关于时间数据类型的可视化(pyecharts0.5.x)以及pyecharts基本使用--超级详细

要使用pyecharts0.5.x之前，再次强调pyecharts0.5.x和pyecharts1.x的使用区别:

• pyecharts0.5.x 中 以图例为主体，需要什么就add什么就好了，一般在add里面直接写需要的功能的参数就ok了。
• pyecharts1.x中以options对象为主体，万物皆oop，可以通过不断的在对象上调用方法就🆗了。

这篇是关于pycharts-0.5.x版本的可视化，如果你想使用最新版的1.7.0版本，以及分清楚这两个版本的区别，可以具体详见另一篇文章: 点击这里，前往pyecharts版本区别、以及使用

首先，一般来说，小数据的话作为列表传入就可以搞定。但是pycharts05x还是支持其它类型的数据传入的,比如numpy的数组。具体介绍看这里: 点击这里，前往pycharts05x支持传入的数据类型以及转换方法

进入虚拟环境(点击这里，前往了解如何创建、使用以及管理虚拟环境)，进行安装pycharts0.5.x版本：(如果速度慢的话可以换pip源)

pip install pyecharts==0.5.11

一、时间数据可视化

(一)、连续型时间数据可视化
1.阶梯图

from pyecharts import Line

#1.实例化一个图例(其实就是实例化对象，调用了一个构造函数，返回一个对象)
line = Line("折线图-阶梯图-1713406107")

# 2.构造适合pycharts能读取的数据(我这里是美国某些年的邮票数据)
datax = ['1995','1996','1997','1998','1999','2000','2001','2002','2003','2004','2005','2006','2007','2008','2009']
datay = [0.32,0.32,0.32,0.32,0.33,0.33,0.34,0.37,0.37,0.37,0.37,0.39,0.41,0.42,0.44]

#3.向图例中添加数据以及配置
line.add("邮票", datax, datay, is_step=True, is_label_show=True,)

#4.打印图表保存
line #直接在jupyter notebook上面打印显示
#line.render_notebook()   #直接在jupyter notebook上面打印显示
# line.render(path="阶梯图-美国邮票价格.html")  #将图作为html文件保存起来，当然也可以作为图片格式保存起来。

注意 :

关于pycharts05x画图的步骤在上面的代码的注释中！ 0.5.x版本参考1》2》3》4 这四个步骤即可完成基本画图。具体的一些个性化配置可以查看文档: pycharts05x版本官方文档、直接点击可访问

2.折线图

from pyecharts import Line
df = pd.read_csv("world-population.csv")
df.Year = df.Year.astype(str)


line = Line("折线图-世界人口")
line.add(
    "人口",
    list(df.Year),
    list(df.Population),
    mark_point=["max", "min"],
)

line

3 拟合曲线

from pyecharts import Overlap,Scatter,Line
rate = pd.read_csv(u"unemployment-rate-1948-2010.csv")
year = list(rate.Year.astype(str))
value = list(rate.Value)
sc = Scatter()
sc.add("", year, value, effect_scale=5)

poly = np.polyfit(list(rate.Year), value, deg = 3)
y = list(np.polyval(poly, list(rate.Year))) #计算所有点
line = Line("失业率趋势")
line.add("趋势",year,y)

overlap = Overlap()
overlap.add(line)
overlap.add(sc)
overlap

(二)、离散型时间数据可视化

1. 散点图

from pyecharts import Scatter
subscribers = pd.read_csv('subscribers.csv')
suber = subscribers.Subscribers
day = subscribers.Date
day = [i[3:5] for i in list(day)]

sc = Scatter("订阅数量图")
sc.add("Subscribers",day,list(suber))
sc

2.柱形图

from pyecharts import Bar
# 热狗大胃王大赛成绩
hotdog = pd.read_csv("hot-dog-contest-winners.csv")


year = list(hotdog.Year.astype(str))
value_count = list(hotdog['Dogs eaten'])

bar = Bar("30年热狗大赛成绩单")
bar.add("Winer吃掉的热狗数量", year,value_count, mark_line=["average"], mark_point=["max", "min"])

bar

3. 堆叠柱形图

# 数据目测还是大胃王
from pyecharts import Bar
hotplace = pd.read_csv("hot-dog-places.csv",header=None)
hotplace = pd.DataFrame(hotplace.values.T, index=hotplace.columns,columns=['year','A','B','C'])


year = list(hotplace.year.astype(str))

bar = Bar("堆叠珠柱状图显示大胃王成绩")
bar.add("A", year, list(hotplace.A), is_stack=True)
bar.add("B", year, list(hotplace.B), is_stack=True)
bar.add("C", year, list(hotplace.C), is_stack=True)
bar

对于3：更加直观的对比：

from pyecharts import Bar

year = list(hotplace.year.astype(str))

bar = Bar("直观对比显示大胃王成绩")
bar.add("A", year, list(hotplace.A),mark_point=["max", "min"],mark_line=["average"])
bar.add("B", year, list(hotplace.B),mark_point=["max", "min"],mark_line=["average"])
bar.add("C", year, list(hotplace.C),mark_point=["max", "min"],mark_line=["average"])
bar

实验一：绘制极座标系图

读取数据：

hotplace = pd.read_csv("hot-dog-places.csv",header=None)
hotplace = pd.DataFrame(hotplace.values.T, index=hotplace.columns,columns=['year','A','B','C'])

绘制barRadius类型的极座标系图:

from pyecharts import Polar



polar = Polar("极座标系-堆叠柱状图-大胃王", width=1200, height=600)
polar.add(
    "A",
    list(hotplace.A),
    radius_data=list(hotplace.year),
    type="barRadius",
    is_stack=True,
)

polar.add(
    "B",
    list(hotplace.B),
    radius_data=list(hotplace.year),
    type="barRadius",
    is_stack=True,
)

polar.add(
    "C",
    list(hotplace.C),
    radius_data=list(hotplace.year),
    type="barRadius",
    is_stack=True,
)

polar

绘制barAngle类型的极座标系图: 【你们自己运行一下吧】

from pyecharts import Polar

polar = Polar("极座标系-堆叠柱状图-大胃王",width=1200, height=600)
polar.add(
    "A",
    list(hotplace.A),
    radius_data=list(hotplace.year),
    type="barAngle",
    is_stack=True,
)

polar.add(
    "B",
    list(hotplace.B),
    radius_data=list(hotplace.year),
    type="barAngle",
    is_stack=True,
)

polar.add(
    "C",
    list(hotplace.C),
    radius_data=list(hotplace.year),
    type="barAngle",
    is_stack=True,
)
polar.render()