2023Python大數(shù)據(jù)Pyecharts數(shù)據(jù)可視化應用03

Pyecharts數(shù)據(jù)可視化目錄TOC\o"1-3"\h\u29227第1章Pyecharts圖形參數(shù)配置 493121.1全局配置項 4179981.1.1基本元素配置項 4196621.1.2坐標軸配置項 10293461.1.3原生圖形配置項 1468151.2系列配置項 18179049.2.1樣式類配置項 19192229.2.2標記類配置項 2249989.2.3其他類配置項 25110051.3運行環(huán)境 25268711.3.1生成HTML 26240291.3.2生成圖片 27324741.3.3JupyterNotebook 27144041.3.4JupyterLab 279366第2章Pyecharts基礎繪圖 2932952.1折線圖的繪制 29101082.1.1折線圖及其參數(shù)配置 2929872.1.2實例：各門店銷售業(yè)績比較分析 30306522.2條形圖的繪制 3229712.2.1條形圖及其參數(shù)配置 3286982.2.2實例：各省市商品訂單數(shù)量分析 3467422.3箱形圖的繪制 36108912.3.1箱形圖及其參數(shù)配置 36191972.3.2實例：不同類型商品的收益分析 37326792.4漣漪散點圖的繪制 38174372.4.1漣漪散點圖及其參數(shù)配置 3887172.4.2實例：不同收入等級客戶價值分析 40200252.5K線圖的繪制 41245582.5.1K線圖及其參數(shù)配置 41285582.5.2實例：企業(yè)股票價格趨勢分析 4272022.6雙坐標軸圖的繪制 44181702.6.1雙坐標軸圖及其參數(shù)配置 44112392.6.2實例：區(qū)域銷售業(yè)績及數(shù)量分析 4410037第3章Pyecharts高級繪圖 47265573.1日歷圖的繪制 47155483.1.1日歷圖及其參數(shù)配置 47123283.1.2實例：企業(yè)股票每日交易量分析 4871953.2漏斗圖的繪制 50279843.2.1漏斗圖及其參數(shù)配置 50172703.2.2實例：華東地區(qū)各省市利潤額分析 5022703.3儀表盤的繪制 52126843.3.1儀表盤及其參數(shù)配置 5270453.3.2實例：企業(yè)2019年銷售業(yè)績完成率 5314053.4環(huán)形圖的繪制 5451483.4.1環(huán)形圖及其參數(shù)配置 54302373.4.2實例：不同教育群體的購買力分析 5531193.5雷達圖的繪制 5693813.5.1雷達圖及其參數(shù)配置 56241783.5.2實例：不同區(qū)域銷售業(yè)績的比較 58117583.6旭日圖的繪制 59300803.6.1旭日圖及其參數(shù)配置 59139933.6.2實例：繪制我的家庭樹旭日圖 60158103.7主題河流圖的繪制 62210373.7.1主題河流圖及其參數(shù)配置 62152283.7.2實例：不同類型商品銷售情況分析 63247813.8詞云的繪制 6436633.8.1詞云及其參數(shù)配置 64107153.8.2實例：商品類型關鍵詞詞云 65137413.9玫瑰圖的繪制 66222093.9.1玫瑰圖及其參數(shù)配置 66179433.9.2實例：不同職業(yè)群體的購買力分析 6624531第4章Web端的數(shù)據(jù)可視化 69320254.1搭建Django開發(fā)環(huán)境 69165854.1.1Django框架簡介 69210914.1.2Django開發(fā)環(huán)境 71148564.2Pyecharts與Django集成案例 72221294.2.1創(chuàng)建項目運行環(huán)境 72197394.2.2配置項目參數(shù)文件 74295964.2.3測試項目運行效果 7722030附錄 79本部分我們將通過案例介紹Python中另一個非常重要的可視化包Pyecharts，這是一款將Python與Echarts相結合的強大數(shù)據(jù)可視化工具，可以高度靈活地配置，輕松搭配出精美的圖表。本部分將介紹如何通過Pyecharts繪制可視化視圖，包括圖形的參數(shù)配置以及繪制一些常用的視圖，包括折線圖、條形圖、箱形圖、日歷圖、漏斗圖、儀表盤、環(huán)形圖等共計15種，此外，還會通過具體案例介紹Pyecharts如何與Django進行集成。第1章Pyecharts圖形參數(shù)配置圖形的參數(shù)配置是數(shù)據(jù)可視化的基礎，Pyecharts中的參數(shù)配置比較簡單，可以分為全局配置項和系列配置項。本章我們將深入細致地列出每種配置。同時，還會簡單地介紹Pyecharts的幾種運行環(huán)境，讀者可以根據(jù)實際工作需求選擇適合自己的程序運行環(huán)境。全局配置項Pyecharts視圖的全局配置項文件位于\Anaconda3\Lib\site-packages\pyecharts\options下的global_options.py文檔中，可以通過set_global_options方法設置?；驹嘏渲庙桺yecharts的基本元素配置項主要包括：InitOpts、ToolBoxFeatureOpts、ToolboxOpts、TitleOpts、DataZoomOpts、LegendOpts、VisualMapOpts、TooltipOpts八項配置。InitOpts：初始化配置項如表9-1所示。表9-1初始化配置項ToolBoxFeatureOpts：工具箱工具配置項如表9-2所示。表9-2工具箱工具配置項ToolboxOpts：工具箱配置項如表9-3所示。表9-3工具箱配置項TitleOpts：標題配置項如表9-4所示。表9-4標題配置項DataZoomOpts：區(qū)域縮放配置項如表9-5所示。表9-5區(qū)域縮放配置項LegendOpts：圖例配置項如表9-6所示。表9-6圖例配置項VisualMapOpts：視覺映射配置項如表9-7所示。表9-7視覺映射配置項TooltipOpts：提示框配置項如表9-8所示。表9-8提示框配置項坐標軸配置項Pyecharts的坐標軸配置項主要包括：AxisLineOpts、AxisTickOpts、AxisPointerOpts、AxisOpts、SingleAxisOpts五項個配置。AxisLineOpts：坐標軸軸線配置項如表9-9所示。表9-9坐標軸軸線配置項AxisTickOpts：坐標軸刻度配置項如表9-10所示。表9-10坐標軸刻度配置項AxisPointerOpts：坐標軸指示器配置項如表9-11所示。表9-11坐標軸指示器配置項AxisOpts：坐標軸配置項如表9-12所示。表9-12坐標軸配置項（續(xù)表）SingleAxisOpts：單軸配置項如表9-13所示。