这篇文章介绍的主要内容是,利用Python pyecharts去绘制柱状图,涉及到内容知识点还是比较的多的,那么,具体需要怎么操作呢?下面就给大家以案例的形式,去做一个介绍,大家仔细的阅读下。
主题介绍
pyecharts里面有很多的主题可以供我们选择,我们可以根据自己的需要完成主题的配置,这样就告别了软件的限制,可以随意的发挥自己的艺术细胞了。
图表参数
''' def add_yaxis( #系列名称,用于tooltip的显示,legend的图例筛选。 series_name:str, #系列数据 y_axis:Sequence[Numeric,opts.BarItem,dict], #是否选中图例 is_selected:bool=True, #使用的x轴的index,在单个图表实例中存在多个x轴的时候有用。 xaxis_index:Optional[Numeric]=None, #使用的y轴的index,在单个图表实例中存在多个y轴的时候有用。 yaxis_index:Optional[Numeric]=None, #是否启用图例hover时的联动高亮 is_legend_hover_link:bool=True, #系列label颜色 color:Optional[str]=None, #是否显示柱条的背景色。通过backgroundStyle配置背景样式。 is_show_background:bool=False, #每一个柱条的背景样式。需要将showBackground设置为true时才有效。 background_style:types.Union[types.BarBackground,dict,None]=None, #数据堆叠,同个类目轴上系列配置相同的stack值可以堆叠放置。 stack:Optional[str]=None, #柱条的宽度,不设时自适应。 #可以是绝对值例如40或者百分数例如'60%'。百分数基于自动计算出的每一类目的宽度。 #在同一坐标系上,此属性会被多个'bar'系列共享。此属性应设置于此坐标系中最后一个'bar'系列上才会生效,并且是对此坐标系中所有'bar'系列生效。 bar_width:types.Union[types.Numeric,str]=None, #柱条的最大宽度。比barWidth优先级高。 bar_max_width:types.Union[types.Numeric,str]=None, #柱条的最小宽度。在直角坐标系中,默认值是1。否则默认值是null。比barWidth优先级高。 bar_min_width:types.Union[types.Numeric,str]=None, #柱条最小高度,可用于防止某数据项的值过小而影响交互。 bar_min_height:types.Numeric=0, #同一系列的柱间距离,默认为类目间距的20%,可设固定值 category_gap:Union[Numeric,str]="20%", #不同系列的柱间距离,为百分比(如'30%',表示柱子宽度的30%)。 #如果想要两个系列的柱子重叠,可以设置gap为'-100%'。这在用柱子做背景的时候有用。 gap:Optional[str]="30%", #是否开启大数据量优化,在数据图形特别多而出现卡顿时候可以开启。 #开启后配合largeThreshold在数据量大于指定阈值的时候对绘制进行优化。 #缺点:优化后不能自定义设置单个数据项的样式。 is_large:bool=False, #开启绘制优化的阈值。 large_threshold:types.Numeric=400, #使用dimensions定义series.data或者dataset.source的每个维度的信息。 #注意:如果使用了dataset,那么可以在dataset.source的第一行/列中给出dimension名称。 #于是就不用在这里指定dimension。 #但是,如果在这里指定了dimensions,那么ECharts不再会自动从dataset.source的第一行/列中获取维度信息。 dimensions:types.Union[types.Sequence,None]=None, #当使用dataset时,seriesLayoutBy指定了dataset中用行还是列对应到系列上,也就是说,系列“排布”到dataset的行还是列上。可取值: #'column':默认,dataset的列对应于系列,从而dataset中每一列是一个维度(dimension)。 #'row':dataset的行对应于系列,从而dataset中每一行是一个维度(dimension)。 series_layout_by:str="column", #如果series.data没有指定,并且dataset存在,那么就会使用dataset。 #datasetIndex指定本系列使用那个dataset。 