.1、scatter()

这里我们绘制一个正余弦的散点图

x = np.linspace(0, 2*np.pi, 100) 
y = np.sin(x) 
y2 = np.cos(x) 
 
# 参数设置 
(Scatter() # 图形种类 
 .add_xaxis(xaxis_data=x) # 设置x轴序列 
 .add_yaxis(series_name='sin', y_axis=y) # 设置y轴序列 
 .add_yaxis(series_name='cos', y_axis=y2, label_opts=opts.LabelOpts(is_show=False)) # is_show = False：表示不显示数值部分 
).render_notebook() 

结果如下：

2.2、line()

from pyecharts.charts import Line 
import pyecharts.options as opts 
 
x = np.linspace(0, 2*np.pi, 100) 
y = np.sin(x) 
 
( 
    Line() 
    .add_xaxis(xaxis_data=x) 
    .add_yaxis(series_name='sin', y_axis=y, label_opts=opts.LabelOpts(is_show=False)) 
    .add_yaxis(series_name='cos', y_axis=np.cos(x), label_opts=opts.LabelOpts(is_show=False)) 
    .set_global_opts(title_opts=opts.TitleOpts(title='曲线'), 
                     tooltip_opts=opts.TooltipOpts(axis_pointer_type='cross') 
                    ) 
).render_notebook() 

结果如下所示：

2.3、Bar()

柱状图的绘制：

from pyecharts.charts import Bar 
 
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]) 
) 
bar.render_notebook() 

结果如下：

当然，这里只是最基本的柱图使用;我们还可以绘制混合柱图;

from pyecharts.charts import Bar 
import pyecharts.options as opts 
 
num = [110, 136, 108, 48, 111, 112, 103] 
num2 = [90, 110, 101, 70, 90, 120, 99] 
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基'] 
 
( 
    Bar(init_opts=opts.InitOpts(width='720px', height='320px')) 
    .add_xaxis(xaxis_data=lab) 
    .add_yaxis(series_name='商家A', yaxis_data=num) 
    .add_yaxis(series_name='商家B', yaxis_data=num2) 
    .set_global_opts( 
        title_opts=opts.TitleOpts(title='各商家拥有犬类数量情况', subtitle='如有雷同，纯属意外') 
    ) 
).render_notebook() 

结果如下所示：

2.4、Pie()

普通饼图：

from pyecharts.charts import Pie 
import pyecharts.options as opts 
 
num = [110, 136, 108, 48, 111, 112, 103] 
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基'] 
 
( 
    Pie(init_opts=opts.InitOpts(width='720px', height='320px')) 
    .add(series_name='',  
         data_pair=[(j, i) for i, j in zip(num, lab)] 
        ) 
).render_notebook() 

结果如下：

环状饼图：

from pyecharts.charts import Pie 
import pyecharts.options as opts 
 
num = [110, 136, 108, 48, 111, 112, 103] 
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基'] 
 
( 
    Pie(init_opts=opts.InitOpts(width='720px', height='320px')) 
    .add(series_name='',  
         radius=['40%', '75%'], 
         data_pair=[(j, i) for i, j in zip(num, lab)] 
        ) 
).render_notebook() 

如图所示：

玫瑰饼图：

from pyecharts.charts import Pie 
import pyecharts.options as opts 
 
num = [110, 136, 108, 48, 111, 112, 103] 
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基'] 
 
( 
    Pie(init_opts=opts.InitOpts(width='720px', height='320px')) 
    .add(series_name='',  
#          radius=['40%', '75%'], 
#          center=['25%', '50%'], 
         rosetype='radius', 
         data_pair=[(j, i) for i, j in zip(num, lab)] 
        ) 
).render_notebook() 

如图所示：

2.5、图表的组合使用

from pyecharts.charts import Bar, Line 
 
num = [110, 136, 108, 48, 111, 112, 103] 
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基'] 
 
bar = ( 
    Bar(init_opts=opts.InitOpts(width='720px', height='320px')) 
    .add_xaxis(xaxis_data=lab) 
    .add_yaxis(series_name='', yaxis_data=num) 
) 
 
lines = ( 
    Line() 
    .add_xaxis(xaxis_data=lab) 
    .add_yaxis(series_name='', y_axis=num, label_opts=opts.LabelOpts(is_show=False)) 
) 
 
bar.overlap(lines).render_notebook() 

如图所示：

三、总结

Pyecharts可以绘制各种各样的图表，主流的一个数据可视化的库，因为相对于matplotlib,seaborn等数据可视化库，它的交互性比较好，图形绘制的比较清晰美观，所以应用的比较广泛，本文主要就普通常用图形做了简单的总结，当然它还可以绘制地理图形，具体参见官网相关API。

本文转载自微信公众号「IT共享之家」，可以通过以下二维码关注。转载本文请联系IT共享之家公众号。