python可視化工具:matplotlib+pyecharts使用詳解

原創 ckriser 2018-08-21 02:03

準備

安裝命令：pip install matplotlib
使用環境：jupyter
開發工具版本：python3

一、matplotlib快速入門

Matplotlib 對象總覽 ：
Matplotlib 對象總覽

如何選擇需要圖形：
如何選擇需要圖形

調用 figure 創建一個繪圖對象: plt.figure(figsize=(8,4))

  • 也可以不創建繪圖對象直接調用接下來的plot函數直接繪圖， matplotlib會爲我們自創建一個繪圖對象。
  • 如果需要同時繪製多幅圖表的話，可以是給figure傳遞一個整數參數指定圖標的序號，如果所指定序號的繪圖對象已經存在的話，將不創建新的對象，而只是讓它成爲當前繪圖對象。
  • figsize: 指定繪圖對象的寬度和高度，單位爲英寸；
  • dpi: 指定繪圖對象的分辨率，每英寸多少個像素，缺省值爲80。因此本例中所創建的圖表窗口的寬度爲8*80 = 640像素，高度爲4*80像素質。
from matplotlib import pyplot as plt
# 中文轉換  
plt.rcParams['font.sans-serif'] = ['SimHei']  # 指定默認字體
plt.rcParams['axes.unicode_minus'] = False  # 解決保存圖像是負號'-'顯示爲方塊的問題


# 創建畫板
plt.Figure(figsize=(8,4))
#在畫板對象上繪製一條折線圖
plt.plot([1,2,3,4],[4,5,3,15],label='第一條折線')   # label是小圖標的註解
plt.plot([2,3,4],[10,14,12],label = '第二條折線')
# 進一步完善圖表

#添加x軸標籤，y軸標籤
plt.xlabel('X軸')
plt.ylabel('Y軸')

# 爲圖表添加標題
plt.title('簡單的折線圖')
# 爲圖表添加小圖標

plt.legend(loc = 'upper right')   #確定小圖標的位置
# 顯示圖表
plt.show()   # 在jupyter中不需要打印

顯示：
1530102194834

二、matplotlib進階–繪製常見的圖表

1、繪製折線圖

  • 適用場景：折線圖適合二維的大數據集，還適合多個二維數據集的比較。一般用來表示趨勢的變化，橫軸一般爲日期字段
  • 優勢：容易反應出數據變化的趨勢。 
# 一，繪製折線圖
x = [1,2,3,4,5,6,7,8]
y = [5,2,4,2,1,4,5,2]
plt.plot(x,y,label='折線圖')
plt.title('繪製折線圖')
plt.legend(loc='upper right')
plt.xlabel('x')
plt.ylabel('y')

這裏寫圖片描述

2、繪製柱狀圖

  • 適用場景：顯示各個項目之間的比較情況，和柱狀圖類似的作用
  • 優勢：每個條都清晰表示數據，直觀
  • 劣勢：柱狀圖的侷限在於只適用中小規模的數據集
  • 延伸圖表：堆積條形圖、百分比堆積條形圖 
# 繪製柱狀圖 
x,y,x2,y2 = [1,3,5,7,9],[5,2,7,8,2],[2,4,6,8,10],[8,6,2,5,6]
plt.bar(x,y,label='柱狀圖-1',color='r')
plt.bar(x2,y2,label='柱狀圖-2',color='g') # 通過color指定顏色
plt.title('繪製柱狀圖-1')
plt.legend(loc='upper right')
plt.xlabel('x:樣本值')
plt.ylabel('y:樣本數')

這裏寫圖片描述

3、繪製條形圖

• plt.barh 爲我們創建條形圖。本質上條形圖就是橫向的柱狀圖，故兩個的配置幾乎完全相同
• 不同的是一般用柱狀圖表達數據較少的數據，如果數據量較大（超過10條），建議可以用條形圖

