怎么完全解读Pyecharts动态图表，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
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
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
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()
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)
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()
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()
从上面的实例看，已经展示地图，条形图，折线图，饼图，仪表盘。这里展示下pyecharts提供的更多的图表，
雷达图 Radar
树形图 Tree
热力图 heatMap
日历图 Calendar
散点图 Scatter
3D图 Bar3D
箱型图 Boxplot
小编介绍的基于echarts的python动态图表展示组件pyecharts，除了提供众多常用的图表外，最重要的是支持动态操作数据。总结如下：
pyecharts所有的图像属性设置都通过opts来设置，有图表初始属性/全局属性/系列属性
本文提供常用的配置，足够用了，拿走不谢，见常用配置使用
pyecharts 支持多图表组合，如折线图和条形图 overlap， 多个图表grid展示
pyecharts好用的map，可以展示中国省市，世界各国地图，请按照[位置，value]准备数据
Timeline可以让你的图表按照时间轮播
看完上述内容，你们掌握怎么完全解读Pyecharts动态图表的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
