D3.js实现网红N年数据变化柱状图，厉害了，我的国

据变化柱状图

大家看到这个图有没有熟悉感，头条视频有时候推荐这样的视频，有没有想到这是怎么制作出来的了，对，这就是技术大神Jannchie的作品，使用的是D3.js,然后再加上录屏工具就可以看到了（百度echarts版本明天出）。

一.技术点

1.需要准备好数据

类似这样就行，数据库也行

2.将数据放在visual.js中就可以了。（项目文件在下面下载哦）

二、解析

1.这其实是用D3画的柱状图，有兴趣的朋友可以了解一下。

2.作者在js中添加了众多注释，让你只需要填写数据就行，前端页面不需要担心。

3.原项目支持上传数据，我直接写好了可以需要使用。

三、地址

录

引言
一.Pyecharts的基本用法

1.语法结构

二.绘制4个pyecharts图形

1.需要注意的问题
2.绘制散点图
3.绘制饼图
4.雷达图
5. 柱形图代码展示

三.制作大屏标题

1.代码解释
2.使用pyecharts库创建Page对象
3.使用Python的BeautifulSoup库来读取和修改一个HTML文件

大总结

引言

pyecharts 是一个用于生成 ECharts 图表的类库，可以方便地在 Python 中进行数据可视化。ECharts 是一种使用 JavaScript 实现的，功能丰富的图表库。通过 pyecharts，我们可以在 Python 中创建各种类型的图表，包括折线图、柱状图、饼图、散点图等。使用pyecharts进行可视化大屏的优点有很多，比如：

丰富的图表类型：pyecharts支持多种类型的图表，可以满足不同的数据可视化需求。

高效的性能：pyecharts的性能非常好，可以快速生成大量的图表。

易用性：pyecharts的API设计简洁易用，可以快速上手。

可扩展性：pyecharts支持自定义主题和与其他Python库的集成，方便用户扩展功能。

一.Pyecharts的基本用法

1.语法结构

Pyecharts的语法结构包括以下部分：

图表类型：Pyecharts支持多种图表类型，如柱状图、折线图、饼图、散点图等。每种图表类型都有自己的方法和属性，用于设置图表的外观和数据。
数据：Pyecharts图表的数据以列表形式给出，每个列表代表一个系列的数据。每个系列可以包含多个数据点，每个数据点包含x轴和y轴的值。
配置项：Pyecharts图表支持多种配置项，如标题、图例、提示框、工具栏等。这些配置项可以用于设置图表的外观和交互方式。
方法链：Pyecharts图表的方法可以链式调用，例如add_xaxis().add_yaxis()。这种链式调用方式使得代码更加简洁和易读。

总之，Pyecharts的语法结构基于ECharts的语法结构，通过Python类库的方式实现。使用Pyecharts可以方便地在Python中创建各种类型的图表，并对其进行配置和定制。

二.绘制4个pyecharts图形

pyecharts是一个基于Python语言的数据可视化库，可以用来创建各种类型的图形，如折线图、柱状图、散点图、饼图、地图等。它基于Echarts库，通过Python语言提供了更简单、更便捷的方式来创建图形，无需编写复杂的JavaScript代码。使用pyecharts，用户可以通过简单的Python代码来定义图形的数据、样式、布局等，然后生成HTML文件，从而实现图形的展示和交互。通过pyecharts，用户可以在Python环境下灵活、高效地进行数据可视化工作。

1.需要注意的问题

（1）.绘制pyecharts图形需要导入库的相关类和函数：在Python文件中导入pyecharts库的相关类和函数：

import pandas as pd
from pyecharts.charts import Scatter
from pyecharts import options as opts

（2）.安装pyecharts库：通过pip安装pyecharts库，可以使用以下命令进行安装：

pip install pyecharts

2.绘制散点图

1.安装pyecharts库，导入必要的包：

# 绘制一个散点图
import pandas as pd
from pyecharts.charts import Scatter
from pyecharts import options as opts

2.导入使用的数据集并准备需要的数据并绘制散点图

scatter=(
    Scatter()
    .add_xaxis(xaxis_data=x)
    .add_yaxis(
        '',
        y_axis=y,
        symbol_size=12,
        label_opts=opts.LabelOpts(is_show=False)
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(
            type_='value',
        ),
        yaxis_opts=opts.AxisOpts(
            type_='value',
        )
    )
    )
scatter.render_notebook()
#scatter.render('散点图.html')

以下是这段代码的逐行解释：
scatter=(：开始定义一个名为scatter的变量，该变量将存储生成的散点图。
Scatter()：创建一个新的Scatter对象，这是生成散点图的基础。
.add_xaxis(xaxis_data=x)：为散点图添加x轴的数据。其中，x是一个包含x轴数据的列表或数组。
.add_yaxis('', y_axis=y, symbol_size=12, label_opts=opts.LabelOpts(is_show=False))：