# 繪製條形
x,y,x2,y2 = [1,3,5,7,9],[5,2,7,8,2],[2,4,6,8,10],[8,6,2,5,6]
# plt.barh(x,y,label='條形圖-1',color='r')
# plt.barh(x2,y2,label='條形圖-2',color='g') # 通過color指定顏色
plt.barh(x,y,label='條形圖-1',color='#000000')
plt.barh(x2,y2,label='條形圖-2',color='#0000FF') # 通過color指定顏色
plt.title('繪製條形圖-1')
plt.legend(loc='upper right')
plt.xlabel('x:樣本值')
plt.ylabel('y:樣本數')

1530102409683

4、繪製直方圖

  • 直方圖又稱質量分佈圖，它是表示資料變化情況的一種主要工具。

  • 用直方圖可以解析出資料的規則性，比較直觀地看出產品質量特性的分佈狀態，對於資料分佈狀況一目瞭然，便於判斷其總體質量分佈情況。

# 繪製直方圖：直觀顯示產品的總體質量分佈  如：頻率分佈直方圖
population_ages = [22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,122,130,111,115,112,80,75,65,54,44,43,42,48] 
# 劃分的區間
bins = [0,10,20,30,40,50,60,70,80,90,100,110,120,130]
plt.hist(population_ages,bins,histtype='bar',label='年齡分佈情況')
plt.xlabel('x:年齡區間')
plt.ylabel('y:人數')
plt.title('年齡分佈直方圖')

1530102476052

5、繪製餅狀圖

  • 適用場景：顯示各項的大小與各項總和的比例。適用簡單的佔比比例圖，在不要求數據精細的情況適用。
  • 優勢：明確顯示數據的比例情況，尤其合適渠道來源等場景
  • 劣勢：不會具體的數值，只是整體的佔比情況。　　
audience = [2,5,10,3]
types = ['少年','青年','中年','老年']

# 定義每一個扇圖的顏色
# colors = ['#ff0000','#00ff00','#cccccc','#000000']
colors = ['c','m','g','b']
plt.pie(audience,
       labels=types,  #扇形取餘的標註
       autopct='%1.1f%%', #扇形取餘的顯示百分比
       colors=colors,  #扇形區域的顏色
        startangle=90,  #開始繪製扇形取餘的角度
        explode = [0.2,0,0,0],  # 突出顯示某一扇形區，數值取（0-1）之間
        shadow=True  # 是否顯示陰影
       )
plt.title("關注世界盃的人數佔比")
plt.show()

1530102608847

6、繪製散點圖

  • 適用場景：顯示若干數據系列中各數值之間的關係，類似XY軸，判斷兩變量之間是否存在某種關聯。散點圖適用於三維數據集，但其中只有兩維數據是需要比較的。另外，散點圖還可以看出極值的分佈情況
  • 優勢：對於處理值的分佈和數據點的分簇區域（通過設置橫縱項的輔助線），散點圖都很理想。如果數據集中包含非常多的點，那麼散點圖便是最佳圖表類型
  • 劣勢：在點狀圖中顯示多個序列看上去非常混亂
# 繪製散點圖
x,y = [1,2,3,4,5,6,7,8],[5,2,4,2,1,4,5,2]
# x,y表示x,y軸座標，color點的顏色，s點的大小，marker顯示點的形狀 label是獨立註解
plt.scatter(x,y,color = 'r',s=100,marker='o',label = 'skitscat') 
plt.legend()

1530102698229

7、繪製堆疊圖

  • 堆疊圖用於顯示『部分對整體』 隨時間的關係。 堆疊圖基本上類似於餅圖，只是隨時間而變化。
  • 讓我們考慮一個情況，我們一天有24 小時，我們想看看我們如何花費時間。 我們將我們的活動分爲：睡覺，吃飯，工作和玩耍。想看每個活動的佔比及分佈情況，可以考慮堆疊圖
# 繪製堆疊圖 ：部分佔總體的情況
days = [1,2,3,4,5]
sleeping = [7,8,6,11,7]
eating = [2,3,4,3,2]
working = [7,8,7,2,2]
playing = [8,5,7,8,13]
plt.figure(figsize=(8,6))
# days 時間軸，堆疊數據
plt.stackplot(days,sleeping,eating,working,playing,
             colors=['b','r','c','m'])
plt.title('堆疊圖')
# 爲堆疊圖加上圖例*****************
plt.plot([],[],color='b',label='sleeping',linewidth=5)
plt.plot([],[],color='r',label='eating',linewidth=5)
plt.plot([],[],color='c',label='working',linewidth=5)
plt.plot([],[],color='m',label='playing',linewidth=5)

plt.xlabel('x:星期')
plt.ylabel('y:花費時間')
plt.legend()