表9-13單軸配置項原生圖形配置項Pyecharts的原生圖形配置項包括：GraphicGroup、GraphicItem、GraphicBasicStyleOpts、GraphicShapeOpts、GraphicImage、GraphicText、GraphicTextStyleOpts、GraphicRect8項配置。GraphicGroup：原生圖形元素組件如表9-14所示。表9-14原生圖形元素組件GraphicItem：原生圖形配置項如表9-15所示。表9-15原生圖形配置項（續(xù)表）GraphicBasicStyleOpts：原生圖形基礎配置項如表9-16所示。表9-16原生圖形基礎配置項GraphicShapeOpts：原生圖形形狀配置項如表9-17所示。表9-17原生圖形形狀配置項GraphicImage：原生圖形圖片配置項如表9-18所示。表9-18原生圖形圖片配置項GraphicText：原生圖形文本配置項如表9-19所示。表9-19原生圖形文本配置項GraphicTextStyleOpts：原生圖形文本樣式配置項如表9-20所示。表9-20原生圖形文本樣式配置項GraphicRect：原生圖形矩形配置項如表9-21所示。表9-21原生圖形矩形配置項系列配置項Pyecharts視圖的系列配置項文件位于\Anaconda3\Lib\site-packages\pyecharts\options下的series_options.py文件中，可以通過set_series_options方法進行設置。樣式類配置項Pyecharts的樣式類配置項主要包括：ItemStyleOpts、TextStyleOpts、LabelOpts、LineStyleOpts、SplitLineOpts五項。ItemStyleOpts：圖元樣式配置項如表9-22所示。表9-22圖元樣式配置項TextStyleOpts：文字樣式配置項如表9-23所示。表9-23文字樣式配置項LabelOpts：標簽配置項如表9-24所示。表9-24標簽配置項LineStyleOpts：線樣式配置項如表9-25所示。表9-25線樣式配置項SplitLineOpts：分割線配置項如表9-26所示。表9-26分割線配置項標記類配置項Pyecharts的標記類配置項主要包括：MarkPointItem、MarkPointOpts、MarkLineItem、MarkLineOpts、MarkAreaItem、MarkAreaOpts六項。MarkPointItem：標記點數(shù)據(jù)項如表9-27所示。表9-27標記點數(shù)據(jù)項MarkPointOpts：標記點配置項如表9-28所示。表9-28標記點配置項MarkLineItem：標記線數(shù)據(jù)項如表9-29所示。表9-29標記線數(shù)據(jù)項MarkLineOpts：標記線配置項如表9-30所示。表9-30標記線配置項MarkAreaItem：標記區(qū)域數(shù)據(jù)項如表9-31所示。表9-31標記區(qū)域數(shù)據(jù)項MarkAreaOpts：標記區(qū)域配置項如表9-32所示。表9-32標記區(qū)域配置項其他類配置項Pyecharts的其他類配置項主要包括：EffectOpts、AreaStyleOpts、SplitAreaOpts三項。EffectOpts：漣漪特效配置項如表9-33所示。表9-33漣漪特效配置項AreaStyleOpts：區(qū)域填充樣式配置項如表9-34所示。表9-34區(qū)域填充樣式配置項SplitAreaOpts：分隔區(qū)域配置項如表9-35所示。表9-35分隔區(qū)域配置項運行環(huán)境在可視化分析中，Pyecharts可以生成HTML和圖片文件，還可以運行在JupyterNotebook和JupyterLab環(huán)境下，每種環(huán)境下的代碼存在一定差異。下面將結合案例進行介紹。注意每種運行環(huán)境下生成的視圖都是如圖注意每種運行環(huán)境下生成的視圖都是如圖9-1所示的視圖，只是視圖的輸出方式上存在一定的差異。圖9-1商家A和商家B銷售業(yè)績分析生成HTMLPyecharts可以通過render函數(shù)生成HTML文件。下面使用代碼繪制某商場商家A和商家B的銷售情況的條形圖，并將結果生成HTML文件。frompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsbar=(frompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsbar=(Bar().add_xaxis(["襯衫","毛衣","領帶","褲子","風衣","高跟鞋","襪子"]).add_yaxis("商家A",[114,55,27,101,125,27,105]).add_yaxis("門店B",[57,134,137,129,145,60,49]).set_global_opts(title_opts=opts.TitleOpts(title="某商場銷售情況")))bar.render('mall_sales.html')生成圖片Pyecharts可以直接將可視化視圖生成圖片，需要安裝selenium、snapshot_selenium包，還需要下載Chromedriver，并復制到谷歌瀏覽器目錄（…\Google\Chrome\Application）以及Python目錄（…\Anaconda3\Scripts）下。下面使用代碼繪制某商場商家A和商家B的銷售情況的條形圖，并生成圖片。fromsnapshot_seleniumimportsnapshotasdriverfrompyechartsimportoptionsasoptsfromsnapshot_seleniumimportsnapshotasdriverfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportBarfrompyecharts.renderimportmake_snapshotdefbar_chart()->Bar:c=(Bar().add_xaxis(["襯衫","毛衣","領帶","褲子","風衣","高跟鞋","襪子"]).add_yaxis("商家A",[114,55,27,101,125,27,105]).add_yaxis("門店B",[57,134,137,129,145,60,49]).reversal_axis().set_series_opts(label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="Bar-測試渲染圖片")))returnc#需要安裝snapshot_seleniummake_snapshot(driver,bar_chart().render(),"bar.png")JupyterNotebookPython代碼可以在JupyterNotebook環(huán)境中運行。下面使用代碼繪制某商場商家A和商家B的銷售情況的條形圖。frompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsbar=(frompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsbar=(Bar().add_xaxis(["襯衫","毛衣","領帶","褲子","風衣","高跟鞋","襪子"]).add_yaxis("商家A",[114,55,27,101,125,27,105]).add_yaxis("門店B",[57,134,137,129,145,60,49]).set_global_opts(title_opts=opts.TitleOpts(title="某商場銷售情況")))bar.render_notebook()JupyterLabPython代碼可以在JupyterLab環(huán)境中運行。下面使用代碼繪制某商場商家A和商家B的銷售情況的條形圖。等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsbar=(Bar().add_xaxis(["襯衫","毛衣","領帶","褲子","風衣","高跟鞋","襪子"]).add_yaxis("商家A",[114,55,27,101,125,27,105]).add_yaxis("門店B",[57,134,137,129,145,60,49]).set_global_opts(title_opts=opts.TitleOpts(title="某商場銷售情況")))#第一次渲染時調(diào)用load_javasrcript文件bar.load_javascript()bar.render_notebook()第2章Pyecharts基礎繪圖Pyecharts可以方便地繪制一些基礎視圖，包括折線圖、條形圖、箱形圖、漣漪散點圖、K線圖以及雙坐標軸圖等。本章將通過實際案例詳細介紹每種視圖的具體步驟。折線圖的繪制折線圖及其參數(shù)配置折線圖是用直線段將各個數(shù)據(jù)點連接起來而組成的圖形，以折線方式顯示數(shù)據(jù)的變化趨勢。折線圖可以顯示隨時間（根據(jù)常用比例設置）而變化的連續(xù)數(shù)據(jù)，因此非常適合顯示相等時間間隔的數(shù)據(jù)趨勢。在折線圖中，類別數(shù)據(jù)沿水平軸均勻分布，值數(shù)據(jù)沿垂直軸均勻分布。例如，為了顯示不同訂單日期的銷售額走勢，可以創(chuàng)建不同訂單日期的銷售額折線圖。Pyecharts折線圖的參數(shù)配置如表10-1所示。表10-1折線圖參數(shù)配置實例：各門店銷售業(yè)績比較分析為了比較某企業(yè)各門店銷售業(yè)績，繪制了各門店的銷售額和利潤額的折線圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportLine,Pagefromimpala.dbapiimportconnectfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportLine,Pagefromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]v3=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop表數(shù)據(jù)sql_num="SELECTstore_name,ROUND(SUM(sales/10000),2),ROUND(SUM(profit/10000),cursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])v3.append(s[2])#畫折線圖defline_toolbox()->Line:c=(Line().add_xaxis(v1).add_yaxis("銷售額",v2,is_smooth=True).add_yaxis("利潤額",v3,is_smooth=True,is_selected=True) #is_smooth.set_global_opts(title_opts=opts.TitleOpts(title="門店銷售額利潤額的比較分析",subtitltoolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時調(diào)用load_javasrcript文件line_toolbox().load_javascript()#展示數(shù)據(jù)可視化圖表line_toolbox().render_notebook()在JupyterLab中運行上述代碼，生成如圖10-1所示的折線圖。圖10-1各門店銷售業(yè)績分析條形圖的繪制條形圖及其參數(shù)配置對比不同組的數(shù)據(jù)量大小。描繪條形圖的要素有3個：組數(shù)、組寬度、組限。繪制條形圖時，不同組之間是有空隙的。條形圖用來比較兩個或以上的價值（不同時間或者不同條件），表達。條形圖可分為垂直條和水平條。使用條形圖可在各類別之間比較數(shù)據(jù)，例如客戶的性別、受教育程度、購買方式等。繪制條形圖時，長條柱或柱組中線需對齊項目刻度。相比之下，折線圖則是將數(shù)據(jù)代表點對齊項目刻度。在數(shù)字大且接近時，兩者皆可使用波浪形省略符號，以擴大表現(xiàn)數(shù)據(jù)間的差距，增強理解和清晰度。Pyecharts條形圖的參數(shù)配置如表10-2所示。表10-2條形圖參數(shù)配置add_yaxis函數(shù)的配置樣例如下：defadd_yaxis(series_name:str,defadd_yaxis(series_name:str,yaxis_data:Sequence[Numeric,opts.BarItem,dict],is_selected:bool=True,xaxis_index:Optional[Numeric]=None,yaxis_index:Optional[Numeric]=None,color:Optional[str]=None,stack:Optional[str]=None,category_gap:Union[Numeric,str]="20%",gap:Optional[str]=None,label_opts:Union[opts.LabelOpts,dict]=opts.LabelOpts(),markpoint_opts:Union[opts.MarkPointOpts,dict,None]=None,markline_opts:Union[opts.MarkLineOpts,dict,None]=None,tooltip_opts:Union[opts.TooltipOpts,dict,None]=None,itemstyle_opts:Union[opts.ItemStyleOpts,dict,None]=None,)條形圖的數(shù)據(jù)項在BarItem類中進行設置，具體如表10-3所示。