Pyecharts安装

---

1、pip 安装

安装 v1 以上版本

$ pip install pyecharts -U

如果需要安装 0.5.11 版本的开发者，可以使用

pip install pyecharts==0.5.11

2、源码安装

v1 以上版本

$ git clone https://github.com/pyecharts/pyecharts.git

如果需要安装 0.5.11 版本，请使用 git clone https://github.com/pyecharts/pyecharts.git -b v05x

$ cd pyecharts

$ pip install -r requirements.txt

$ python setup.py install

在使用pip安装库时，由于墙的原因，下载时可能会出现断线和速度过慢的问题导致下载失败，所以建议通过豆瓣源或清华镜像来进行下载：

豆瓣源下载

pip install -i https://pypi.douban.com/simple pyecharts

清华镜像源

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts

PS: 这里要专门说明一下，自从 0.3.2 开始，为了缩减项目本身的体积以及维持 pyecharts 项目的轻量化运行，pyecharts 将不再自带地图 js 文件。如用户需要用到地图图表（Geo、Map），可自行安装对应的地图文件包。

通过pip命令进行安装

pip install echarts-countries-pypkg

pip install echarts-china-provinces-pypkg

pip install echarts-china-cities-pypkg

Pyecharts官方示例实战

---

现在我们来开始正式使用pycharts，这里我们先直接使用官方的数据，感受一下可视化展示效果。

from pyecharts.charts import Bar

from pyecharts import options as opts

V1 版本开始支持链式调用

bar = (

Bar()

.add_xaxis([“衬衫”, “毛衣”, “领带”, “裤子”, “风衣”, “高跟鞋”, “袜子”])

.add_yaxis(“商家A”, [114, 55, 27, 101, 125, 27, 105])

.add_yaxis(“商家B”, [57, 134, 137, 129, 145, 60, 49])

.set_global_opts(title_opts=opts.TitleOpts(title=“某商场销售情况”))

)

bar.render_notebook()

在这里顺便安利一下jupyter，pyecharts在v0.1.9.2版本开始，在jupyter上可以直接调用实例（例如上方直接调用bar.render_notebook()）就可以将图表直接展示出来，非常方便。

如果脚本在非jupyter环境运行，图表渲染方法需改为:

bar.render()

默认情况下，pycharts生成图表为HTML格式，也支持生成png图片格式，如下：

from snapshot_selenium import snapshot as driver

from pyecharts import options as opts

from pyecharts.charts import Bar

from pyecharts.render import make_snapshot

def bar_chart() -> Bar:

c = (

Bar()

.add_xaxis([“衬衫”, “毛衣”, “领带”, “裤子”, “风衣”, “高跟鞋”, “袜子”])

.add_yaxis(“商家A”, [114, 55, 27, 101, 125, 27, 105])

.add_yaxis(“商家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-测试渲染图片”))

)

return c

需要安装 snapshot-selenium 或者 snapshot-phantomjs

make_snapshot(driver, bar_chart().render(), “bar.png”)

Pyecharts几种高频使用的可视化图表

---

在上面官方示例中的柱状图表我们已经能感受到pycharts可视化功能的强大，最后再介始几种日常工作中常用的可视化图表及对应示例。

pie饼状图

from pyecharts import options as opts

from pyecharts.charts import Pie

from pyecharts.faker import Faker

pie = (

Pie()

.add(“”, [list(z) for z in zip(Faker.choose(), Faker.values())])

.set_colors([“blue”, “green”, “yellow”, “red”, “pink”, “orange”, “purple”])

.set_global_opts(title_opts=opts.TitleOpts(title=“Pie-设置颜色”))

.set_series_opts(label_opts=opts.LabelOpts(formatter=“{b}: {c}”))

)

pie.render_notebook()

仪表盘

from pyecharts import options as opts

from pyecharts.charts import Gauge

g = (

Gauge()

.add(“”, [(“完成率”, 66.6)])

.set_global_opts(title_opts=opts.TitleOpts(title=“Gauge-基本示例”))

)

g.render_notebook()

折线图

import pyecharts.options as opts

from pyecharts.charts import Line

from pyecharts.faker import Faker

c = (

Line()

.add_xaxis(Faker.choose())

.add_yaxis(“商家A”, Faker.values(), is_smooth=True)

.add_yaxis(“商家B”, Faker.values(), is_smooth=True)

.set_global_opts(title_opts=opts.TitleOpts(title=“Line-smooth”))

)

c.render_notebook()