dataset_index:types.Numeric=0, #是否裁剪超出坐标系部分的图形。柱状图:裁掉所有超出坐标系的部分,但是依然保留柱子的宽度 is_clip:bool=True, #柱状图所有图形的zlevel值。 z_level:types.Numeric=0, #柱状图组件的所有图形的z值。控制图形的前后顺序。 #z值小的图形会被z值大的图形覆盖。 #z相比zlevel优先级更低,而且不会创建新的Canvas。 z:types.Numeric=2, #标签配置项,参考`series_options.LabelOpts` label_opts:Union[opts.LabelOpts,dict]=opts.LabelOpts(), #标记点配置项,参考`series_options.MarkPointOpts` markpoint_opts:Union[opts.MarkPointOpts,dict,None]=None, #标记线配置项,参考`series_options.MarkLineOpts` markline_opts:Union[opts.MarkLineOpts,dict,None]=None, #提示框组件配置项,参考`series_options.TooltipOpts` tooltip_opts:Union[opts.TooltipOpts,dict,None]=None, #图元样式配置项,参考`series_options.ItemStyleOpts` itemstyle_opts:Union[opts.ItemStyleOpts,dict,None]=None, #可以定义data的哪个维度被编码成什么。 encode:types.Union[types.JSFunc,dict,None]=None, ) '''
我们可以进行图表参数的配置,完成我们需要的结果展示。
主题详解
下面列举了比较详细的主题风格,随意搭配,碰撞出不一样的火花!
from pyecharts.globals import ThemeType help(ThemeType) """ {"theme":ThemeType.MACARONS} BUILTIN_THEMES=['light','dark','white'] | |CHALK='chalk'#粉笔风 | |DARK='dark'#暗黑风 | |ESSOS='essos'#厄索斯大陆 | |INFOGRAPHIC='infographic'#信息图 | |LIGHT='light'#明亮风格 | |MACARONS='macarons'#马卡龙 | |PURPLE_PASSION='purple-passion'#紫色激情 | |ROMA='roma'#石榴 | |ROMANTIC='romantic'#浪漫风 | |SHINE='shine'#闪耀风 | |VINTAGE='vintage'#复古风 | |WALDEN='walden'#瓦尔登湖 | |WESTEROS='westeros'#维斯特洛大陆 | |WHITE='white'#洁白风 | |WONDERLAND='wonderland'#仙境 """
柱状图模板系列
海量数据柱状图动画展示
非常多的数据集,我们需要展示的话,我们可以利用这个模板进行展示,下面由于数据量过多我就不展示全部的数据了。
import pyecharts.options as opts from pyecharts.charts import Bar category=["类目{}".format(i)for i in range(0,100)] red_bar=['数据集非常多!!!!'] ( Bar(init_opts=opts.InitOpts(width="1500px",height="700px")) .add_xaxis(xaxis_data=category) .add_yaxis( series_name="系列1",y_axis=red_bar,label_opts=opts.LabelOpts(is_show=False) ) .add_yaxis( series_name="系列2", y_axis=blue_bar, label_opts=opts.LabelOpts(is_show=False), ) .set_global_opts( title_opts=opts.TitleOpts(title="柱状图动画延迟"), xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=False)), yaxis_opts=opts.AxisOpts( axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), ) .render("柱状图动画延迟.html") ) print("图表已生成!请查收!")
