本文主要是介绍亲，你看到这张封面图，竟是用PyEcharts画的！信不信？，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
点击上方“Python数据之道”，选择“星标公众号”
只收藏文章，不点在看的，都是耍流氓
没错，就是它！酷不酷
来源：王的机器
作者：王圣元
昨天晚上看到一个关于股票的矩形树状图 (tree map)，真的太酷了，传达的信息太多了。
这鬼斧神工的细节大概率是用 d3.js 做的，鼠标移动到每个股票上居然还能看到它 (甚至和它同类股票) 前一天的走势图，我就想能不能用 PyEcharts 实现它或实现它一部分。
在做之前我什么都不会，但我知道我需要三个东西
数据 (从 Quantopian 取)
PyEcharts 例子 (从 Google 搜)
直觉 (这个靠平时积累和一些领域知识)
接着就是模仿着例子，套用着数据，一步一步完善。这是学习一个陌生的东西正确打开方式。
从之前的炫酷的 TreeMap 图中，我得到以下几个规律：
股票是按行业 (sector) 聚成一块的。
每个行业下的小块就显示着股票代号和日收益率。
每一小块的面积不一样大，看着微软 (MSFT)、苹果 (AAPL)、亚马逊 (AMZN) 和谷歌 (GOOGL) 最显眼就知道面积和市值成正比。
第一步我就明晰了需要的数据，就是每个股票的
代号、行业、价格 (日收益率)、市值
接着就在 Quantopian 中用 pipeline 一把梭 (这个靠练习，玩过几次就熟了)。首先引入所用需要的包。关于 Pipeline 的知识在〖张量 101〗讲过。
还记得〖机器学习之 Scikit-Learn〗讲过的用来数据预处理的元估计器 Pipeline 么？在 Quantopian 里你可以把你想在各种条件下获取的各种数据类型统统定义在make_pipeline() 里面。
前 3 行要获取收盘价、股票代号和市值。
后 4 行把范围限制在
可交易
市值前 500 的股票
收盘价有值
的股票上。
最后返回一个 DataFrame，columns 包括股票代号 (code)、行业 (sector)、日收益率 (return) 和市值 (market_cap)。
获取 2019 年 6 月 11 日的数据，并打印前五行。
其他信息还好，但是 sector 怎么是数字啊？一查发现 Quantopian 里对行业有个映射表 (SECTOR_NAMES 是个字典)。
对 data['sector'] 用个 apply 函数，把用键把 SECTOR_NAMES 里的值获取出来 (字典是键值对还记得吗？)。
现在的 DataFrame 含「多索引」的行标签，这种类型的数据不方便存入 csv 中，因此我们用 reset_index() 将行标签全部转成列标签。
level_0 和 level_1 看着好碍眼，而且包含着多余信息，用 drop() 函数删掉。
美滋滋的最后准备存成 csv 文件是要吐血，因为 Quantopian 里的数据很宝贵，它不允许外存因而把 to_csv 之类的函数当成黑名单了。
但这难得住我么？我把它每次分 50 行打印出来，手动复制粘贴到 csv 中。
最终 csv 就长这个样子。
数据齐了，接下来看例子，希望抽出共性的东西用来模仿。
Google 一下 Pyecharts + Treemap，找到下面的例子。
https://www.evolutionarylearn.com/paper/treemap-pyecharts-python/
该例选择国际货币基金组织 (IMF) 公布的 2017 年全球各国 GDP 作为基础数据，计算各国 GDP 占全球 GDP 的比例，并利用 Treemap 进行可视化展示。用到的数据如下：
数据用以下代码表示：
PyEcharts 用到的数据不是 DataFrame 啊，而且字典里面套字典 (没关系，做个数据格式转换不就行了)。细看上面数据
第一层的 name 是五大洲，value 是该洲的总 GDP 比例，而 children 也有 name 和 value (第二层)，分别是该洲包含的国家以及它们的 GDP 比例。
再看例子里的代码
很简单，除了 label_formatter 细节比较多 (为了打印不同格式的数据)，其他就是 TreeMap 模块里的参数设置。只要 data 的格式正确，矩阵树形图就能画出来了。
类比这个例子和我们要解决的股票例子，得到以下联系：
这样看，股票例子还麻烦一点，GDP 例子里面 GDP 即可以用来决定面积，又可以用来显示，而股票例子需要日收益率做显示。
这些都是小事，有了上面类比，模仿就容易多了，先写个雏形再慢慢提纯。
首先引入 PyEcharts 里的 TreeMap 模块，并引入 numpy 和 pandas 模块。
from pyecharts import TreeMap
import numpy as np
import pandas as pd从 csv 中读取信息并存成 DataFrame 取名为 data，打印前五行。
用 csv 中的数据，我手贱用 excel 里的 TreeMap 试了下，点击 Insert > Insert Hierarchy Chart > Treemap
结果图片很丑，而且灵活性差。
还是老老实实用 PyEcharts 吧。
定义个 print_groups 函数便于打印组的名字和前五行信息，再按行业 ‘sector’ 来分组，这些操作在〖数据结构之 Pandas (下)〗都详细介绍过。