1530102769661

三、matplotlib進階–綜合應用

通過對三角函數的圖形畫法，掌握刻度，標示，點標註的基本使用

from matplotlib import pyplot as plt
import numpy as np
from numpy import pi as PI
plt.rcParams["font.sans-serif"] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


# 從-pi 到pi平均取256個點
X = np.linspace(-np.pi,np.pi,256,endpoint=True)
# 根據X的值，求正弦和餘弦函數
sin,cos = np.sin(X),np.cos(X)

# 繪製正弦
plt.plot(X,sin,'b-',label='正弦',lw=2.5) # 簡寫用法，'b-'  表示顏色爲藍，-代表折線圖
plt.plot(X,cos,'r-',label='餘弦',lw=2.5)

# 將x軸和y軸同時放大1.5倍
plt.xlim(X.min()*1.5,X.max()*1.5)
plt.ylim(cos.min()*1.5,cos.max()*1.5)


# 手動指定x軸和y軸的座標刻度
plt.xticks([-PI,-PI/2,0,PI/2,PI])
plt.yticks([-1,0,1]) # Y軸3個座標點

# 替換X軸中的數字，保持PI爲π,用後面符號代替前面的數字
plt.xticks([-PI,-PI/2,0,PI/2,PI],[r'$-\pi$',r'$-\pi/2$',r'$0$',r'$+\pi/2$',r'$+\pi$',])# 第二個list裏面的pi是matplotlib裏面的跟numpy裏面沒有關係

# 隱藏和移動座標軸
  # 1. 首先獲取Axes對象
ax = plt.gca()   # 重點是這個，拿到了裏面的刻度內容

    # 2.隱藏右邊界和上邊界
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')

    # 3.設置座標軸刻度顯示位置
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
    # 4.先獲取到下邊界
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))

# 根據兩點繪製一條虛線
t=2*PI/3 # 先取一個數據點
plt.plot([t,t],[0,np.cos(t)], color ='blue', linewidth=2.5, linestyle="--")
plt.plot([t,t],[0,np.sin(t)], color ='red', linewidth=2.5, linestyle="--")

# 用繪製散點圖方法在正弦和餘弦上分別標註一個點 （t,sin(t)）,(t,cos(t))
plt.scatter(t,np.cos(t),50,color='blue') # j簡略寫法，size=50
plt.scatter(t,np.sin(t),50,color='red')

##### 爲這個特殊點添加標註
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
xy=(t, np.cos(t)), xycoords='data',
xytext=(-90, -50), textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{\sqrt{3}}{2}$',
xy=(t, np.sin(t)), xycoords='data',
xytext=(10, 30), textcoords='offset points', fontsize=16,
arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

# # 設置x,y軸的刻度，並設置字體
for label in ax.get_xticklabels()+ax.get_yticklabels(): # 獲取所有的刻度
    label.set_fontsize(18)  # 對每一個刻度設置字體
    label.set_bbox(dict(facecolor='r',edgecolor='m',alpha=0.4)) # 對每個刻度設置邊框：facecolor:背景顏色，edgecolor邊框顏色，alpha：透明度


#顯示圖例
plt.legend(loc='upper left')
plt.show()

這裏寫圖片描述

四、matplotlib進階-優化圖形

1、優化柱狀圖

from matplotlib import pyplot as plt
import numpy as np
plt.rcParams["font.sans-serif"]=['SimHei']  # 用於正常顯示中文標籤
plt.rcParams['axes.unicode_minus']=False  # 用來正常顯示負號