''：y轴的名称（这里为空字符串，表示不显示名称）。
y_axis=y：为散点图添加y轴的数据。其中，y是一个包含y轴数据的列表或数组。
symbol_size=12：设置散点的大小为12。
label_opts=opts.LabelOpts(is_show=False)：设置标签的选项，这里设置为不显示标签。
.set_global_opts(：设置全局的配置选项。

xaxis_opts=opts.AxisOpts(type_='value',)：设置x轴的类型为数值型。
yaxis_opts=opts.AxisOpts(type_='value',)：设置y轴的类型为数值型。
)：结束.set_global_opts()方法的调用。

): 结束Scatter()对象的创建。

scatter.render_notebook()：在Jupyter Notebook中渲染这个散点图。如果在一个Jupyter环境中运行这段代码，能看到一个在Notebook中显示的散点图。

scatter.render('散点图.html')：这是一个注释行，可以使用scatter.render('散点图.html')将散点图渲染到一个名为"散点图.html"的HTML文件中。

以下是在jupyter中运行上面的代码所得到的散点图：

3.绘制饼图

根据以上绘制散点图的具体描述，我们现在来绘制一个饼图，绘制过程不明白的可以参考上面散点图的详细描述!

(1)导入数据包与所使用的数据文件

（2）这一段代码使用了数据分箱 (数据分桶）和分组统计

使用pd.cut方法将df['年龄']的数据分为四个年龄段：少年、青年、中年和老年。
2. 分箱的边界是：0, 20, 40, 60, 100。
每个年龄段用相应的标签标识。
使用df.groupby('年龄段').size()对分箱后的数据进行分组统计，得到每个年龄段的人数。

# 数据分箱
df['年龄段']=pd.cut(
    df['年龄'],
    bins=[0,20,40,60,100],
    labels=['少年','青年','中年','老年']
)
# 分组统计
result=df.groupby('年龄段').size()
#数据准备
data=[[x,int(y)] for x,y in zip(result.index,result.values)]
pie=(
    Pie()
    .add(
        '',#数据的系列名称，如果只有一个系列的数据，填空字符
        data,
        radius=['30%','75%'], #横向 左右
        center=['25%','50%'],   #上下
        rosetype='radius'
    )
)
pie.render_notebook()

以下是图形运行展示：

4.雷达图

（1）绘制雷达图步骤：1.导入数据-2.定义数据标签-3.设置全局配置项-4.添加数据标签-5.设置图例和标题-6.最后打印图表

（2）创建雷达图并设置全局配置项：

radar=Radar()：创建一个新的雷达图对象。
radar.add_schema(schema=[opts.RadarIndicatorItem(name=labels[i], max_=20) for i in range(len(labels))])：为雷达图添加指标和最大值。这里使用了一个列表推导式来为每个指标设置名称和最大值。

（3）添加数据和标签：

使用一个循环来遍历数据和标签，并使用radar.add()方法将数据添加到雷达图中。
labels[i]是当前循环的指标名称。
[x[i], y[i]]是当前指标的数据。
color="pink"设置线条颜色为粉红色。
linestyle_opts=opts.LineStyleOpts(width=2, opacity=0.9)设置线条样式，包括宽度和透明度。

#  雷达图
from pyecharts import options as opts  
from pyecharts.charts import Radar  
  
# 定义数据和标签  
x=[[3, 6, 7, 8, 5, 9]]  
y=[[6, 8, 2, 7, 3, 5]]  
labels=['年龄', '群众', '团员', '女生', '男生', '老师']  
  
# 创建雷达图并设置全局配置项  
radar=Radar()  
radar.add_schema(schema=[opts.RadarIndicatorItem(name=labels[i], max_=20) for i in range(len(labels))])  
  
# 添加数据和标签  
for i in range(len(x)):  
    radar.add(labels[i], [x[i], y[i]], color="pink", linestyle_opts=opts.LineStyleOpts(width=2, opacity=0.9))  
  
# 设置图例和标题  
radar.set_global_opts(legend_opts=opts.LegendOpts(pos_left="center", pos_top="top"), title_opts=opts.TitleOpts(title="Radar Chart"))  
  
