pyecharts使用教程,pyecharts官方文档

　　作者：luanhz

　　来源：十进制记录

　　指导阅读

　　数据可视化是整个数据分析过程中的关键环节，甚至具有决定一个图成败的关键地位。前期已经陆续推出了matplotlib和seaborn的详细入门教程，对于常规的数据探索和基础的图表制作已经足够了，但是两者的一个共同缺点就是图表不能交互，缺少活的zydzjy！当Python遇上百度echarts，pyecharts就应运而生了。最重要的是支持交互，可以移植到PPT报表上。这个效果简直完美。

　　电子海图4步输出图

　　与matplotlib和seaborn相比，pyecharts的可视化图表制作其实更简单，因为它的图表几乎都遵循‘相同的套路’，没有太多复杂的参数，也不需要细节技巧。但与此同时，它也有一些两者都不具备的优势：

　　简单的API设计，支持链式调用

　　多种主题可选，丰富的参数设置。

　　交互式可视化效果，并可移植到PPT中。

　　提供了常用的图表类型接口，包括一些matplotlib和seaborn不支持的图表，如word cloud、visual map等。

　　由于这些原因，pyecharts是继matplotlib和seaborn之后，第三大用于个人在视觉输出过程中应用的可视化库。当然，每个可视化库都有自己的好场景，所以没有好坏之分。本文旨在介绍pyecharts图表制作的最基本的程序。掌握这些基本操作，辅以官网的详细教程，基本上所有常规图表都是可以的！

　　我个人认为学习pyecharts不需要死记硬背各种参数，只需要掌握大概的原理和步骤即可。具体操作请在实际应用时参考相应的源代码和官网教程。所以，本文给出一个极简教程，而不是一一介绍。

　　1.设置常用项目。

　　与seaborn类似，pyecharts也提供了许多通用设置，包括图表主题、生成的文件类型等。一般来说，保持默认可以得到一个好的图表，但是当你想尝试一种新的风格时，可以调用主题接口。主题设置被设置为特定图表的初始化参数，例如：

　　frompeycharts . chartsimportbarfrompeychartsimportoptions sasoptsfrompeycharts . globalsimportthemetyp #选择主题作为图表的初始化参数设置bar=bar(init _ opts=opts . init opts(theme=theme type . purple _ passion))。另一个常见的项目设置是笔记本选项，这在使用jupyter notebook或jupyter lab时必不可少。默认为jupyter笔记本模式。在jupyter lab中添加以下两行常规设置后，可以调用render_notebook()查看单元格中的图表结果：

　　FrompyeCharts。GlobalSimportCurrentConfig，NotebookTypeCurrentConfig。Notebook _ type=记事本类型。Jupyter _ Lab2。选择一个图表

　　PyCharts提供了几乎所有常用的图表类型，包括直方图、折线图、饼图、散点图四种通用可视化图表，以及字云、地图、箱线图、k线图等特殊图表。此外，PyCharts还提供了常用图表的3D形式，多类型图表组合提供了Page、Grid、Tab、Timeline4四种形式，可以看作是时间等单一图表的容器。

　　确定图表类型(图表实例化)后，添加数据。经过1.0版本的迭代，pyecharts最大的一个特点就是支持链调用，所以添加数据极其方便。

　　这里有必要解释一下什么是链式调用。可能很多pyecharts初学者在查阅官方文档时会看到以下写法(这里选取了一个官网上直方图的演示):

　　1来自pyechartsimportoptionsoft 2来自pyecharts。来自pyecharts的chartsimportbar 3。火星上的斑马importqldxmg4 5c=(6bar () 7。Add _ XIX (qldxmg。Choose ()) 8.add_yaxis(商家A ，qldxmg.values()) 9.add_yaxis(商家B ，qldxmg。Values ()) 10。set _ Global _ OPTS(11 title _ OPTS=OPTS。Title OPTS (title=) Subtitle=我是字幕)，12 brush _ opts=opts.brush opts()，13) 14。render( bar _ with _ brush . html )15)这种链式调用把图表的实例化、添加数据、设置参数、输出结果放在一段代码中执行，对新人来说更不友好。

　　Python中的

可将单个表达式或单个语句放在一组圆括号内实现跨行书写

。例如，在下面的例子中，写1是合法的，而写2则给出错误。唯一的区别是有没有括号。

　　Pyecharts将图表类的每个方法返回给self本身，这样每

个方法的返回值都是该图表实例，进而实现链式调用

　　其实这种链式调用在机器学习库中是很常见的设计。学过sklearn的读者应该都知道*的飘逸文笔。适合()。一行代码中的score()。

　　了解了chain call背后的原理，就很容易理解上面的代码了：其实它相当于下面的形式：

　　1来自frommyChartSimportOptionsOptions选项2来自myCharts。我的图表中的图表端口栏3。火星上的斑马ImportQLDXMG 4 5c=bar()# 1。实例化6c。Add _ XIX (qldxmg。Choose ()) # 2。添加X轴标签7c.add_yaxis(商家A ，qldxmg.values()) # 3。添加Y轴数据A 8c.add_yaxis(商家B ，Qldxmg.values()) # 4。添加Y轴数据b9c . set _ global _ opts(10 title _ opts=opts . title topts(title= bar-brush example ，subtitle=我是字幕)，11 bush _ opts=opts . brush opts(12)# 5。增加一般设置项目13c。render( bar _ with _ brush . html )# 6。输出html图表结果。六句代码调用六个接口，分别完成：

　　实例化直方图对象

　　添加x轴数据

　　添加y轴数据a

　　添加y轴数据b

　　设置常规参数，包括标题、区域圆选择等。

　　输出html图表文件

　　掌握了这个基本套路，我们就基本了解了pyecharts输出可视化图表的一般方法。

　　3.设置图表参数

　　Pyecharts提供了三种图表参数设置，即图表设置、常规设置和系列设置，其中：

　　图表项目是针对特定图表对象的设置参数，每个图表的可选设置参数是不同的。

　　一般设置项是最常用的，如图表初始化设置，以及标题、坐标轴、可视缩放栏等。都是一般设置项。

　　系列项可以用来设置图表的一些特定参数，例如，标签可以设置数据标签是否显示及其位置。

　　对应于设置项，pyecharts分别提供设置界面：

　　set _ global _ opts()set _ series _ opts()4。输出结果

　　最后，pyecharts提供了一种输出可视化图表的方法。实际上，有两种常用的方法：

　　Render()输出到网页。

　　Render_notebook()在jupyter中即时显示。笔记本和jupyter lab可以区分，并且可以在全局参数中设置。

　　另外pyecharts还提供了很多其他的图表输出形式，比如make_snapshot()可以直接输出为png图片。但是这样你就失去了互动的能力。

　　作为百度的echarts可视化库和Python的结合，eCharts在制作交互图表方面效果不错，更重要的是比其他可视化库更容易学习。如果说有什么明显的缺点，那可能就是它支持的数据类型比较传统：即只支持基于Python的数据结构，而不适用于数据科学库的数据类型(如ndarray和dataframe)，这是由它的定位决定的。