# 再論柱狀圖
# 創建一個畫板
plt.figure(1)

# 爲畫板劃分出多個Axes
ax = plt.subplot(111)# 111 代表用1行1列的第一個畫板

# 數據準備
data = np.array([15,20,18,25]) # y軸數據
width = 0.5 # 柱狀圖寬度
x_bar = np.arange(4) # x軸數據

#繪製柱狀圖
rect = ax.bar(x_bar,data,width=width,color='lightblue')

# 在x,height 對應的座標上添加文字： 
for rec in rect:
    x = rec.get_x() # 獲取x每個座標刻度的值
    height = rec.get_height() # 獲取每個柱狀的高度
    ax.text(x+0.2,1.05*height,str(height)+'W')  # 在x,height 對應的座標上添加文字： 

# 設置x軸的刻度
ax.set_xticks(x_bar)
ax.set_xticklabels(['第一季度','第二季度','第三季度','第四季度'])

# 設置y軸的標註
ax.set_ylabel('銷量(單位：萬件)')
ax.set_xlabel('季度')

# 設置標題：
ax.set_title('2018年季度銷售量統計')

# 是否顯示網格
ax.grid(True)

# 拉伸Y軸,設置y軸位0--30
ax.set_ylim(0,30)

1530103050749

2、利用subplot繪製多幅圖形

# 用subplot()方法繪製多個圖
plt.figure(figsize=(6,6))
plt.figure(1) #開始畫第一個畫板
# 將第一個畫板劃分爲有2行1列的組成的區塊;所以這個畫板有兩個子區域，並獲取到第一塊區域
plt.subplot(211)
# 在第一子區域中繪圖
plt.scatter([1,3,5],[2,4,5])

# 在第二個子區域
plt.subplot(212)
plt.plot([2,4,6],[7,5,12])

# 創建第二個畫板
plt.figure(2)
y = np.array([15,20,18,25]) # y軸數據
x = np.arange(4) # x軸數據
# 在第二個畫板上繪製柱狀圖
plt.plot(x,y)
# 爲柱狀圖添加標題
plt.title('第二個畫板上的數據')

# 從第二個畫板切換到第一個畫板
plt.figure(1)
# 再切換到第一個畫板的第一個區域
plt.subplot(211)
# 爲第一個畫板的第一個圖像加上標題
plt.title('第一個畫板的第一個標題')
# 再切換到第一個畫板的第二個區域
plt.subplot(212)
# 爲第一個畫板的第二個圖像加上標題
plt.title('第一個畫板的第二個標題')

# 設置畫板中兩個圖片的間距
# 調整每隔子圖之間的距離
plt.tight_layout(2)

1530103111317

五、matplotlib進階–加載數據文件進行可視化

需要導入的必要包及其設置：

from matplotlib import pyplot as plt
import numpy as np
import pandas as pd
import csv
import json
import urllib
#用來正常顯示中文標籤
plt.rcParams['font.sans-serif']=['SimHei']
#用來正常顯示負號
plt.rcParams['axes.unicode_minus']=False

1、直接根據數據繪製折線圖

# 1、定義兩個空列表，存放x和y軸數據
x,y = [],[]

with open('data/csv/matplotlib-demo.csv') as file:
    points = csv.reader(file,delimiter=',')
    for row in points:
        x.append(int(row[0]))
        y.append(int(row[1]))

#折線圖
plt.plot(x,y,label='加載csv文件數據')
plt.xlabel('X軸')
plt.ylabel('Y軸')
plt.title('加載數據')
plt.legend()

1530103538264

2、用numpy加載csv數據

# unpack : True 拆分出一個兩維數組
x,y =np.loadtxt('data/csv/matplotlib-demo.csv',delimiter=',',unpack=True)

plt.plot(x,y,label="numpy簡化加載過程")
plt.xlabel('X軸')
plt.ylabel('y軸')
plt.title('加載csv文件數據')
plt.legend()

1530103586728

3、加載網絡接口數據

url = 'https://api.douban.com/v2/book/1220562'
# 利用urllib加載接口數據
souce_data = urllib.request.urlopen(url).read().decode()
# 將字符串形式json數據轉換成python字典
data = json.loads(souce_data)