# 渲染图表  
#radar.render("雷达图.html")
radar.render_notebook()

图片展示：

5. 柱形图代码展示

（1）导入数据包，从Excel文件中读取数据，然后按照“工作地所在省份”进行分组并统计每个省份的会员卡号数量。最后，对结果进行降序排序并取前30名。

（2）进行数据准备：将result的索引转化为列表并赋值给x，然后将索引和值都转化为列表并分别赋值给y1和y2。

（3）.reversal_axis()是用来实现柱形图的，即从大到小的顺序显示。最后，设置全局配置项，包括标题、标题链接和标题文本样式。

#绘制柱形图
from pyecharts.charts import Bar
df1=pd.read_excel('数据集/航空公司数据.xlsx')
result=df1.groupby('工作地所在省份')['会员卡号'].count().sort_values(ascending=False)[:30]
#数据准备
x=result.index.tolist()
y1=result.index.tolist()
y2=result.values.tolist()
#画图
y=(
    Bar( ) #init_opts=opts.InitOpts(width='600px',height='400px')
    .add_xaxis(x)
    .add_yaxis('人数',y1,stack=100) #stack 表示堆积效果，两个stack参数值要相等
    .add_yaxis('省份',y2,stack=100)
    .reversal_axis() #实现条形图效果
    .set_global_opts(
       title_opts=opts.TitleOpts(
       title="各省份用户人数柱形图（前30名）",
       title_link='https://www.baidu.com', #标题链接
       title_textstyle_opts=opts.TextStyleOpts( #文字样本配置项
           color='red',
           font_size=20,
        
           )
       )
    )
)
y.render_notebook()

以下是展示结果图片：

三.制作大屏标题

1.代码解释

1.这段代码是使用pyecharts库来创建一个标题为“大屏标题”的饼图，并设置了一些全局选项。

2.使用datetime.now()获取当前时间，然后使用strftime('%Y-%m-%d')格式化为'年-月-日'的格式，并赋值给now_time变量。

3.使用render_notebook()方法将图表渲染到Jupyter Notebook中。这样，当在Jupyter环境中运行这段代码时，我们会看到一个显示“大屏标题”和“截至：当前时间”的空白区域，这是构成大屏的标题部分。

from pyecharts.charts import Pie
from datetime import datetime
now_time=datetime.now().strftime('%Y-%m-%d') # 获取当前时间
big_title=(
    Pie() # 不画图，只显示一个标题，用来构成大屏的标题
        .set_global_opts(
        title_opts=opts.TitleOpts(title="大屏标题",
                                  title_textstyle_opts=opts.TextStyleOpts(font_size=40,
#                                                                           color='#FFFFFF',
                                                                         ),
                                  subtitle=f'截至：{now_time}',
                                  pos_top=10
                                 )
        )
)
big_title.render_notebook()

1.图表结果展示

2.使用pyecharts库创建Page对象

使用pyecharts库来创建一个Page对象，该对象可以用来组合多个图表并展示在一个页面上。

（1）添加图表到Page对象:使用add方法将多个图表添加到Page对象中。这些图表可以是上面已经创建好的，如big_title, scatter, pie, radar, 和 y 这样，这些图表将会被组合到一个页面上展示啦。

from pyecharts.charts import Page
page=Page() # 创建Page对象

page.add(  # 添加图表到Page对象
    big_title,
    scatter,
    pie,
    radar,
    y
    
)
# page.render_notebook()
page.render('tp.html') # 渲染Page对象到HTML文件
在html中可以调整各个图形的位置和大小，按“Save Config”键保存配置chart_config.json（有的电脑不成功）。

在运行这个代码后可能会出现 no test named ' false ' 的报错：

解决方法有两种：在anac

3.使用Python的BeautifulSoup库来读取和修改一个HTML文件

从bs4模块导入BeautifulSoup类，这是一个用于解析HTML和XML文档的库。

from bs4 import BeautifulSoup

with open语句打开名为"tp.html"的文件，并设置模式为"r+"（读写模式），同时指定编码为'utf-8'，使用BeautifulSoup类解析HTML文件内容，并将解析后的对象赋值给html_bf。

with open("tp.html", "r+", encoding='utf-8') as html:
    html_bf=BeautifulSoup(html, 'lxml')

使用BeautifulSoup的select方法来选择所有带有类名"chart-container"的<div>标签。这些标签被存储在divs变量中。
下面的五行代码都是为divs列表中的每个元素（即每个带有"chart-container"类的<div>标签）设置样式属性。

    divs=html_bf.select('.chart-container') # 根据css定位标签，选中图像的父节点标签
    
    divs[0]["style"]="width:50%;height:99px;position:absolute;top:0px;left:10%;border-style:dashed;border-color:#000000;border-width:0px;"
    divs[1]["style"]="width:350px;height:270px;position:absolute;top:50px;left:30px;border-style:solid;border-color:#88888;border-width:2px;"
    divs[2]["style"]="width:350px;height:270px;position:absolute;top:50px;left:390px;border-style:solid;border-color:#66666;border-width:2px;"
    divs[3]["style"]="width:350px;height:260px;position:absolute;top:350px;left:30px;border-style:solid;border-color:#444444;border-width:2px;"
    divs[4]["style"]="width:350px;height:260px;position:absolute;top:350px;left:390px;border-style:solid;border-color:#444444;border-width:2px;"

    body=html_bf.find("body") # 根据标签名称定位到body标签
    body["style"]="background-color:p;" # 修改背景颜色
    html_new=str(html_bf) # 将BeautifulSoup对象转换为字符
    html.seek(0, 0) # 光标移动至
    html.truncate() # 删除光标后的所有字符内容
    html.write(html_new) # 将由BeautifulSoup对象转换得到的字符重新写入html文件
    html.close()