收入支出柱状图(适用于记账)
我们在日常的生活中,有收入也有支出,这个模板就是把收入和支出直观的展示在读者面前。
from pyecharts.charts import Bar from pyecharts import options as opts #一般不适用 x_data=[f"11月{str(i)}日"for i in range(1,12)] y_total=[0,900,1245,1530,1376,1376,1511,1689,1856,1495,1292] y_in=[900,345,393,"-","-",135,178,286,"-","-","-"] y_out=["-","-","-",108,154,"-","-","-",119,361,203] bar=( Bar() .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="", y_axis=y_total, stack="总量", itemstyle_opts=opts.ItemStyleOpts(color="rgba(0,0,0,0)"), ) .add_yaxis(series_name="收入",y_axis=y_in,stack="总量") .add_yaxis(series_name="支出",y_axis=y_out,stack="总量") .set_global_opts(yaxis_opts=opts.AxisOpts(type_="value")) .render("收入支出柱状图.html") ) print("图表已生成!请查收!") 三维数据叠加 from pyecharts import options as opts from pyecharts.charts import Bar from pyecharts.faker import Faker c=( Bar() .add_xaxis(Faker.choose()) .add_yaxis("商家A",Faker.values(),stack="stack1") .add_yaxis("商家B",Faker.values(),stack="stack1") .add_yaxis("商家C",Faker.values(),stack="stack1") .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) .set_global_opts(title_opts=opts.TitleOpts(title="标题")) .render("三维数据折叠.html") ) print("图表已生成!查收!")
柱状图与折线图多维展示(同屏展示)
柱状图里面也有折线图,适合我们在特定情况下进行数据展示,效果还是比较的直观,方便我们可以直接get到数据的价值。
import pyecharts.options as opts from pyecharts.charts import Bar,Line x_data=["1月","2月","3月","4月","5月","6月","7月","8月","9月","10月","11月","12月"] bar=( Bar(init_opts=opts.InitOpts(width="1100px",height="600px")) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="蒸发量", y_axis=[ 2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3, ], label_opts=opts.LabelOpts(is_show=False), ) .add_yaxis( series_name="降水量", y_axis=[ 2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3, ], label_opts=opts.LabelOpts(is_show=False), ) .extend_axis( yaxis=opts.AxisOpts( name="温度", type_="value", min_=0, max_=25, interval=5, axislabel_opts=opts.LabelOpts(formatter="{value}°C"), ) ) .set_global_opts( tooltip_opts=opts.TooltipOpts( is_show=True,trigger="axis",axis_pointer_type="cross" ), xaxis_opts=opts.AxisOpts( name='月份', name_location='middle', name_gap=30,#标签与轴线之间的距离,默认为20,最好不要设置20 name_textstyle_opts=opts.TextStyleOpts( font_family='Times New Roman', font_size=16,#标签字体大小 #type_="category", #axispointer_opts=opts.AxisPointerOpts(is_show=True,type_="shadow"), )), yaxis_opts=opts.AxisOpts( name="水量", type_="value", min_=0, max_=250, interval=50, axislabel_opts=opts.LabelOpts(formatter="{value}ml"), axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), ) ) line=( Line() .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="平均温度", yaxis_index=1, y_axis=[2.0,2.2,3.3,4.5,6.3,10.2,20.3,23.4,23.0,16.5,12.0,6.2], label_opts=opts.LabelOpts(is_show=False), ) ) bar.overlap(line).render("折线图-柱状图多维展示.html") print("图表已生成!请查收!")