# 獲取字典中的keys值爲tags下的數據
tags = data['tags']

# 遍歷tags取x軸爲name，y軸爲count
x,y = [],[]
for tag in tags:
    x.append(tag['name'])
    y.append(tag['count'])
# 畫圖
plt.bar(x,y,label='熱搜圖書')
plt.legend()
plt.xlabel('熱搜小說')
plt.ylabel('熱搜排名')
plt.title('文學搜索排名')

1530103704086

六、matplotlib進階–pandas簡化數據可視化

需要導入的必要包及其設置：

from matplotlib import pyplot as plt
from pandas import DataFrame,Series
import numpy as np
import pandas as pd
import csv
import json
import urllib
#用來正常顯示中文標籤
plt.rcParams['font.sans-serif']=['SimHei']
#用來正常顯示負號
plt.rcParams['axes.unicode_minus']=False

1、利用Series繪製折線圖

# 利用隨機函數創建一組隨機序列
# cumsum累加求和
#指定索引
'''
用Series的繪圖的原理
Series的索引作爲x軸數據
Series的value值作爲y軸數據
'''
index = np.arange(0,100,10)
series = Series(np.random.randn(10).cumsum(),index=index)
axes = series.plot(label='折線圖',style='ko-')     # style='ko-' 帶點
# axes = series.plot('bar',label='折線圖')   可以加參數  bar
axes.set_title('利用Series繪製折線圖')
axes.legend()

這裏寫圖片描述

2、利用DtaFrame進行繪圖

df = DataFrame(np.random.randn(10,4),
              index = np.arange(0,100,10),
              columns=list('ABCD'))

df.plot()

1530103824447

# 將DataFrame中各列的數據分配到不同的子圖中
df.plot(subplots=True)

1530103857461

3、繪製柱狀圖和條形圖

#創建畫板獲取axes對象
fig,axes = plt.subplots(2,1,figsize=(10,10))
#調整畫板大小
# fig.set_size_inches(30,10)
# 創建繪圖數據
data = Series(np.random.randn(16),
             index = list('abcdefghijklmnop'))
# 利用series數據在2行1列的畫板上的一塊區域，繪製一個柱狀圖
data.plot(kind='bar',ax=axes[0],color='k',alpha=0.7)
# 利用series數據在2行1列的畫板上的第二個區域，繪製一個柱狀圖
data.plot(kind='barh',ax=axes[1],color='r',alpha=0.7)

1530103912106

4、繪製直方圖

# pandas 讀取excel文件
df = pd.read_excel('data/excel/pandas-matplotlib.xlsx','Sheet1') 

#繪製直方圖
# 創建一個空白的畫板
fig = plt.figure()
# 修改已創建畫板的大小
fig.set_size_inches(10,8)
#在畫板上添加一個Axes繪圖區域
ax = fig.add_subplot(111)
# 在選中的繪圖區域上繪製一個直方圖
ax.hist(df.Age,bins=7)
plt.title('年齡分佈直方圖')
plt.xlabel('年齡')
plt.ylabel('人數')

1530103959832

5、繪製箱線圖

# 繪製箱線圖
fig = plt.figure()
# 創建繪圖區域
ax = fig.add_subplot(111)
ax.boxplot(df.Age)

這裏寫圖片描述

6、分組繪圖

var = df.groupby('Gender').Sales.sum()
# 創建畫板
fig =plt.figure()
# 添加繪圖區域
ax = fig.add_subplot(111)
ax.set_title("標題")

# 根據分組後的數據
var.plot(kind='bar')

這裏寫圖片描述

#根據BMI分組
var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set_title('根據身體情況統計銷售數量')
var.plot(kind='line')

這裏寫圖片描述

7、繪製堆積圖

# 按照身體狀況和性別進行分組後統計銷售數量
var = df.groupby(['BMI','Gender']).Sales.sum()
result = var.unstack()
result

# 繪製堆積圖
#stacked=True 堆積在一起
result.plot(kind='bar',stacked=True,color=(['b','g']))

這裏寫圖片描述

8、繪製散點圖

# 繪製散點圖
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df.Age,df.Sales)

這裏寫圖片描述

9、繪製氣泡圖

# 繪製氣泡圖
fig = plt.figure()

ax = fig.add_subplot(111)
ax.set_title('年齡和人數關係圖，年齡越大收入越高')
ax.scatter(df.Age,df.Sales,s= df.Income)

