Python可视化之pyechart库使用详解
作者：db_lch_2042
这篇文章主要介绍了Python可视化之pyechart库使用详解,Pyecharts 提供了一个简单而直观的 API 接口,使得使用者无需了解复杂的 JavaScript 语法,即可通过 Python 代码实现高度定制化的图表设计,需要的朋友可以参考下
前言
随着数据的快速增长和数据分析的广泛应用，数据可视化成为了现代社会中不可或缺的一部分。
Python 作为一门强大而灵活的编程语言，拥有众多优秀的可视化库，其中之一便是 pyecharts。
提示：以下是本篇文章正文内容，下面案例可供参考
一、Pyecharts概述
Pyecharts 是一个 Python 可视化库，用于创建交互式和美观的图表。它基于著名的 pyScript 可视化库 Echarts，通过在 Python 中调用 Echarts 的功能，使用户能够在 Python 环境中轻松地绘制各种类型的图表，包括折线图、柱状图、饼图、散点图等。
Pyecharts 提供了一个简单而直观的 API 接口，使得使用者无需了解复杂的 pyScript 语法，即可通过 Python 代码实现高度定制化的图表设计。
官方网站：pyecharts
二、pyecharts如何安装或者使用
注意：小编运用的源代码编辑器VScode的Python环境
在本文章中，我们将深入介绍 pyecharts 的使用方法和技巧，帮助读者掌握如何利用该库创建各种类型的图表，包括折线图、柱状图、饼图、散点图。
1.安装 Pyecharts：使用 pip 包管理工具，在命令行中运行以下命令进行安装
pip install pyecharts
2.导入 Pyecharts：在 Python 代码中导入所需的 Pyecharts 模块。
import pyecharts from pyecharts import charts
3.创建图表对象
# 创建折线图对象 line_chart = charts.Line()
4. 设置图表数据和属性
add：方法用于添加散点图的数据系列
# 设置图表标题和数据
line_chart.set_global_opts(title_opts=pyecharts.options.TitleOpts(title="折线图示例"))
line_chart.add_xaxis(["A", "B", "C", "D", "E"])
line_chart.add_yaxis("Series 1", [1, 3, 2, 5, 4])5. 渲染图表：使用渲染方法将图表渲染为 HTML 文件或在 VScode 中直接显示。
# 渲染图表为 HTML 文件，保存在在本文件夹下
line_chart.render("line_chart.html")
# 直接渲染显示图表
line_chart.render_notebook()
三、其他图形展示
1.条形图
from pyecharts import options as opts
from pyecharts.charts import Bar
stacked_bar_chart = Bar()
stacked_bar_chart.set_global_opts(title_opts=opts.TitleOpts(title="两个商家的堆叠条形图示例"))
x_data = ["产品A", "产品B", "产品C", "产品D", "产品E"]
y_data1 = [50, 60, 70, 80, 90] # 商家1的数据
y_data2 = [30, 40, 50, 60, 70] # 商家2的数据
stacked_bar_chart.add_xaxis(x_data)
stacked_bar_chart.add_yaxis("商家1", y_data1)
stacked_bar_chart.add_yaxis("商家2", y_data2)
stacked_bar_chart.set_series_opts(stack="stack") #堆叠效果 使两个商家堆叠起来
# 渲染图表为 HTML 文件
#stacked_bar_chart.render("stacked_bar_chart.html")
# 在 Jupyter Notebook 中直接显示图表
stacked_bar_chart.render_notebook()
2.饼图
from pyecharts import options as opts
from pyecharts.charts import Pie
pie_chart = Pie()
pie_chart.set_global_opts(title_opts=opts.TitleOpts(title="饼图示例"))
data = [("类别1", 50), ("类别2", 30), ("类别3", 20)]
pie_chart.add("", data)
#pie_chart.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")) #formatter 参数是一个字符串，用于设置数据标签的格式。在这里，{b} 表示扇区名称，{c} 表示对应的数值。
pie_chart.set_global_opts(legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%")) #orient 参数用于设置图例的布局方向。 "vertical" 表示图例垂直布局。pos_top 参数用于设置图例距离顶部的位置。pos_left 参数用于设置图例距离左侧的位置。
# 渲染图表为 HTML 文件
#pie_chart.render("pie_chart.html")
# 在 Jupyter Notebook 中直接显示图表
pie_chart.render_notebook()
3.散点图
from pyecharts import options as opts
from pyecharts.charts import Scatter
scatter_chart = Scatter(
init_opts=opts.InitOpts(width="70%", height="400px") #设置图形大小
)
scatter_chart.set_global_opts(