以上代码的运行结果展示如图：

总结：这段代码的主要目的是读取一个HTML文件，并使用BeautifulSoup库修改其中特定元素的样式，然后重新写入修改后的内容

大总结

使用pyecharts进行数据可视化是一种非常有效的方式，它能够将复杂的数据转化为直观的图表，帮助我们更好地理解和分析数据。这是我对pyecharts进行数据可视化的一些心得体会和总结：简洁易用：pyecharts的API设计非常简洁，使用起来非常方便。交互性强：pyecharts支持图表之间的交互，比如可以通过鼠标悬停在某个数据点上，显示更多的信息。可扩展性强：pyecharts支持自定义主题，我们可以根据需要调整图表的样式。同时，它也支持与其他Python库的集成，比如使用pandas进行数据处理，使用matplotlib进行数据预处理等。

在使用pyecharts进行数据可视化的过程中，我也遇到了一些问题。比如，对于一些复杂的图表类型，可能需要花费更多的时间来学习和理解。另外，虽然pyecharts的性能很好，但是如果需要生成大量的图表或者需要实时渲染的场景，可能需要考虑其他的解决方案。

总的来说，使用pyecharts进行数据可视化是一种非常有效的方式。它简洁易用，交互性强，可扩展性强，性能良好，社区活跃。在未来的工作中，我会继续使用pyecharts进行数据可视化，也会向社区贡献自己的力量。

到此这篇关于在Python中使用pyecharts图形画可视化大屏的文章就介绍到这了。

#IT#

.什么是pyecharts？

Pyecharts是一个将Echarts与Python结合的数据可视化库。而Echarts本身是由百度开源的一个基于JavaScript的数据可视化库，它以良好的交互性和精巧的图表设计而受到开发者的认可。Python是一门非常适合数据处理的编程语言，具有强大的表达力和丰富的数据处理工具。

Pyecharts就是这两者的结合，它允许Python开发者利用Echarts的强大功能来创建各种数据可视化图表。使用pyecharts可以生成独立的网页文件，也可以集成到Web框架如Flask或Django中使用。

在pyecharts中，一切的配置都是通过Options来实现的。这意味着用户可以通过配置不同的选项来定制化自己的图表，从而创造出更加丰富和符合需求的可视化效果。

2.pyecharts的特性

首先，简洁的API设计是Pyecharts的一个显著特点。它提供了简单直观的接口，使得用户能够轻松地创建复杂的图表。这种设计哲学不仅降低了学习成本，还提高了开发效率，支持链式调用，让代码更加流畅易读。

其次，丰富的图表类型也是Pyecharts的一大特色。它包含了30多种常见的图表类型，如折线图、柱状图、饼图等，几乎涵盖了所有主流的数据可视化需求。

再者，对Web框架的良好集成是Pyecharts的另一个优势。它可以无缝集成到Flask、Django等主流的Web框架中，这使得在Web应用中集成数据可视化变得非常方便。

此外，原生百度地图的支持为地理数据可视化提供了极大的便利。用户可以轻松地在地图上绘制各种地理信息，这对于需要展示地理位置数据的应用场景非常有用。

最后，Pyecharts支持主流的Notebook环境，包括Jupyter Notebook和JupyterLab，这使得数据分析和可视化可以在同一个环境中进行，极大地提高了工作效率。

3.进行简单的数据分析

3.1 准备一些假数据

3.2 安装pandas、pyecharts库

安装命令

pip install pandas
pip install pyecharts

查看已安装版本：

import pyecharts 
print(pyecharts.__version__)

3.3 柱状图分析部门人数

import pandas as pd
from pyecharts.charts import Bar, Pie
from pyecharts import options as opts

# 读取Excel文件
file_path='企业员工信息表.xlsx'
df=pd.read_excel(file_path)

# 统计各部门人数
department_count=df['部门'].value_counts()

# 绘制柱状图
bar=(
    Bar()
    .add_xaxis(department_count.index.tolist())
    .add_yaxis("人数", department_count.values.tolist())
    .set_global_opts(title_opts=opts.TitleOpts(title="各部门人数统计"))
)

# 生成HTML文件
bar.render('A06-各部门人数统计.html')

结果展示：

在线咨询

上一篇：PLC可编程控制器、变频调速综合实训装置，可编程控制
下一篇：威胁Xin解析 - 隐藏在HTML中的QAKBOT银

您的项目需求

*请认真填写需求信息，我们会在24小时内与您取得联系。

整合营销服务商