這裏寫圖片描述

9、繪製餅狀圖

# 繪製餅圖
#stack() 把列索引轉換成行索引
var = df.groupby(df.Gender).sum()
# 取x座標
x_list = var.Sales
label_list = var.index
# 是否直方顯示
# plt.axis('equal')
plt.pie(x_list,labels=label_list,autopct='%1.1f%%')

這裏寫圖片描述

七、繪圖利器PyEcharts

前導安裝

pip install pyecharts
from pyecharts import Bar
from pyecharts import Line

1、繪製柱狀圖

# 畫簡單的柱狀圖
bar = Bar("主標題", "這裏是副標題")
# pyecharts 遵循所有圖表都先定義數據在進行展示
bar.add("服裝", ["襯衫", "羊毛衫", "雪紡衫","褲子", "高跟鞋", "襪子"], 
        [5, 20, 36, 10, 75, 90])

#方法一： 將圖表渲染輸出到html頁面
# bar.render()    # 如果不穿參數，默認保存到當前文件夾下

# 方法二： 直接再jupyter中展示
bar

這裏寫圖片描述

2、根據柱狀圖繪製堆積圖

# 2、根據柱狀圖繪製堆積圖
attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
# 添加標題
bar = Bar("柱狀圖數據堆疊示例")
bar.add('商家A',attr,v1,is_stack=True)
bar.add('商家B',attr,v2,is_stack=True)
bar

這裏寫圖片描述

# 爲柱狀圖添加標註點或者標註線
attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋","襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("標記線和標記點示例")
# 爲柱狀圖添加標記點
bar.add("商家A", attr, v1, mark_point=["max"])     #mark_point=["max"] 標註出最大點
# 爲柱狀圖添加標註線  
bar.add("商家B", attr, v2, mark_line=["min", "max"],is_convert=True)   #is_convert=True 行和列轉換
bar

這裏寫圖片描述

3、繪製折線圖

attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋","襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]

myLine  =Line('折線圖示例')
# is_smooth 點之間是否進行平滑曲線連接
myLine.add('商家A',attr,v1,mark_point=['max'],is_smooth=True)
myLine.add('商家B',attr,v2,is_smooth=True)
myLine

這裏寫圖片描述

4、折線圖修改標註點的形狀和標註文字的字體顏色

attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋","襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
markline = Line('添加標註點的折線圖')
markline.add('商家A',attr,v1,
            mark_point=['min','average','max'],
            mark_point_symbol='diamond',
            mark_point_textcolor='#40ff27')
markline.add('商家B',attr,v2,
             mark_point=['min','average','max'],
             mark_point_symbol='arrow',
            mark_point_symbolsize=20)
'''
mark_point 標註點
mark_point_symbol 標註點的形狀
mark_point_symbolsize  標註點的大小
mark_point_textcolor   標註點的字體顏色
'''
markline

這裏寫圖片描述

5、折線圖–面積圖示例

# 5、折線圖--面積圖示例
attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋","襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]

arealine = Line('面積圖示例')
arealine.add('商家A',attr,v1,
             is_fill=True,
            area_color='#00ff00',
            line_opacity=1,
             area_opacity=0.4,
             symbol= None,
            )
arealine.add('商家B',attr,v2,
             is_fill=True,
            area_color='#000',
            area_opacity=0.3,
             is_smooth=True)
'''
is_fill 爲折線圖所包裹的區域填充顏色
area_color   填充區域的顏色
area_opacity  填充區域的透明度
line_opacity=0.2 線條的不透明度
'''
arealine

這裏寫圖片描述

6、畫餅圖

#6、畫餅圖
from pyecharts import Pie
attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋","襪子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
pie = Pie('餅圖')
pie.add('',attr,v1,is_label_show=True)
pie