表10-3BarItem類參數(shù)BarItem類樣例如下：classBarItem(classBarItem(name:Optional[str]=None,value:Optional[Numeric]=None,label_opts:Union[LabelOpts,dict,None]=None,itemstyle_opts:Union[ItemStyleOpts,dict,None]=None,tooltip_opts:Union[TooltipOpts,dict,None]=None,)在Pyecharts中有比較規(guī)范的條形圖參數(shù)配置，繪制條形圖時，只需要按照模板進行調(diào)用即可，基本函數(shù)形式如下：defbar_base()->Bar:c=(defbar_base()->Bar:c=(Bar().add_xaxis(Faker.choose()).add_yaxis("門店A",Faker.values()).add_yaxis("門店B",Faker.values()).set_global_opts(title_opts=opts.TitleOpts(title="銷售額統(tǒng)計",subtitle)returnc條形圖可以默認取消顯示某Series，例如取消顯示門店B，將add_yaxis修改為add_yaxis("門店B",Faker.values(),is_selected=False)。如果要顯示工具項ToolBox和圖例項legend，那么可以在set_global_opts中添加toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=False)。實例：各省市商品訂單數(shù)量分析為了分析某企業(yè)在各省市的商品訂單數(shù)量，繪制了各個省市商品訂單量的條形圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportBar,Pagefromimpala.dbapiimportconnect#提取Hadoopv1=[]v2=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cur=conn.cursor()sql_num="selectprovince,count(cust_id)fromordersgroupbyprovince"cur.execute(sql_num)sh=cur.fetchall()forsinsh:v2.append(s[1])v1.append(s[0])#條形圖參數(shù)配置defbar_base()->Bar:c=(Bar().add_xaxis(v1,).add_yaxis("客戶訂單量",v2).set_global_opts(title_opts=opts.TitleOpts(title="2019年客戶訂單量區(qū)域分toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時調(diào)用load_javasrcript文件bar_base().load_javascript()#展示數(shù)據(jù)可視化圖表bar_base().render_notebook()在JupyterLab中運行上述代碼，生成如圖10-2所示的客戶數(shù)量在各個省市的條形圖。圖10-2各省市客戶訂單量箱形圖的繪制箱形圖及其參數(shù)配置箱形圖又稱箱線圖，是一種用作顯示一組數(shù)據(jù)分散情況資料的統(tǒng)計圖，因形狀如箱子而得名。箱形圖在各種領域經(jīng)常被使用，常見于品質(zhì)管理。箱形圖主要用于反映原始數(shù)據(jù)分布的特征，還可以進行多組數(shù)據(jù)分布特征的比較。箱形圖的繪制方法是：先找出一組數(shù)據(jù)的上邊緣、下邊緣、中位數(shù)和兩個四分位數(shù)；然后連接兩個四分位數(shù)畫出箱體；再將上邊緣和下邊緣與箱體相連接，中位數(shù)在箱體中間。Pyecharts箱形圖的參數(shù)配置如表10-4所示。表10-4箱形圖參數(shù)配置實例：不同類型商品的收益分析為了分析某企業(yè)不同類型商品的收益情況，繪制了不同商品的箱形圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportBoxplot,Pagefromimpala.dbapiimportconnect#提取Hadoopv1=[]v2=[]v3=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cur=conn.cursor()sql_num="SELECTsubcategory,ROUND(SUM(sales/10000),2),ROUND(SUM(profit/10000)cur.execute(sql_num)sh=cur.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])v3.append(s[2])defboxpolt_base()->Boxplot:c=Boxplot()c.add_xaxis(["2019年業(yè)績"])\.add_yaxis("銷售額",c.prepare_data([v2]))\.add_yaxis("利潤額",c.prepare_data([v3]))\.set_global_opts(title_opts=opts.TitleOpts(title="不同類型商品銷售收益分布分returncreturnc#第一次渲染時調(diào)用load_javasrcript文件boxpolt_base().load_javascript()#展示數(shù)據(jù)可視化圖表boxpolt_base().render_notebook()在JupyterLab中運行上述代碼，生成如圖10-3所示的箱形圖。圖10-3不同類型商品業(yè)績分析漣漪散點圖的繪制漣漪散點圖及其參數(shù)配置漣漪散點圖是一類特殊的散點圖，只是散點圖中帶有漣漪特效，利用特效可以突出顯示某些想要的數(shù)據(jù)。Pyecharts漣漪散點圖的參數(shù)配置如表10-5所示。表10-5漣漪散點圖參數(shù)配置漣漪特效散點圖參數(shù)配置如圖10-6所示。表10-6漣漪特效散點圖實例：不同收入等級客戶價值分析為了分析某企業(yè)不同收入等級客戶的價值，繪制了不同等級客戶的漣漪散點圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportEffectScatter,Pagefrompyecharts.globalsimportSymbolTypefromimpala.dbapiimportconnect#提取Hadoopv1=[]v2=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cur=conn.cursor()sql_num="SELECTincome,ROUND(SUM(sales/10000),2)FROMcustomers,ordersWHEREcur.execute(sql_num)sh=cur.