今天给大家介绍一位美丽的姑娘。她的名字叫Pyecharts，打从我第一眼见到她后，就深深地被她迷住，并且爱上了她。
学习Python中有不明白推荐加入交流群号：
前面516中间107后面834
群里有志同道合的小伙伴，互帮互助，
群里有不错的学习教程！
简单说一下她的来历：Pyecharts是一款强大的可视化工具。百度开发了一款基于JS强大的可视化库Echarts，可我们在绘图时，通常并不使用前端的技术来整理数据，而转换数据结构又非常麻烦。Pyecharts发挥了python胶水语言的特性，可以很好地帮助我们做数据可视化。
本文围绕Pyecharts的使用、结果呈现和优缺点，分为以下四个部分：
从2D到3D，不一样的效果
任何可视化库的应用都是从一张简单的柱状图开始。首先导入一份空气质量的数据。研究下5个城市的AQI指数。
#基本柱状图绘制
data_1 = pd.read_excel('./20180630空气质量指数.xlsx',sheetname=0)#读取数据
data_1.head()
数据是这样的：
Pyecharts对于数据结构的要求非常统一简单。把数据转换成列表总没错。设定好图表的标题、副标题、颜色等一些参数，就可以直接出图了。
发现了pyecharts一大特性么？图都是可交互的！
简单的柱状图显然是不能满足你们的，我们继续。接下来导入一份省会城市快餐店数量的数据。
同样把数据放入列表中。设定图表的一些参数，如长宽、背景颜色等，可以做纵向的堆积柱状图，可以把直角坐标改为极坐标，甚至做极坐标分类堆叠柱状图！大家可以看看不同的图表下，同样的数据呈现什么效果：
留个小思考题：大家可以尝试用PPT制作上图。
平面的图，我们看了好几个了，来个3D的吧。这里导入一份某公司每日销量数据。数据结构如下，纵坐标为一年的52周，横坐标为一周的7天。
这回数据结构调整略复杂，我们要给每一条数据确认空间中的位置，格式如下图：
具体转换方式我们看下代码，这里要设置的东西比较多，具体效果大家可以自己试着调整下里面的参数。
x_axis = data_3['week'].tolist()
data_3['week'] = data_3['week'].str.replace('week','').map(int)-1
data_3 = data_3.set_index('week')
y_axis = data_3.columns.tolist()
data_3.columns = range(0,7)
data_3 = data_3.stack().reset_index()
data_3.columns = ['week','day','amount']
data_3.head()
style = Style(
title_color="#A52A2A",
title_pos = "center",
width=900,
height=1100,
background_color="#ABABAB"
)
style_3d = style.add(
is_visualmap=True,
visual_range=[0,120],
visual_range_color=['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
'#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026'],
grid3d_width=200,
grid3d_depth=80,
xaxis_label_textcolor='#fff',
is_grid3d_rotate=True,
legend_pos='right'
)
bar3d = Bar3D('全年产量情况',**style.init_style)
bar3d.add('每日产量',x_axis,y_axis,data_3.values.tolist(),**style_3d)
bar3d.render('./参考案例HTML/全年产量情况3D柱状图.html')
bar3d
见证奇迹的时刻到了！
好，接着我又有一个小问题，如果我把这一根根高耸的柱子压扁会是什么结果呢？
这不就是我们非常熟悉的热力图吗？
如果我们还想再深入的研究下销量情况，怎么办呢？我取了其中第一周的数据，来画个玫瑰图：
或者漏斗图：
过瘾吧？！这里给大家展示的是Pyecharts能展示的不同类型的图表，实际应用时可以按需选择。
玩转Pyecharts：层出不穷的花样！
我先制作了一个仪表盘图用来统计我每天加班的概率：
#仪表盘
from pyecharts import Gauge
gauge = Gauge('今日加班概率')
gauge.add('', "可能性", 99.99, angle_range=[225, -45],