K线图

from pyecharts import options as opts

from pyecharts.charts import Kline

data = [

[2320.26, 2320.26, 2287.3, 2362.94],

[2300, 2291.3, 2288.26, 2308.38],

[2295.35, 2346.5, 2295.35, 2345.92],

[2347.22, 2358.98, 2337.35, 2363.8],

[2360.75, 2382.48, 2347.89, 2383.76],

[2383.43, 2385.42, 2371.23, 2391.82],

[2377.41, 2419.02, 2369.57, 2421.15],

[2425.92, 2428.15, 2417.58, 2440.38],

[2411, 2433.13, 2403.3, 2437.42],

[2432.68, 2334.48, 2427.7, 2441.73],

[2430.69, 2418.53, 2394.22, 2433.89],

[2416.62, 2432.4, 2414.4, 2443.03],

[2441.91, 2421.56, 2418.43, 2444.8],

[2420.26, 2382.91, 2373.53, 2427.07],

[2383.49, 2397.18, 2370.61, 2397.94],

[2378.82, 2325.95, 2309.17, 2378.82],

[2322.94, 2314.16, 2308.76, 2330.88],

[2320.62, 2325.82, 2315.01, 2338.78],

[2313.74, 2293.34, 2289.89, 2340.71],

[2297.77, 2313.22, 2292.03, 2324.63],

[2322.32, 2365.59, 2308.92, 2366.16],

[2364.54, 2359.51, 2330.86, 2369.65],

[2332.08, 2273.4, 2259.25, 2333.54],

[2274.81, 2326.31, 2270.1, 2328.14],

[2333.61, 2347.18, 2321.6, 2351.44],

[2340.44, 2324.29, 2304.27, 2352.02],

[2326.42, 2318.61, 2314.59, 2333.67],

[2314.68, 2310.59, 2296.58, 2320.96],

[2309.16, 2286.6, 2264.83, 2333.29],

[2282.17, 2263.97, 2253.25, 2286.33],

[2255.77, 2270.28, 2253.31, 2276.22],

]

k = (

Kline()

.add_xaxis([“2017/7/{}”.format(i + 1) for i in range(31)])

.add_yaxis(“k线图”, data)

.set_global_opts(

yaxis_opts=opts.AxisOpts(is_scale=True),

xaxis_opts=opts.AxisOpts(is_scale=True),

title_opts=opts.TitleOpts(title=“K线图-基本示例”),

)

)

k.render_notebook()

地图Map

from pyecharts import options as opts

from pyecharts.charts import Map

from pyecharts.faker import Faker

map = (

Map()

.add(“中国地图”, [list(z) for z in zip(Faker.provinces, Faker.values())], “china”)

.set_global_opts(title_opts=opts.TitleOpts(title=“Map-基本示例”))

)

map.render_notebook()

词云图

import pyecharts.options as opts

from pyecharts.charts import WordCloud

data = [

(“生活资源”, “999”),

(“供热管理”, “888”),

(“供气质量”, “777”),

(“生活用水管理”, “688”),

(“一次供水问题”, “588”),

(“交通运输”, “516”),

(“城市交通”, “515”),

(“环境保护”, “483”),

(“房地产管理”, “462”),

(“城乡建设”, “449”),

(“社会保障与福利”, “429”),

(“社会保障”, “407”),

(“文体与教育管理”, “406”),

(“公共安全”, “406”),

(“公交运输管理”, “386”),

(“出租车运营管理”, “385”),

(“供热管理”, “375”),

(“市容环卫”, “355”),

(“自然资源管理”, “355”),

(“粉尘污染”, “335”),

(“噪声污染”, “324”),

(“土地资源管理”, “304”),

(“物业服务与管理”, “304”),

(“医疗卫生”, “284”),

(“粉煤灰污染”, “284”),

(“占道”, “284”),

(“供热发展”, “254”),

(“农村土地规划管理”, “254”),

(“生活噪音”, “253”),

(“供热单位影响”, “253”),

(“城市供电”, “223”),

(“房屋质量与安全”, “223”),

(“大气污染”, “223”),

(“房屋安全”, “223”),

(“文化活动”, “223”),

(“拆迁管理”, “223”),

(“公共设施”, “223”),

(“供气质量”, “223”),

(“供电管理”, “223”),

(“燃气管理”, “152”),

(“教育管理”, “152”),

(“医疗纠纷”, “152”),

(“执法监督”, “152”),

(“设备安全”, “152”),

(“政务建设”, “152”),

(“县区、开发区”, “152”),

(“宏观经济”, “152”),

(“教育管理”, “112”),
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

UWzjjc0T-1712526272651)]

[外链图片转存中…(img-W6WY8H5U-1712526272652)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）