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])defeffectscatter_splitline()->EffectScatter:c=(c=(EffectScatter().add_xaxis(v1).add_yaxis("",v2,symbol=SymbolType.ARROW).set_global_opts(title_opts=opts.TitleOpts(title="不同收入等級客戶的價值分析",subtitlxaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_shoyaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_shotoolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時候調(diào)用load_javasrcript文件effectscatter_splitline().load_javascript()#展示數(shù)據(jù)可視化圖表effectscatter_splitline().render_notebook()在JupyterLab中運行上述代碼，生成如圖10-4所示的漣漪散點圖。圖10-4客戶價值分析K線圖的繪制K線圖及其參數(shù)配置K線圖又稱蠟燭圖，股市及期貨市場中的K線圖的畫法包含4個數(shù)據(jù)，即開盤價、最高價、最低價、收盤價，所有的k線都是圍繞這4個指標展開的，反映股票的狀況。如果把每日的K線圖放在一張紙上，就能得到日K線圖，同樣也可畫出周K線圖、月K線圖。Pyecharts的K線圖參數(shù)配置如表10-7所示。表10-7K線圖參數(shù)配置實例：企業(yè)股票價格趨勢分析為了分析某企業(yè)股票價格的區(qū)域，繪制了股票價格的K線圖，具體過程如下：導入options、Kline、Page、connect等包。連接Hadoop集群，抽取股價表stocks數(shù)據(jù)。配置K線圖的相關參數(shù)以及全局配置項。展示股票價格趨勢。實現(xiàn)上述步驟的Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportKline,Pagefromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop股價表數(shù)據(jù)sql_num="SELECTtrade_date,open,high,low,closeFROMstockswhereyear(trade_dcursor.execute(sql_num)sql_num="SELECTtrade_date,open,high,low,closeFROMstockswhereyear(trade_dcursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append([s[0]])forsinsh:v2.append([s[1],s[2],s[3],s[4]])data=v2defkline_markline()->Kline:c=(Kline().add_xaxis(v1).add_yaxis("企業(yè)股票價格走勢",data,markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="max",value_dim="close")]),).set_global_opts(xaxis_opts=opts.AxisOpts(is_scale=True),yaxis_opts=opts.AxisOpts(is_scale=True,splitarea_opts=opts.SplitAreaOpts(is_show=True,areastyle_opts=opts.AreaStyleOpts(opacity=1),),datazoom_opts=[opts.DataZoomOpts(pos_bottom="-2%")],title_opts=opts.TitleOpts(title="企業(yè)股票價格趨勢分析",subtitle="20toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時調(diào)用load_javasrcript文件kline_markline().load_javascript()#展示數(shù)據(jù)可視化圖表kline_markline().render_notebook()在JupyterLab中運行上述代碼，生成的K線圖如圖10-5所示。圖10-5股票價格走勢雙坐標軸圖的繪制雙坐標軸圖及其參數(shù)配置雙坐標軸圖是一種組合圖表，一般將兩種不同類型的圖表組合在同一個“畫布”上，如柱狀圖和折線圖的組合；當然也可以將類型相同而數(shù)據(jù)單位不同的圖表組合在一起。雙坐標軸圖中最難畫的應該是“柱狀圖”與“柱狀圖”的組合，因為會遇到同一刻度對應“柱子”與“柱子”完全互相重疊的問題。實例：區(qū)域銷售業(yè)績及數(shù)量分析為了分析某企業(yè)在不同區(qū)域的銷售業(yè)績及數(shù)量，繪制了雙坐標圖，Python代碼如下：等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportScatter,Bar,Linefromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]v3=[]v4=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()##讀取Hadoop表數(shù)據(jù)sql_num="SELECTregion,ROUND(SUM(sales)/10000,2),ROUND(SUM(profit)/10000,2),Rcursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])v3.append(s[2])v4.append(s[3])#柱形圖與折線圖組合defoverlap_bar_line()->Bar:bar=(Bar().add_xaxis(v1).add_yaxis("銷售額",v2).add_yaxis("利潤額",v3).extend_axis(yaxis=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}件"),interv)).set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="區(qū)域銷售業(yè)績比較分析",subtitle="20toolbox_opts=opts.ToolboxOpts(),yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value}萬元"),inter),))line=Line().add_xaxis(v1).add_yaxis("銷售數(shù)量",v4,yaxis_index=1)bar.overlap(line)returnbar#第一次渲染時調(diào)用load_javasrcript文件overlap_bar_line().load_javascript()#展示數(shù)據(jù)可視化圖表overlap_bar_line().render_notebook()在JupyterLab中運行上述代碼，生成如圖10-6所示的雙坐標軸圖。