這裏寫圖片描述

# 餅圖圓環
attr = ["襯衫", "羊毛衫", "雪紡衫", "褲子", "高跟鞋", "襪子"]
v1 = [11, 12, 13, 10, 10, 10]
pie = Pie("餅圖-圓環圖示例",title_pos='center')
pie.add("", attr, v1, radius=[40, 75],
            label_text_color=None,
            is_label_show=True,
            legend_orient='vertical',  #legend_orient 圖例展開的方向
            legend_pos='left')        # 圖例的位置
pie

這裏寫圖片描述

7、散點圖

v1 = [10, 20, 30, 40, 50, 60]
v2 = [10, 20, 30, 40, 50, 60]
scatter = Scatter("散點圖示例")
scatter.add("A", v1, v2)
scatter.add("B", v1[::-1], v2)
scatter

這裏寫圖片描述

v1 = [10, 20, 30, 40, 50, 60]
v2 = [10, 20, 30, 40, 50, 60]
scatter = Scatter("散點圖示例")
scatter.add("A", v1, v2)
scatter.add("B", v1[::-1], v2, is_visualmap=True,
visual_type='size',
visual_range_size=[20, 80])
scatter

這裏寫圖片描述

8、繪製地圖

from pyecharts import Map
value = [155, 10, 66, 78,200,30]
attr = ["廣東", "山東", "北京", "上海","安徽", "新疆"]
map = Map("全國地圖示例", width=1200,
height=600)
map.add("", attr, value, maptype='china')
map

注意：如果以上不顯示地圖，則要安裝第三方庫

pip install echarts-countries-pypkg  
pip install echarts-china-provinces-pypkg    
pip install echarts-china-cities-pypkg
pip install echarts-china-counties-pypkg
pip install echarts-china-misc-pypkg
pip install echarts-united-kingdom-pypkg

大美安徽

from pyecharts import Map
value = [20, 190, 253, 77, 65]
attr = ['汕頭市', '汕尾市', '揭陽市', '陽江市', '肇慶市']
map = Map("廣東地圖示例", width=1200,
height=600)
map.add("", attr, value, maptype='廣東',
is_visualmap=True,
visual_text_color='#000',is_label_show=True)
map

廣東地圖

9、繪製詞雲

from pyecharts import WordCloud
name = ['阿里雲故障', '韓國對陣德國', '楊敬農獲刑', '朱婷36分創紀錄','德國隊出局','暴雨畢業照走紅',
 '孫興慜假摔', '內馬爾助攻席爾瓦', '世界盃','結婚率逐年走低', '巴西2-0塞爾維亞','孟加拉外長訪華', 
 '凱塔加盟利物浦', '瑞典3-0墨西哥', '巴西設中國移民日', '直播手抓眼鏡蛇','韓國2-0德國', 
 '厄齊爾首發', '墨西哥對陣瑞典','騎電動車墜渠溺亡']
value = [
428623, 367294, 356497, 351699, 350049, 348700, 348100, 347200, 345701,
341652, 330256, 329956, 306114, 260829, 229340, 166961, 158863, 148517, 145218, 144918]
wordcloud = WordCloud('繪製詞雲',width=1300, height=620)
wordcloud.add("", name, value, word_size_range=[20, 100])
wordcloud

20180628關鍵詞

參考文獻：

matplotlib官方使用指南

matplotlib圖例使用模板

pyecharts官方文檔

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

亂序拼圖驗證的識別並還原 puzzle-captcha（開源）

一、前言 亂序拼圖驗證是一種較少見的驗證碼防禦，市面上更多的是拖動滑塊，被完美攻克的有不少，都在行爲軌跡上下足了功夫，本文不討論軌跡模擬範疇，就只針對拼圖還原進行研究。 找一個市面比較普及的頂像亂序拼圖進行驗證，它號稱的防禦能力4星，

