# yyds干货盘点 # Pyecharts绘图API总结

Posted 2022-03-04 Python进阶者

一、初识Pyecharts

pyecharts简介

pyecharts 是一个用于生成 Echarts 图表的类库, Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。

Pyecharts官网

https://pyecharts.org/#/zh-cn/intro

pyecharts安装

pip install pyecharts

二、Pyecharts可视化

使用pyecharts可以绘制如下图表：

Scatter	散点图	Funnel	漏斗图
Bar	柱状图	Gauge	仪表盘
Pie	饼图	Graph	关系图
Line	折线/面积图	Liquid	水球图
Radar	雷达图	Parallel	平行坐标系
Sankey	桑基图	Polar	极坐标系
WordCloud	词云图	HeatMap	热力图

这里我们简介一下常用的图表的API：

2.0、初始化设置

导入相关库：

from pyecharts.charts import *
import pyecharts.options as opts

• from pyecharts.charts import *: 可以使用所有的图表对应的函数；
• 使用 options 配置项，在 pyecharts 中，一切皆 Options，进行参数设置；

总体说明一下：

0. .render_notebook ()随时随地渲染图表;
1. .render() 这个不会直接产生图表，而是形成一个render.html的文件，可在浏览器中打开查看图表；

2.1、scatter()

这里我们绘制一个正余弦的散点图

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
y2 = np.cos(x)


# 参数设置
(Scatter() # 图形种类
 .add_xaxis(xaxis_data=x) # 设置x轴序列
 .add_yaxis(series_name=sin, y_axis=y) # 设置y轴序列
 .add_yaxis(series_name=cos, y_axis=y2, label_opts=opts.LabelOpts(is_show=False)) # is_show = False：表示不显示数值部分
).render_notebook()

结果如下：

2.2、line()

from pyecharts.charts import Line
import pyecharts.options as opts


x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)


(
    Line()
    .add_xaxis(xaxis_data=x)
    .add_yaxis(series_name=sin, y_axis=y, label_opts=opts.LabelOpts(is_show=False))
    .add_yaxis(series_name=cos, y_axis=np.cos(x), label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(title_opts=opts.TitleOpts(title=曲线),
                     tooltip_opts=opts.TooltipOpts(axis_pointer_type=cross)
                    )
).render_notebook()

结果如下所示：

2.3、Bar()

柱状图的绘制：

from pyecharts.charts import Bar


bar = (
    Bar()
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
)
bar.render_notebook()

结果如下：

当然，这里只是最基本的柱图使用；我们还可以绘制混合柱图；

from pyecharts.charts import Bar
import pyecharts.options as opts


num = [110, 136, 108, 48, 111, 112, 103]
num2 = [90, 110, 101, 70, 90, 120, 99]
lab = [哈士奇, 萨摩耶, 泰迪, 金毛, 牧羊犬, 吉娃娃, 柯基]


(
    Bar(init_opts=opts.InitOpts(width=720px, height=320px))
    .add_xaxis(xaxis_data=lab)
    .add_yaxis(series_name=商家A, yaxis_data=num)
    .add_yaxis(series_name=商家B, yaxis_data=num2)
    .set_global_opts(
        title_opts=opts.TitleOpts(title=各商家拥有犬类数量情况, subtitle=如有雷同，纯属意外)
    )
).render_notebook()

结果如下所示：

2.4、Pie()

普通饼图：

from pyecharts.charts import Pie
import pyecharts.options as opts


num = [110, 136, 108, 48, 111, 112, 103]
lab = [哈士奇, 萨摩耶, 泰迪, 金毛, 牧羊犬, 吉娃娃, 柯基]


(
    Pie(init_opts=opts.InitOpts(width=720px, height=320px))
    .add(series_name=, 
         data_pair=[(j, i) for i, j in zip(num, lab)]
        )
).render_notebook()

结果如下：

环状饼图：

from pyecharts.charts import Pie
import pyecharts.options as opts


num = [110, 136, 108, 48, 111, 112, 103]
lab = [哈士奇, 萨摩耶, 泰迪, 金毛, 牧羊犬, 吉娃娃, 柯基]


(
    Pie(init_opts=opts.InitOpts(width=720px, height=320px))
    .add(series_name=, 
         radius=[40%, 75%],
         data_pair=[(j, i) for i, j in zip(num, lab)]
        )
).render_notebook()

如图所示：

玫瑰饼图：

from pyecharts.charts import Pie
import pyecharts.options as opts


num = [110, 136, 108, 48, 111, 112, 103]
lab = [哈士奇, 萨摩耶, 泰迪, 金毛, 牧羊犬, 吉娃娃, 柯基]


(
    Pie(init_opts=opts.InitOpts(width=720px, height=320px))
    .add(series_name=, 
#          radius=[40%, 75%],
#          center=[25%, 50%],
         rosetype=radius,
         data_pair=[(j, i) for i, j in zip(num, lab)]
        )
).render_notebook()

如图所示：

2.5、图表的组合使用

from pyecharts.charts import Bar, Line


num = [110, 136, 108, 48, 111, 112, 103]
lab = [哈士奇, 萨摩耶, 泰迪, 金毛, 牧羊犬, 吉娃娃, 柯基]


bar = (
    Bar(init_opts=opts.InitOpts(width=720px, height=320px))
    .add_xaxis(xaxis_data=lab)
    .add_yaxis(series_name=, yaxis_data=num)
)


lines = (
    Line()
    .add_xaxis(xaxis_data=lab)
    .add_yaxis(series_name=, y_axis=num, label_opts=opts.LabelOpts(is_show=False))
)


bar.overlap(lines).render_notebook()

如图所示：

三、总结

​Pyecharts可以绘制各种各样的图表，主流的一个数据可视化的库，因为相对于matplotlib,seaborn等数据可视化库，它的交互性比较好，图形绘制的比较清晰美观，所以应用的比较广泛，本文主要就普通常用图形做了简单的总结，当然它还可以绘制地理图形，具体参见官网相关API。​