用 apply 方法在每个组中的 DataFrame 上 ‘market_cap’ 列上求和，这个「和」决定每个行业在 TreeMap 中分配到的面积。
接下来就是核心操作，如何把「csv 读取出来的 DataFrame 格式」转换成「PyEcharts 中 TreeMap 函数要求的数据格式」。
第 1 行创建一个空的列表 data_for_treemap。
第 3-19 行用两层 for 循环来转成数据。
第一层 for 循环
第 6 行获取市值总和 (total_mktcap) 和行业 (sector)。
第 17-21 行生成外层字典 i_data，并逐一的添加在列表 data_for_treemap 上。
第二层 for 循环
第 5 行获取每个股票的代码 (code)、日收益率 (r) 和市值 (mktcap)。
第 8 行创建一个空的列表 children。
第 10-15 行生成内层字典 j_data，并逐一的添加在列表 children 上 (是外层字典 i_data 的值)。
转换后的数据如下：
数据弄好了，最后就只是调用 TreeMap 模块，不能更简单，比如第 1 行创建 treemap 并确定好其大小。体现细节的是第 6 -7 行两个黄色高亮函数，这里是 Python 高阶函数的用法，即把函数当成参数。
先看 label_formatter，该函数主要是在 treemap 的每个小块中显示股票代号和日收益率，样子如下
我们看看如何实现
这里 params 是第二层的字典，params.name 是一个列表，包含三个元素 [sector, code, return]。
第 2 行：如果 return 为正，添加一个加号 ‘+‘；如果为负，什么都不加因为本身自带减号 ‘-’。
第 3 -4 行：返回一个「二行的」字符 (注意 '\n' 有分行功能)，第一行是股票代号，第二行是日收益率 (乘上 100，保留小数点 2 位，再加个百分号 %)。
最后做出来的效果如下 (和上面的比丑是丑点，但功能都在)
再看 tootip_formatter，该函数使得当鼠标放在 treemap 的每个小块上而显示提示框，样子如下
我们看看如何部分实现 (示例里的 tooltip 细节太强大了)
同样，这里 params 是第二层的字典，params.name 是一个列表，包含三个元素 [sector, code, return]。
第 2 行：根据 return 大于-小于-等于 0 来决定涨-跌-平。
第 3-6 行：返回一个「四行的」字符 (注意 '<br>' 有分行功能)，分别显示股票代号、行业、市值 (以 billion 为单位)、和涨跌方向。
最后做出来的效果如下 (和上面的比丑得不忍直视，但是这就是 Pyecharts 和 d3.js 的差距)
最后来看个效果图，不是特别清楚，想拿到高清版按本文后续的提示来操作。
优点：
股票代号、日收益率信息都体现了，市值也在「块面积」上体现了，提示框还额外提供了股票涨跌的信息。
可以放大，可以缩小，也可以来回移动。
缺点：
每个行业的大块下没有母标签，如红色块应该出现个 TECHNOLOGY 这样的标签。
每个行业下的大块就一种颜色，像 d3.js 那个图，股票涨用绿色股票贴用红色更有感觉。
字体一样大，而不是根据面积的大小按比例决定，不能更快速地把注意力放在巨无霸身上。
提示框的信息没有 d3.js 图里提供的那么丰富。
不过就这样吧，至少比 Matplotlib 和 Excel 做出来的好看多了，在客户面前做展示也耍帅些，当然不能和 Javascript 比。
这次总结想说一些非技术上的东西：
兴趣导向或结果导向非常重要，比如我就觉得 TreeMap 酷而非常像实现它，即便一开始我什么都不会，这个兴趣会逼着我想办法解决问题。
在解决问题肯定会遇到很多挫折，比如我在 Quantopian 环境中处理半天数据发现不让外传到 csv 中，坚持去想办法解决，即便费点人力。其他技术上的问题，能明白说出你的问题很重要，这样的话用 google 查询基本95% 的技术问题都可以解决。
写程序平时要有一定的积累，但不用什么都要记住，人脑又不是电脑，有个大概的印象就可以了，剩下的就交给 google 或文档了。比如我们要计算据行业市值总和，那么在 DataFrame 数据上最简介的形式就是用 split-apply-combine。不用记住具体细节，要用时查找文档或例子一下子就会写了。
新知识太多，你根本学不完，有效的学习方法远比学到的东西重要。有了它，面对新知识，你知道只要你想学就一定学的会，这就够了。要用到它时再学吧，我现在也不太懂图神经网络、元学习呢，但我知道我可以征服它们。
代码
在公众号【王的机器】后台回复 “data” 获取代码和数据文件。
-------------------End-------------------
Python数据之道
据说学Python的只有10%的人关注了这个号，
还有很大潜力
今日主题：聊聊你对本文主题的一些感悟
留言格式：昵称 + day xx + 留言内容（字数不少于15字）
欢迎各位同学加入公众号读者分享交流群，在公众号后台回复 “微信群” 即可。
推荐 | 免费获取《Python知识手册》
Matplotlib最有价值的50个图表
可视化神器推荐（Plotly Express）
推荐一个牛逼的生物信息库-Dash Bio
用Python快速分析和预测股票价格
同学们，支持就请右下角点
！
这篇关于亲，你看到这张封面图，竟是用PyEcharts画的！信不信？的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
