5 分钟完全解读 Pyecharts 动态图表

本文转载自微信公众号「Python中文社区」，作者wedo实验君。转载本文请联系Python中文社区公众号。

1. pyecharts简介

pyecharts是基于百度开源图表组件echarts的python封装。支持所有常用的图表组件，和matlibplot系的图表库不同的是：pyecharts支持动态交互展示，这一点在查看复杂数据图表时特别的有用。

pip install pyecharts

2.pyecharts简单使用

pyecharts支持常用的基本图形展示，条形图、折线图、饼图、散点图、热力图、漏斗图、雷达图、箱型图、地图等，还能支持仪表盘，树形图的展示。

from pyecharts.charts import Bar,Line from pyecharts import options as opts from pyecharts.globals import ThemeType  line = (     Line(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, width='1000px',height='300px' ))     .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])     .add_yaxis("商家B", [15, 6, 45, 20, 35, 66])     .set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"),                         datazoom_opts=opts.DataZoomOpts(is_show=True))     .set_series_opts(label_opts=opts.LabelOpts(is_show=True)) ) line.render('test.html') line.render_notebook()

从上面简单事例可知，pyecharts的使用包括:

图标类型(Line)本身的初始化配置，如主题，大小
加载数据：如加载x轴数据，加载y轴数据(可以多个)
设置全局配置，如标题，区域缩放datazoom，工具箱等
设置系列配置项，如标签，线条，刻度文本展示等
图标显示：render保存成html文件，如果是jupyter notebook则直接通过render_notebook展示在notebook中

3.常用配置使用

在pyecharts中，关于图表外观显示等操作都是在相应的option里配置，包括坐标轴，图例，数据标签，网格线，图表样式/颜色，不同系列等等。

InitOpts：各个图表类型初始配置
set_global_opts：全局外观配置
set_series_opts：系列配置

为了方便大家和自己，下面给出一个常用的组合，通常可视化足够用了，快收藏。

InitOpts：主题，长宽，动画效果
DataZoomOpts：区域收缩，这个对于数据特别多，如一天的时间序列数据，特别有用，可以拖动查看全局和局部的数据(可以设置是否显式显式还是可拖动type_="inside")
标题配置TitleOpts：说明这个图表说明的是什么，必备的吧
图例配置LegendOpts：说明图表中的不同数据项(这个图例是可以点击的，可以单独查看某个图例的数据，很有用)
提示框配置TooltipOpts：显示图例具体某个点的数据
x轴和y轴坐标轴标题说明AxisOpts
坐标刻度调整：特别适用于刻度说明比较多，可以显示角度变换等
markpoint/markline: 对图表的特别标记，用于重点说明部分和标注区分线

from pyecharts.charts import Bar,Line from pyecharts import options as opts from pyecharts.globals import ThemeType  bar = (     Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT,                                   width='1000px',                                  height='300px',                                   animation_opts=opts.AnimationOpts(animation_delay=1000, animation_easing="elasticOut")                                 )         )     .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])     .add_yaxis("商家B", [15, 6, 45, 20, 35, 66])     .set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"),                      toolbox_opts=opts.ToolboxOpts(is_show=False),                      # datazoom_opts=opts.DataZoomOpts(is_show=True)                      datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],                      legend_opts=opts.LegendOpts(type_="scroll", pos_left="50%", orient="vertical"),                      xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15), name="我是 X 轴"),                      yaxis_opts=opts.AxisOpts(name="我是 Y 轴", axislabel_opts=opts.LabelOpts(formatter="{value} /月")),                      tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),                      )     .set_series_opts(label_opts=opts.LabelOpts(is_show=False),                     markpoint_opts=opts.MarkPointOpts(                         data=[                             opts.MarkPointItem(type_="max", name="最大值"),                             opts.MarkPointItem(type_="min", name="最小值"),                             opts.MarkPointItem(type_="average", name="平均值"),                         ]                         ),                     ) ) # line.render('test.html') bar.render_notebook()

