小白学 Python 数据分析(21):pyecharts 好玩的图表(系列终篇)

本文主要是介绍小白学 Python 数据分析(21):pyecharts 好玩的图表(系列终篇),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!

人生苦短,我用 Python

前文传送门:

小白学 Python 数据分析(1):数据分析基础

小白学 Python 数据分析(2):Pandas (一)概述

小白学 Python 数据分析(3):Pandas (二)数据结构 Series

小白学 Python 数据分析(4):Pandas (三)数据结构 DataFrame

小白学 Python 数据分析(5):Pandas (四)基础操作(1)查看数据

小白学 Python 数据分析(6):Pandas (五)基础操作(2)数据选择

小白学 Python 数据分析(7):Pandas (六)数据导入

小白学 Python 数据分析(8):Pandas (七)数据预处理

小白学 Python 数据分析(9):Pandas (八)数据预处理(2)

小白学 Python 数据分析(10):Pandas (九)数据运算

小白学 Python 数据分析(11):Pandas (十)数据分组

小白学 Python 数据分析(12):Pandas (十一)数据透视表(pivot_table)

小白学 Python 数据分析(13):Pandas (十二)数据表拼接

小白学 Python 数据分析(14):Pandas (十三)数据导出

小白学 Python 数据分析(15):数据可视化概述

小白学 Python 数据分析(16):Matplotlib(一)坐标系

小白学 Python 数据分析(17):Matplotlib(二)基础操作

小白学 Python 数据分析(18):Matplotlib(三)常用图表(上)

小白学 Python 数据分析(19):Matplotlib(四)常用图表(下)

小白学 Python 数据分析(20):pyecharts 概述

引言

各位同学好,今天是个阳光明媚的大周末。

本来今天是想将 pyecharts 的一些常用图片也介绍一下的,但是当我真正开始写的时候,想到了一个事情,这些基础的枯燥的内容还是不要再去折磨我的读者了。

取而代之的是不如写一点 pyecharts 好玩的东西,提升一些各位读者的兴趣,有兴趣了以后再去学习就显得不是那么困难了。

所以就有了这篇文章, pyecharts 好玩的图表。

二维图表可能大家都能经常见到,所以本文尽量不列举二维图表,尽量多的从 3D 图表玩起。

PS:顺便说一下, pyecharts 的文档质量非常好,所有的图表都有示例,对于刚接触的新手来讲十分友好,啥也不会的前提下,把 Demo CV 出来就能直接运行,学习代码,从 CV 开始。

以下示例均来自官方文档的示例,各位别喷我抄袭就成。

3D 柱状图

首先是 3D 柱状图, 2D 的柱状图各位同学应该经常能见到, 3D 的应该比较少见,我们先来看下效果:

示例的部分代码 Bar3d_punch_card.py

import pyecharts.options as opts
from pyecharts.charts import Bar3D# 省略部分数据代码data = [[d[1], d[0], d[2]] for d in data](Bar3D(init_opts=opts.InitOpts(width="1600px", height="800px")).add(series_name="",data=data,xaxis3d_opts=opts.Axis3DOpts(type_="category", data=hours),yaxis3d_opts=opts.Axis3DOpts(type_="category", data=days),zaxis3d_opts=opts.Axis3DOpts(type_="value"),).set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=20,range_color=["#313695","#4575b4","#74add1","#abd9e9","#e0f3f8","#ffffbf","#fee090","#fdae61","#f46d43","#d73027","#a50026",],)).render("bar3d_punch_card.html")
)

因为是 3D 图形,我们的数据是一个三维数据,上面的示例没有数据的代码,由于太长了,所以就没放。不过所有的代码都会上传至代码仓库,有需要的铜须可以去代码仓库获取。

日历图

如果经常上 GitHub ,那么对这张图表一定很熟悉:

这个就是日历图,上图是我本人的 GitHub 的提交记录,同样, pyecharts 也为我们提供了日历图的方法,示例如下:

import datetime
import randomfrom pyecharts import options as opts
from pyecharts.charts import Calendarbegin = datetime.date(2019, 1, 1)
end = datetime.date(2019, 12, 31)
data = [[str(begin + datetime.timedelta(days=i)), random.randint(1, 20)]for i in range((end - begin).days + 1)
]c = (Calendar().add("", data, calendar_opts=opts.CalendarOpts(range_="2019")).set_global_opts(title_opts=opts.TitleOpts(title="Calendar-2019 Github 提交情况"),visualmap_opts=opts.VisualMapOpts(max_=20,min_=1,orient="horizontal",is_piecewise=True,pos_top="230px",pos_left="100px",),).render("calendar_base.html")
)

结果如下:

仪表盘

仪表盘经常用来表示一件事情的完成情况,看着很高大上的样子,在 pyecharts 想做一个仪表盘实际上非常简单。

示例如下:

from pyecharts import options as opts
from pyecharts.charts import Gaugec = (Gauge().add("", [("完成率", 80)]).set_global_opts(title_opts=opts.TitleOpts(title="Gauge-基本示例")).render("gauge_base.html")
)

结果如下:

关系图

关系图,顾名思义就是描述关系的图,有时候我们看电视剧,出现的人物比较多记不住的时候,可以用 pyecharts 画个关系图捋顺关系(我真是个小机灵鬼)。

示例如下:

from pyecharts import options as opts
from pyecharts.charts import Graphnodes = [{"name": "肖恩", "symbolSize": 10},{"name": "海棠朵朵", "symbolSize": 20},{"name": "长公主", "symbolSize": 30},{"name": "陈萍萍", "symbolSize": 40},{"name": "范闲", "symbolSize": 50},{"name": "林婉儿", "symbolSize": 40},{"name": "庆帝", "symbolSize": 30},{"name": "范若若", "symbolSize": 20},{"name": "司理理", "symbolSize": 10}
]
links = []
for i in nodes:for j in nodes:links.append({"source": i.get("name"), "target": j.get("name")})
c = (Graph().add("", nodes, links, repulsion=8000).set_global_opts(title_opts=opts.TitleOpts(title="庆余年人物关系图")).render("graph_base.html")
)