scale_range=[0, 100], is_legend_show=False)
gauge.render('./参考案例HTML/今日加班概率仪表盘.html')
gauge
然后图是这样的，大家可以清晰看到，那醒目的四个9：
下面是一个水球图，这个图蛮有意思的，我们可以自己绘制图形的形状，不过你得先明白一个叫SVG的东东。有兴趣可以查看官网的案例。
数据可以画成图，文字当然也可以：
#画画
from pyecharts import Scatter
scatter = Scatter('学霸是画出来的')
v1, v2 = scatter.draw('./pic.png')
scatter.add('学霸印章', v1, v2, is_random=True)
scatter.render('./参考案例HTML/学霸是画出来的散点图.html')
导入图片，看清楚了，我给你画张散点图！
看到不，是不是很简单，想怎么画就怎么画！（小伙伴们表示很满意，都觉得我画出了他们的心声）
图表会说话：用图表体现趋势变化
先导入一份生产成本核算的数据，数据为每个月原料价格和产品造价。
可以玩玩组合图表：
如果有热爱炒股的小伙伴，还可以画K线图：
from pyecharts import Kline
day = data_k['日期'].tolist()
v = data_k[['开盘价','收盘价','最低价','最高价']].values.tolist()
kline = Kline('上证指数K线图', width=1900, height=800)
kline.add('日K',day, v,
mark_point=['max'], is_datazoom_show=True)
kline.render('./参考案例HTML/上证指数K线图.html')
kline
*K线图需要四个参数，开盘价，收盘价，最低价，最高价
图表会说话：用图表体现数据分布关系
还是那份成本核算的数据，我们来研究下原料成本和生产价格之间的关系，先画个散点图：
似乎是线性关系，对图表加工一下看看。
散点图的进阶版——涟漪散点图
其实这里的图案有好多种，大家可以一个个去试试：'rect', 'roundRect', 'triangle', 'diamond','pin', 'arrow'。
有小伙伴会问，散点图能不能展现空间分布呢？
能！用一份上海餐饮数据来看：
出图！这里点的颜色越深代表人均价格越贵。
分析运动员的身体素质强弱：
采集了8个运动员的身材指数，画个雷达图：
雷达图用的是极坐标系，而我们画的一些常规图用的是直角坐标系，那么，是不是还有其他坐标系呢？
平行坐标系。以空气质量数据为例，再添加一个自定义指示器，我们可以得到这个：
可以同时显示城市及其空气质量情况，方便吧！
多样数据可视化：文本与地图的展示
分析某篇文章中的词频，可以画词云。看这里：
from pyecharts import WordCloud
name = data_10['关键词'].tolist()
value = data_10['出现频率'].tolist()
wordcloud = WordCloud(width=1300, height=620)
wordcloud.add("", name, value, word_size_range=[20, 100])
wordcloud.render('./参考案例HTML/关键词统计词云图.html')
wordcloud
几行代码就可以搞定。
地图数据能做的就更多了，比如地理轨迹图：
引用一份中国资本流动的数据，分析北上广深的投资流向：
就可以分析北上广深这四个城市资本流出的情况啦。
结果呈现：你的PPT可以亮起来！
Pyecharts的图表是可以在Jupyter Notebook中直接显示的，也可以通过render方法渲染出HTML在浏览器中显示，还可以插入PPT使用：
图表也可以嵌入在web框架中，比如Django、Flask。Pyecharts的官网就是这样做出来的。
我为什么选择Pyecharts？
python有很多绘图的库，诸如matplotlib、seaborn、bokeh等等，但是如果让我只选择其中一款，pyecharts会是我的不二选择。它有友好的中文文档和十分简洁的操作方法，为我们的数据分析工作提供了许多便利，是值得拥有的！
当然，也不是没有缺点，pyecharts是一款偏结果表达的可视化库，在统计分析可视化上并不出彩。其次，这是一款很年轻的库，很多功能仍在开发中，但它也给了我们无限期待，相信不久的将来，它将变得越来越强大！
作者：倪家禹，城市数据团特约撰稿人，数据分析师（Python）微专业学员，喜欢用数据挖掘生活中的小秘密。对数据研究有着敏锐的洞察力，善于把复杂的问题简单化，简单的问题流程化。希望大家通过数据感受生活的魅力。
网友评论