import pyecharts.options as opts from pyecharts.charts import Bar,Line colors=["#5793f3","#d14a61","#675bba"] x_data=["1月","2月","3月","4月","5月","6月","7月","8月","9月","10月","11月","12月"] legend_list=["蒸发量","降水量","平均温度"] evaporation_capacity=[ 2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3, ] rainfall_capacity=[ 2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3, ] average_temperature=[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="1100px",height="600px")) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="蒸发量", y_axis=evaporation_capacity, yaxis_index=0, color=colors[1], ) .add_yaxis( series_name="降水量",y_axis=rainfall_capacity,yaxis_index=1,color=colors[0] ) .extend_axis( yaxis=opts.AxisOpts( name="蒸发量", type_="value", min_=0, max_=250, position="right", axisline_opts=opts.AxisLineOpts( linestyle_opts=opts.LineStyleOpts(color=colors[1]) ), axislabel_opts=opts.LabelOpts(formatter="{value}ml"), ) ) .extend_axis( yaxis=opts.AxisOpts( type_="value", name="温度", min_=0, max_=25, position="left", axisline_opts=opts.AxisLineOpts( linestyle_opts=opts.LineStyleOpts(color=colors[2]) ), axislabel_opts=opts.LabelOpts(formatter="{value}°C"), splitline_opts=opts.SplitLineOpts( is_show=True,linestyle_opts=opts.LineStyleOpts(opacity=1) ), ) ) .set_global_opts( yaxis_opts=opts.AxisOpts( type_="value", name="降水量", min_=0, max_=250, position="right", offset=80, axisline_opts=opts.AxisLineOpts( linestyle_opts=opts.LineStyleOpts(color=colors[0]) ), axislabel_opts=opts.LabelOpts(formatter="{value}ml"), ), tooltip_opts=opts.TooltipOpts(trigger="axis",axis_pointer_type="cross"), ) ) line=( Line() .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="平均温度",y_axis=average_temperature,yaxis_index=2,color=colors[2] ) ) bar.overlap(line).render("多维展示显示数据.html")
单列多维数据展示
from pyecharts import options as opts from pyecharts.charts import Bar from pyecharts.commons.utils import JsCode from pyecharts.globals import ThemeType ''' 功能:定义多个列表,一个单列柱状图里面可以显示多个产品的数量(显示各自所占比例)达到一图多效果展示 应用场景:比如有3个产品,分别在星期一到星期天有不同的销售额,每一天三个不同的产品也都有各自的销售额 需要同时展示出这些信息,并分析出每一个产品在一天中所占比例是多少 涉及知识:列表里面嵌套多个字典 ''' list2=[ {"value":12,"percent":12/(12+3)},#对于各自的值,同时对于各自的百分比 {"value":23,"percent":23/(23+21)}, {"value":33,"percent":33/(33+5)}, {"value":3,"percent":3/(3+52)}, {"value":33,"percent":33/(33+43)}, {"value":45,"percent":45/(45+3)}, {"value":23,"percent":23/(23+13)}, ] list3=[ {"value":3,"percent":3/(12+3)}, {"value":21,"percent":21/(23+21)}, {"value":5,"percent":5/(33+5)}, {"value":52,"percent":52/(3+52)}, {"value":43,"percent":43/(33+43)}, {"value":3,"percent":45/(45+3)}, {"value":13,"percent":13/(23+13)}, ] #可以添加多个列表 #list4=[] c=( Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT)) .add_xaxis([1,2,3,4,5,6,7])#横坐标变量参数 #数据堆叠,同个类目轴上系列配置相同的stack值可以堆叠放置 #同一系列的柱间距离,默认为类目间距的20%,可设固定值 .add_yaxis("产品1",list2,stack="stack1",category_gap="50%") .add_yaxis("产品2",list3,stack="stack1",category_gap="50%") .set_series_opts( label_opts=opts.LabelOpts( position="right", formatter=JsCode( "function(x){return Number(x.data.percent*100).toFixed()+'%';}" ), ) ) #X Y轴的系列配置 .set_global_opts(title_opts=opts.TitleOpts(title="标题"), xaxis_opts=opts.AxisOpts( name='星期', name_location='middle', name_gap=30,#标签与轴线之间的距离,默认为20,最好不要设置20 name_textstyle_opts=opts.TextStyleOpts( font_family='Times New Roman', font_size=16#标签字体大小 )), yaxis_opts=opts.AxisOpts( name='数量', name_location='middle', name_gap=30, name_textstyle_opts=opts.TextStyleOpts( font_family='Times New Roman', font_size=16 #font_weight='bolder', )), #toolbox_opts=opts.ToolboxOpts()#工具选项 ) .render("单列多维占比层次柱状图.html") ) print("图表已生成!请查收!")