圖10-6雙坐標軸圖第3章Pyecharts高級繪圖Pyecharts可以生成一些比較復雜的視圖，包括日歷圖、漏斗圖、儀表盤、環(huán)形圖、雷達圖、旭日圖、主題河流圖、詞云、玫瑰圖等。本章將通過實際案例詳細介紹每種視圖的具體步驟。日歷圖的繪制日歷圖及其參數(shù)配置日歷圖是一個日歷數(shù)據(jù)視圖，用于提供一段時間的日歷布局，使我們可以更好地查看所選日期每一天的數(shù)據(jù)。Pyecharts日歷圖的參數(shù)配置如表11-1所示。表11-1日歷圖參數(shù)配置日歷圖坐標系組件的配置項如表11-2所示。表11-2日歷圖坐標系組件配置項實例：企業(yè)股票每日交易量分析為了分析某企業(yè)股票的成交量，繪制了股票每日交易量的日歷圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportCalendar,Pagefromimpala.dbapiimportconnect#連接Hadoop數(shù)據(jù)庫conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop表數(shù)據(jù)sql_num="SELECTtrade_date,volumeFROMstocksWHEREyear(trade_date)=2018"cursor.execute(sql_num)sh=cursor.fetchall()v1=[]forsinsh:v1.append([s[0],s[1]])data=v1#畫日歷圖defcalendar_base()->Calendar:c=(Calendar().add("",data,calendar_opts=opts.CalendarOpts(range_="2018")).set_global_opts(title_opts=opts.TitleOpts(title="2018年股票交易量分析"),visualmap_opts=opts.VisualMapOpts(max_=1000000000,min_=40000000,orient="horizontal", #vertical表示垂直的，horizontal表示水平的is_piecewise=True,pos_top="200px",pos_left="10px"),toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時調(diào)用load_javasrcript文件calendar_base().load_javascript()#展示數(shù)據(jù)可視化圖表calendar_base().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-1所示的日歷圖。圖11-1日歷圖漏斗圖的繪制漏斗圖及其參數(shù)配置漏斗圖又叫倒三角圖，適用于業(yè)務流程比較規(guī)范、周期長、環(huán)節(jié)多的流程分析，通過漏斗各環(huán)節(jié)業(yè)務數(shù)據(jù)的比較，能夠直觀地發(fā)現(xiàn)和說明問題所在，還可以應用于對數(shù)據(jù)從某個維度上進行比較。Pyecharts漏斗圖的參數(shù)配置如表11-3所示。表11-3漏斗圖參數(shù)配置實例：華東地區(qū)各省市利潤額分析為了分析某企業(yè)的商品在華東地區(qū)各省市的利潤額情況，繪制了利潤額的漏斗圖，Python代碼如下：##聲明Notebook類型，必須在引入pyecharts.charts等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportFunnel,Pagefromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]conn=connect(host='',port=10000,database='sales',auth_mechanism='NOSASL',user='root')cursor=conn.cursor()#讀取Hadoop數(shù)據(jù)sql_num="SELECTprovince,ROUND(SUM(profit),2)FROMordersWHEREdt=2019andrcursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])#畫漏斗圖deffunnel_label()->Funnel:c=(Funnel().add("利潤額",[list(z)forzinzip(v1,v2)],sort_="descending", #默認是sort_="descending"，即從大label_opts=opts.LabelOpts(position="inside"),).set_global_opts(title_opts=opts.TitleOpts(title="區(qū)域利潤額比較分析",stoolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True)))returnc#第一次渲染時調(diào)用load_javasrcript文件funnel_label().load_javascript()#展示數(shù)據(jù)可視化圖表funnel_label().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-2所示的漏斗圖。圖11-2漏斗圖儀表盤的繪制儀表盤及其參數(shù)配置儀表盤也被稱為撥號圖表或速度表圖，其顯示類似于撥號/速度計上讀數(shù)的數(shù)據(jù)，是一種擬物化的展示形式。儀表盤的顏色可以用來劃分指示值的類別，使用刻度標示數(shù)據(jù)，指針指示維度，指針角度表示數(shù)值。儀表盤只需分配最小值和最大值，并定義一個顏色范圍，指針（指數(shù)）將顯示出關鍵指標的數(shù)據(jù)或當前進度。儀表盤可用于速度、體積、溫度、進度、完成率、滿意度等。Pyecharts儀表盤的參數(shù)配置如表11-4所示。