title_opts=opts.TitleOpts(title="散点图示例")
)
x_data = [1, 2, 3, 4, 5]
y_data = [10, 20, 30, 40, 50]
scatter_chart.add_xaxis(x_data)
scatter_chart.add_yaxis("Series 1", y_data)
# 渲染图表为 HTML 文件
#scatter_chart.render("catter_chart.html")
# 在 Jupyter Notebook 中直接显示图表
scatter_chart.render_notebook()
4.箱型图
from pyecharts import options as opts
from pyecharts.charts import Boxplot
# 创建 Boxplot 对象
boxplot = Boxplot()
# 添加数据
data = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880, 1000, 980],
[960, 940, 960, 940, 880, 800, 850, 880, 900, 840, 830, 790]]
boxplot.add_xaxis(["Sample 1", "Sample 2"])
boxplot.add_yaxis("箱型图案例", boxplot.prepare_data(data))
# 设置全局配置选项
#boxplot.set_global_opts(title_opts=opts.TitleOpts(title="箱型图示例"))
# 在 Jupyter Notebook 中直接显示图表
boxplot.render_notebook()
5.漏斗图
from pyecharts import options as opts
from pyecharts.charts import Funnel
# 创建 Funnel 对象
funnel = Funnel()
# 添加数据
data = [("Step 1", 100),
("Step 2", 80),
("Step 3", 60),
("Step 4", 40),
("Step 5", 20)]
funnel.add("Funnel", data)
# 设置全局配置选项
funnel.set_global_opts(title_opts=opts.TitleOpts(title="漏斗图示例"))
# 在 Jupyter Notebook 中直接显示图表
funnel.render_notebook()
6.仪表盘
from pyecharts import options as opts
from pyecharts.charts import Gauge
# 创建 Gauge 对象
gauge = Gauge()
# 添加数据
gauge.add("Gauge", [("指标", 75)])
# 设置全局配置选项
gauge.set_global_opts(title_opts=opts.TitleOpts(title="仪表盘示例"))
# 在 Jupyter Notebook 中直接显示图表
gauge.render_notebook()
7.水球图
from pyecharts import options as opts
from pyecharts.charts import Liquid
# 创建 Liquid 对象
liquid = Liquid()
# 添加数据
liquid.add("Liquid", [0.6])
# 设置全局配置选项
liquid.set_global_opts(title_opts=opts.TitleOpts(title="水球图示例"))
# 在 Jupyter Notebook 中直接显示图表
liquid.render_notebook()
8.地图
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.globals import ThemeType
# 创建 Map 对象
map_chart = Map(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
# 添加数据
data = [("China", 100), ("United States", 50), ("Russia", 80), ("Brazil", 70), ("Australia", 90)]
# 设置全局配置选项
map_chart.add("World Map", data, maptype="world", label_opts=opts.LabelOpts(is_show=False))
map_chart.set_global_opts(
title_opts=opts.TitleOpts(title="世界地图示例"),
visualmap_opts=opts.VisualMapOpts(is_piecewise=True),
)
# 在 Jupyter Notebook 中直接显示图表
map_chart.render_notebook()
总结
在本次讨论中，我们了解了如何使用 Pyecharts 库进行可视化图表的创建和展示。
Pyecharts 是一个基于 Python 的强大的可视化工具，它提供了丰富的图表类型和灵活的配置选项，可以帮助我们轻松地创建各种类型的图表。
在编写代码时，我们使用了 VSCODE 这个 Python 开发环境。在 VSCODE 中，我们可以方便地编写和运行 Python 代码，并使用 Pyecharts 创建图表。
总的来说，Pyecharts 是一个功能强大且易于使用的 Python 可视化库，它提供了丰富的图表类型和灵活的配置选项，使我们能够创建各种精美的图表来呈现数据。
通过掌握 Pyecharts，我们可以更好地展示和传达数据的信息。
到此这篇关于Python可视化之pyechart库使用详解的文章就介绍到这了,更多相关Python的pyechart库内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！