S.F. 2021-12-01 00:53:28

【轉載】Python處理csv文件

Python處理csv文件 CSV(Comma-Separated Values)即逗號分隔值，可以用Excel打開查看。由於是純文本，任何編輯器也都可打開。與Excel文件不同，CSV文件中： 值沒有類型，所有值都是字符串 不能指定字

zqh 2020-07-18 14:25:30

Error:field larger than field limit(131072)解決方法

從csv文件讀取某一列的數據時，報錯顯示：Error:field larger than field limit(131072) 通過判斷髮現是因爲文件的行數超過csv限制的行數，所以導致結果既無法在控制檯打印，試着轉到df,存成csv文

hammring 2020-07-08 12:39:29

啓動Jupyter時, 遇到 sudo: jupyterhub: command not found 問題的解決方案

最近在學習Jupyter, 但是我發現啓動不了多用戶的JupyterHub 官網的教程: sudo jupyterhub 直接輸入就會導致這樣子的結果 後面我各種谷歌百度,都好複雜,然後我突然想到,這是沒有Jupyterhub

钢琴线与小刀 2020-07-08 12:39:19

Python小記 —— 文件讀寫操作裏read()方法的深究

** 語法 ** 格式：read(size) 在read()方法裏，size表示要從文件中讀取的數據長度，如果沒有指定size或者指定爲“None”就表示讀取文件裏的全部數據。 特別需要注意點： read()的讀取機制因訪問文件

柘月十七 2020-07-08 12:33:27

python使用pip指令安裝並引用第三方模塊及注意事項

python裏有內置模塊、自定義模塊還有第三方模塊。 內置模塊就是python自帶的模塊了，我們直接引用就可以了，如：import sys。自定義模塊就是按照我們編程者的需求以方便編寫程序和維護代碼的一些“.py文件”，簡單地說，

柘月十七 2020-07-08 12:33:27

python小記 —— sys.argv

sys.argv到底是什麼? sys.argv是運行在黑屏終端運行python文件獲取的參數。即返回一個包含輸入參數的列表。 話不多說了看下面，反手就是一堆代碼： import sys print("list長度：",len(sy

柘月十七 2020-07-08 12:33:16

Django Signals 信號

文章目錄Django Signals 信號入門connect Django Signals 信號 入門 # receiver 接收者 def my_callback(sender, **kwargs): print sen

冯斯特罗 2020-07-08 12:31:35

sorted 在python2和3中的區別

文章目錄sorted 在python2和3中的區別 sorted 在python2和3中的區別 python3中取消了cmp參數 python3中的使用方法如下: from functools import cmp_to_key

冯斯特罗 2020-07-08 12:31:35

python3 排序 sort sorted

排序穩定性和排序複雜度 排序保證是 穩定 的。 這意味着當多個記錄具有相同的鍵值時，將保留其原始順序。 >>> data = [('red', 1), ('blue', 1), ('red', 2), ('blue', 2)] >

冯斯特罗 2020-07-08 12:31:35

python3 super 用法2

class MetaCls(type): def __new__(cls, *args, **kwargs): print("in MetaCls") # return super(Meta

冯斯特罗 2020-07-08 12:31:35

meta class 和 類裝飾器的執行順序

meta class 和類裝飾器的執行順序 先執行decorator,後執行metaclass 程序是從上到下執行,先遇到decorator,後遇到class,創建class 調用metaclass. 同理,裝飾器也是先執行上面的

冯斯特罗 2020-07-08 12:31:35

弱引用 weakref

弱引用 weakref 對對象的弱引用不能保證對象存活：當對像的引用只剩弱引用時， garbage collection 可以銷燬引用並將其內存重用於其他內容。但是，在實際銷燬對象之前，即使沒有強引用，弱引用也一直能返回該對象。

冯斯特罗 2020-07-08 12:31:35

python神級數據結構namedtuple

python神級數據結構namedtuple from collections import namedtuple 以前就知道有這個東西,也知道如何使用,但是沒覺得有什麼實際用處. 上次看框架源碼,無意間看到這個,發現非常好用.

冯斯特罗 2020-07-08 12:31:35

python3 super 用法

python3 super 用法 標題黨了. 其實我也不確定這是不是python3的用法. 但是,今天工作的時候遇到了不一樣的寫法,試了一下,運行成功. 剛剛在官網找到了一個例子.以後用的更有底氣了. class C(B):

冯斯特罗 2020-07-08 12:31:35