结果如下:

我这里就简单的使用「庆余年」的人物关系随便画了一下,不要当真哦。

3D 折线图

这个示例就是经典中的经典了,旋转中的弹簧,完全摘自官方文档:

import mathfrom pyecharts import options as opts
from pyecharts.charts import Line3D
from pyecharts.faker import Fakerdata = []
for t in range(0, 25000):_t = t / 1000x = (1 + 0.25 * math.cos(75 * _t)) * math.cos(_t)y = (1 + 0.25 * math.cos(75 * _t)) * math.sin(_t)z = _t + 2.0 * math.sin(75 * _t)data.append([x, y, z])
c = (Line3D().add("",data,xaxis3d_opts=opts.Axis3DOpts(Faker.clock, type_="value"),yaxis3d_opts=opts.Axis3DOpts(Faker.week_en, type_="value"),grid3d_opts=opts.Grid3DOpts(width=100, depth=100, rotate_speed=150, is_rotate=True),).set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=30, min_=0, range_color=Faker.visual_color),title_opts=opts.TitleOpts(title="Line3D-旋转的弹簧"),).render("line3d_autorotate.html")
)

结果如下:

这个示例中的难点在于使用三角函数,算出弹簧上的每一个点的空间位置,(x, y, z) 然后再将这组数据绘制在图表中,这个算法数学功底不好的人还真的看不懂(比如说小编我)。

水球图

水球图的命名就相当的形象了,我们先看下水球图长啥样:

我们使用 pyecharts 画水球图其实很简单的,如下:

from pyecharts import options as opts
from pyecharts.charts import Liquidc = (Liquid().add("lq", [0.6, 0.7]).set_global_opts(title_opts=opts.TitleOpts(title="Liquid-基本示例")).render("liquid_base.html")
)

示例中的两个参数 0.6 和 0.7 ,分别是后面的图层百分比和前面的图层百分比。

百度地图

pyecharts 还支持百度地图上的一些操作,这对于需要使用地图做图的同学来讲不得不说是一个福音,比如下面的全国主要城市空气质量图:

或者还有北京的公交线路图:

这两个示例代码都有点长,我就不贴出来了,有兴趣的同学可以访问我的代码仓库或者官方文档获取示例代码。

多 BB 两句

能看到这里的应该都是真爱了,就容我多 BB 两句,这篇文章不仅仅是这个系列的最后一篇,同样也是整个「小白学 Python」的最后一篇了,从去年的 11 月份开始写,直到今天,耗时差不多 5 个月,输出了「基础系列」、「爬虫系列」、「数据分析系列」共计 84 篇内容,这个过程中,确实收获满满,不知道有没有从一开始跟着看能看到现在的朋友,如果有可以在评论区举手。

还记得去年刚开始写的时候,有很多同学加我微信,应该和很多人都聊过我后面的规划,今天,我终于完成了这个规划,感觉很开心也很有成就感,感谢各位同学的一路陪伴和支持,后续还会继续分享 python 相关的内容,还希望各位能继续捧场。

后续的内容已经在规划中了,各位不会等太久(想搞点机器学习相关的入门内容,不知道搞不搞得定,不管搞不搞得定,先搞了再说)。

这次其实挺想给自己放个假的,但是不敢停下来,做一件事情,能坚持这么久,确实很不容易,如果一旦停下来,再想捡起来,这难度将会成倍数的上涨,我不敢保证自己还能捡的起来,所以,继续加油!奥利给!

代码仓库

老规矩,所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上,方便大家取用。

示例代码-Github

示例代码-Gitee

参考

http://gallery.pyecharts.org/#/README

您的扫码关注,是对小编坚持原创的最大鼓励:)

这篇关于小白学 Python 数据分析(21):pyecharts 好玩的图表(系列终篇)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!



http://www.chinasem.cn/article/405030

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

科研绘图系列:R语言扩展物种堆积图(Extended Stacked Barplot)

介绍 R语言的扩展物种堆积图是一种数据可视化工具,它不仅展示了物种的堆积结果,还整合了不同样本分组之间的差异性分析结果。这种图形表示方法能够直观地比较不同物种在各个分组中的显著性差异,为研究者提供了一种有效的数据解读方式。 加载R包 knitr::opts_chunk$set(warning = F, message = F)library(tidyverse)library(phyl

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

nudepy,一个有趣的 Python 库!

更多资料获取 📚 个人网站:ipengtao.com 大家好,今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址:https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中,检测图像中的不适当内容(例如裸露图像)是一个重要的任务。nudepy 是一个基于 Python 的库,专门用于检测图像中的不适当内容。该

pip-tools:打造可重复、可控的 Python 开发环境,解决依赖关系,让代码更稳定

在 Python 开发中,管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等,都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools? pip-tools 是一组命令行工具,旨在简化 Python 依赖关系的管理,确保项目环境的稳定性和可重复性。它主要包含两个核心工具:pip-compile 和 pip

flume系列之:查看flume系统日志、查看统计flume日志类型、查看flume日志

遍历指定目录下多个文件查找指定内容 服务器系统日志会记录flume相关日志 cat /var/log/messages |grep -i oom 查找系统日志中关于flume的指定日志 import osdef search_string_in_files(directory, search_string):count = 0