3D柱状图
这类图表一般不会用到,但是pyecharts也可以生成这种炫酷的3D模板,来看看吧!
上述3D图形都可以通过鼠标进行控制,翻转
import random from pyecharts import options as opts from pyecharts.charts import Bar3D x_data=y_data=list(range(10)) def generate_data(): data=[] for j in range(10): for k in range(10): value=random.randint(0,9) data.append([j,k,value*2+4]) return data bar3d=Bar3D(init_opts=opts.InitOpts(width="1500px",height="700px")) for _ in range(10): bar3d.add( "", generate_data(), shading="lambert", xaxis3d_opts=opts.Axis3DOpts(data=x_data,type_="value"), yaxis3d_opts=opts.Axis3DOpts(data=y_data,type_="value"), zaxis3d_opts=opts.Axis3DOpts(type_="value"), ) bar3d.set_global_opts(title_opts=opts.TitleOpts("Bar3D-堆叠柱状图示例")) bar3d.set_series_opts(**{"stack":"stack"}) bar3d.render("3D堆叠柱状图.html")
柱状图的模板大全差不多都是这些了,下期文章我们一起领略折线图的魅力吧!
到此为止,这篇文章就给大家介绍到这里了,希望可以给大家带来帮助。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/128310.html
小编写这篇文章的一个主要目的,继续为大家介绍关于Python相关事宜,介绍的内容主要是教我们如何去绘制饼状图,具体怎么去做呢?下面就给大家详细的解答下。 概念 饼图(pie chart)是用圆形及圆内扇形的角度来表示数值大小的图形,它主要用于表示一个样本(或总体)中各组成部分的数据占全部数据的比例。仅排列在工作表的一列或一行中的数据可以绘制到饼图中。饼图显示一个数据系列(数据系列:在图表中...
小编写这篇文章的主要目的,主要是给大家去做一个解答,解答的内容主要是关于Python pyecharts的一些案例,包括如何使用它去进行绘制一个相关的散点图,怎么能够快速的去进行绘制。就具体的内容,下面就给大家详细解答下。 什么是散点图? 散点图是指在数理统计回归分析中,数据点在直角坐标系平面上的分布图,散点图表示因变量随自变量而变化的大致趋势,由此趋势可以选择合适的函数进行经验分布的拟合...
小编写这篇文章的主要目的,主要是给大家做一个详细的介绍,介绍的内容是Python可视化神器,这个神器指的是pyecharts,那么,怎么样利用这种语言去进行绘制箱型图呢?下面小编就给大家详细解答下。 概念 后面的图形都是一些专业的统计图形,当然也会是我们可视化的对象。 箱形图(Box-plot)又称为盒须图、盒式图或箱线图,是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。...
Python pyecharts作为常用的数据可视化软件,能够清晰的将海量的数据,去做一个拆分,要是更直观的去查看数据图表的话,就需要去制作云图了?那么,怎么制作云图呢?下面就给大家详细的做个解答。 词云图 什么是词云图,相信大家肯定不会感到陌生,一本书统计里面出现的词频,然后可视化展示,让读者快速的了解这个主题纲要,这就是词云的直接效果。 词云图系列模板 固定模式词云图 修改一些参...
小编写这篇文章的主要方法,就是介绍关于Python pyecharts的一些相关技巧,包括教给大家怎么去使用Python pyecharts绘制雷达图。其实,说起来还是挺麻烦的,那么,我们要怎么去绘制雷达图呢?有没有什么比较好用的方法呢?下面给大家详细解答下。 雷达图 雷达图是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。轴的相对位置和角度通常是无...
阅读 873·2023-01-14 11:38
阅读 819·2023-01-14 11:04
阅读 668·2023-01-14 10:48
阅读 1823·2023-01-14 10:34
阅读 873·2023-01-14 10:24
阅读 737·2023-01-14 10:18
阅读 466·2023-01-14 10:09
阅读 500·2023-01-14 10:02