表11-4儀表盤參數(shù)配置實例：企業(yè)2019年銷售業(yè)績完成率為了分析某企業(yè)在2019年的銷售業(yè)績完成情況，繪制了銷售額的儀表盤，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportGauge,Pagedefgauge_color()->Gauge:c=(Gauge().add("2019年公司銷售指標完成率",[("完成率",95.5)],axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(color=[(0.3,"#67e0e3"),(0.7,"#37a2da"),(1,"#fd666d"))),).set_global_opts(title_opts=opts.TitleOpts(title="公司銷售指標分析",subtitle="2019年toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True),))returncreturnc#第一次渲染時調(diào)用load_javasrcript文件gauge_color().load_javascript()#展示數(shù)據(jù)可視化圖表gauge_color().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-3所示的儀表盤。圖11-3儀表盤環(huán)形圖的繪制環(huán)形圖及其參數(shù)配置環(huán)形圖是由兩個及兩個以上大小不一的餅圖疊在一起的，挖去中間的部分所構成的圖形。環(huán)形圖與餅圖類似，但是又有區(qū)別。環(huán)形圖中間有一個“空洞”，每個樣本用一個環(huán)來表示，樣本中的每一部分數(shù)據(jù)用環(huán)中的一段表示。因此，環(huán)形圖可顯示多個樣本各部分所占的相應比例，從而有利于構成的比較研究。Pyecharts環(huán)形圖的參數(shù)配置如表11-5所示。表11-5環(huán)形圖參數(shù)配置實例：不同教育群體的購買力分析為了分析某企業(yè)客戶群中不同教育群體的購買力情況，繪制了銷售額的環(huán)形圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportPage,Piefromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop表數(shù)據(jù)sql_num="SELECTeducation,ROUND(SUM(sales/10000),2)FROMcustomers,ordersWHEcursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])#畫環(huán)形圖defpie_radius()->Pie:c=(defpie_radius()->Pie:c=(Pie().add("",[list(z)forzinzip(v1,v2)],radius=["40%","75%"],).set_colors(["blue","green","purple","red","silver"]) #設置顏色.set_global_opts(title_opts=opts.TitleOpts(title="2019年不同教育群體的購買力分析",subtoolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(orient="vertical",pos_top="35%",pos),).set_series_opts(label_opts=opts.LabelOpts(formatter=":{c}")))returnc#第一次渲染時調(diào)用load_javasrcript文件pie_radius().load_javascript()#展示數(shù)據(jù)可視化圖表pie_radius().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-4所示的環(huán)形圖。圖11-4環(huán)形圖雷達圖的繪制雷達圖及其參數(shù)配置雷達圖又叫作蜘蛛網(wǎng)圖，適用于顯示3個或更多維度的變量。雷達圖是以在同一點開始的軸上顯示的3個或更多個變量的二維圖表的形式來顯示多元數(shù)據(jù)的，其中軸的相對位置和角度通常是無意義的。雷達圖的每個變量都有一個從中心向外發(fā)射的軸線，所有的軸之間的夾角相等，同時每個軸有相同的刻度，將軸到軸的刻度用網(wǎng)格線鏈接作為輔助元素，將每個變量在其各自的軸線的數(shù)據(jù)點連接成一條多邊形。Pyecharts雷達圖的參數(shù)配置如表11-6所示。表11-6雷達圖參數(shù)配置雷達圖的數(shù)據(jù)項配置如表11-7所示。表11-7雷達圖數(shù)據(jù)項配置雷達圖的指示器配置如表11-8所示。表11-8雷達圖指示器配置實例：不同區(qū)域銷售業(yè)績的比較為了分析某企業(yè)的商品在不同區(qū)域的銷售業(yè)績情況，繪制了銷售額的雷達圖，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-#聲明Notebook類型，必須在引入pyecharts.charts等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportPage,Radarfromimpala.dbapiimportconnect#連接Hadoopv1=[]v2=[]v3=[]conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop表數(shù)據(jù)sql_num="SELECTregion,ROUND(SUM(sales)/10000,2),ROUND(SUM(profit)/10000,2)Fcursor.execute(sql_num)sh=cursor.fetchall()forsinsh:v1.append(s[0])v2.append(s[1])v3.append(s[2])#畫雷達圖defradar_base()->Radar:c=(Radar().add_schema(schema=[opts.RadarIndicatorItem(name="華東",max_=200),opts.RadarIndicatorItem(name="華南",max_=200),opts.RadarIndicatorItem(name="東北",max_=200),opts.RadarIndicatorItem(name="中南",max_=200),opts.RadarIndicatorItem(name="西南",max_=200),opts.RadarIndicatorItem(name="西北",max_=200),]).add(".add("銷售額",[v2]).add("利潤額",[v3]).set_global_opts(title_opts=opts.TitleOpts(title="區(qū)域銷售額與利潤額的比較分析",subtitlegend_opts=opts.LegendOpts(selected_mode="single"),toolbox_opts=opts.ToolboxOpts()).set_series_opts(label_opts=opts.LabelOpts(is_show=False)))returnc#第一次渲染時調(diào)用load_javasrcript文件radar_base().load_javascript()#展示數(shù)據(jù)可視化圖表radar_base().