4.常用组合图表使用

常用组合图表有：

不同图表类型组合如柱状图和折线图组合在一张图中(双y轴)，主要的看同一视角不同指标的差异和关联;pyecharts中是通过overlap实现

from pyecharts import options as opts from pyecharts.charts import Bar, Line from pyecharts.faker import Faker  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] v3 = [2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2]   bar = (     Bar(init_opts=opts.InitOpts(width="680px", height="300px"))     .add_xaxis(Faker.months)     .add_yaxis("蒸发量", v1)     .add_yaxis("降水量", v2)     .extend_axis(         yaxis=opts.AxisOpts(             axislabel_opts=opts.LabelOpts(formatter="{value} °C"), interval=5         )     )     .set_series_opts(label_opts=opts.LabelOpts(is_show=False))     .set_global_opts(         title_opts=opts.TitleOpts(title="Overlap-bar+line"),         yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value} ml")),         tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),     ) )  line = Line().add_xaxis(Faker.months).add_yaxis("平均温度", v3, yaxis_index=1) bar.overlap(line) bar.render_notebook()

从实现上，

.extend_axis增加一个纵坐标
增加的折线图设置轴坐标时设置yaxis_index索引和前面的纵坐标对应
然后两张叠加overlap bar.overlap(line)

多图标以网格(GRID)方式组合，主要是对比;pyecharts中是通过grid组件实现

from pyecharts import options as opts from pyecharts.charts import Bar, Grid, Line from pyecharts.faker import Faker  bar = (     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="Grid-Bar")) ) line = (     Line()     .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="Grid-Line", pos_top="48%"),         legend_opts=opts.LegendOpts(pos_top="48%"),     ) )  grid = (     Grid(init_opts=opts.InitOpts(width="680px", height="500px"))     .add(bar, grid_opts=opts.GridOpts(pos_bottom="60%"))     .add(line, grid_opts=opts.GridOpts(pos_top="60%")) ) grid.render_notebook()

从实现看

主要通过Grid把各种图形放入其中
各个图表的位置通过GridOpts来设置，上下左右的位置
需要注意的是:grid中图表的title和图例需要根据所处位置来指定相对的位置(这个有点麻烦，多调调)

5.地图使用

地图可用在展示数据在地理位置上的分布情况，也是很常见的可视化的展示组件。pyecharts中是通过Map类来实现的。具体细节需要注意：

map支持不同的maptype，如中国地图china(省级) china-cities(市级)，世界地图world，还有中国各省市地图以及世界各国国家地图，参看github pyecharts/datasets/map_filename.json
map的数据格式是(地理位置， value)，如[['广东', 76],['北京', 58]]
可以通过visualmap_opts查看着重点

from pyecharts import options as opts from pyecharts.charts import Map from pyecharts.faker import Faker  c1 = (     Map()     .add("商家A", [list(z) for z in zip(Faker.guangdong_city, Faker.values())], "广东")     .set_global_opts(         title_opts=opts.TitleOpts(title="Map-广东地图"), visualmap_opts=opts.VisualMapOpts()     )     )  c2 = (     Map()     .add("商家A", [list(z) for z in zip(Faker.provinces, Faker.values())], "china")     .set_global_opts(         title_opts=opts.TitleOpts(title="Map-VisualMap（连续型）"),         visualmap_opts=opts.VisualMapOpts(max_=200),     ) )  # c1.render_notebook() c2.render_notebook()

6.特色图表使用

在学习pyecharts时，看到一些比较有意思的(动态展示)组件，如随着时间动态展示图表数据的变化。这里做下介绍

Timeline：时间线轮播多图先声明一个Timeline, 按照展示的时间顺序，将图表add到Timeline上; 可以通过播放按钮循环按照时间顺序展示图表。

from pyecharts import options as opts from pyecharts.charts import Pie, Timeline from pyecharts.faker import Faker  attr = Faker.choose() tl = Timeline() for i in range(2015, 2020):     pie = (         Pie()         .add(             "商家A",             [list(z) for z in zip(attr, Faker.values())],             rosetype="radius",             radius=["30%", "55%"],         )         .set_global_opts(title_opts=opts.TitleOpts("某商店{}年营业额".format(i)))     )     tl.add(pie, "{}年".format(i)) tl.render_notebook()

仪表盘

from pyecharts import options as opts from pyecharts.charts import Gauge  c = (     Gauge()     .add("", [("完成率", 30.6)], radius="70%",         axisline_opts=opts.AxisLineOpts(             linestyle_opts=opts.LineStyleOpts(                 color=[(0.3, "#67e0e3"), (0.7, "#37a2da"), (1, "#fd666d")], width=30)             ),             title_label_opts=opts.LabelOpts(                 font_size=20, color="blue", font_family="Microsoft YaHei"             ),         )     .set_global_opts(title_opts=opts.TitleOpts(title="Gauge-基本示例"), legend_opts=opts.LegendOpts(is_show=False),)  ) c.render_notebook()