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-5所示的雷達圖。圖11-5雷達圖旭日圖的繪制旭日圖及其參數(shù)配置旭日圖可以展示多級數(shù)據(jù)，具有獨特的外觀。旭日圖是一種現(xiàn)代餅圖，它超越傳統(tǒng)的餅圖和環(huán)形圖，能夠清晰地表達層級和歸屬關系，以父子層次結構來顯示數(shù)據(jù)構成情況。Pyecharts旭日圖的參數(shù)配置如表11-9所示。表11-9旭日圖參數(shù)配置旭日圖的數(shù)據(jù)項配置如表11-10所示。表11-10旭日圖數(shù)據(jù)項配置實例：繪制我的家庭樹旭日圖本例繪制的我的家庭樹旭日圖主要用于分析家庭人員的相互關系，Python代碼如下：#-*-coding:utf-8-*-等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportSunburstdefsunburst()->Sunburst:data=[opts.SunburstItem(name="爺爺",children=[opts.SunburstItem(name="李叔叔",value=15,children=[opts.SunburstItem(name="表妹李詩詩",value=2),opts.SunburstItem(name="表哥李政",value=5,children=[opts.SunburstItem(name="表侄李佳",value),opts.SunburstItem(name="表姐李詩",value=4),],),opts.SunburstItem(name="爸爸",value=10,children=[opts.SunburstItem(name="我",value=5),opts.SunburstItem(name="哥哥李海",value=1),],),],),opts.SunburstItem(name="三爺爺",children=[opts.SunburstItem(name="李叔叔",children=[opts.SunburstItem(name="表哥李靖",value=1),opts.SunburstItem(name="表妹李靜",value=2),],)],),]c=(Sunburst().add(series_name="我的家庭樹旭日圖",data_pair=data,radius=[0,"90%"]).set_global_opts(title_opts=opts.TitleOpts(title="我的家庭樹旭日圖"),toolbox_opts=opts.ToolboxOpts())toolbox_opts=opts.ToolboxOpts()).set_series_opts(label_opts=opts.LabelOpts(formatter="")))returnc#第一次渲染時調(diào)用load_javasrcript文件sunburst().load_javascript()#展示數(shù)據(jù)可視化圖表sunburst().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-6所示的旭日圖。圖11-6旭日圖主題河流圖的繪制主題河流圖及其參數(shù)配置主題河流圖是一種特殊的流圖，主要用來表示事件或主題等在一段時間內(nèi)的變化。這是一種圍繞中心軸線移位的堆積面積圖，導致流動的有機形狀顯示了不同類別的數(shù)據(jù)隨時間的變化，通過使用流動的有機形狀，有點類似河流的水流。在主題河流圖中，每個流的形狀大小與每個類別中的值成比例，平行流動的軸變量用于時間，是顯示大量數(shù)據(jù)集的理想選擇，以便隨時間發(fā)現(xiàn)各種類別的趨勢和模式。Pyecharts主題河流圖的參數(shù)配置如表11-11所示。表11-11主題河流圖參數(shù)配置實例：不同類型商品銷售情況分析為了分析某企業(yè)不同類型商品的銷售額情況，繪制了不同商品銷售額的主題河流圖，Python代碼如下：#-*-coding:utf-8#-*-coding:utf-8-*-#-*-coding:utf-8-*-#聲明Notebook類型，必須在引入pyecharts.charts等模塊前聲明frompyecharts.globalsimportCurrentConfig,NotebookTypeCurrentConfig.NOTEBOOK_TYPE=NotebookType.JUPYTER_LABfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportPage,ThemeRiverfromimpala.dbapiimportconnect#連接Hadoop數(shù)據(jù)庫conn=connect(host='',port=10000,database='sales',auth_mechanism=cursor=conn.cursor()#讀取Hadoop表數(shù)據(jù)sql_num="SELECTorder_date,ROUND(SUM(sales),2),categoryFROMordersWHEREordcursor.execute(sql_num)v1=[]v2=[]forsinsh:v1.append([s[0],s[1],s[2]])#畫主題河流圖defthemeriver()->ThemeRiver:c=(ThemeRiver().add(["辦公用品","家具","技術"],v1,singleaxis_opts=opts.SingleAxisOpts(type_="time",pos_bottom="10%).set_global_opts(title_opts=opts.TitleOpts(title="不同類型商品銷售額比較toolbox_opts=opts.ToolboxOpts(),legend_opts=opts.LegendOpts(is_show=True))))returnc#第一次渲染時調(diào)用load_javasrcript文件themeriver().load_javascript()#展示數(shù)據(jù)可視化圖表themeriver().render_notebook()在JupyterLab中運行上述代碼，生成如圖11-7所示的主題河流圖。圖11-7主題河流圖詞云的繪制詞云及其參數(shù)配置詞云就是對文本中出現(xiàn)頻率較高的關鍵詞予以視覺上的突出，形成“關鍵詞云層”或“關鍵詞渲染”，從而過濾掉大量的文本信息，使用戶只要一眼掃過文本就可以領略文本的主旨。Pyecharts詞云的參數(shù)配置如表11-12所示。表11-12詞云參數(shù)配置實例：商品類型關鍵詞詞云為了分析某企業(yè)商品類型的構成情況，繪制了商品類型的關鍵詞詞云，Python代碼如下：#-*-coding:utf-8-*-#-*-coding:utf-8-*-等模塊前聲明frompyecharts.glob