Python数据可视化—pyecharts库数据可视化_基于python 的开源可视化图表库

pyecharts库

在对数据的掌握及分析变得愈加重要的当今时代，数据可视化作为提高用户对数据的理解程度，创新架构，增进体验的重要一环，一向富有表现力的Python语言应当可以发挥更大作用，优秀的pyecharts第三方库即在这样的背景下诞生。

Echarts是一个由百度开源的商业级数据图表，它是一个纯JavaScript的图表库，可以为用户提供直观生动，可交互，可高度个性化定制的数据可视化图表，赋予了用户对数据进行挖掘整合的能力。由于Python在数据分析领域的活跃，一个开发团队将echarts库移植到python中，命名为“pyecharts”。

相较于matplotlib而言，pyecharts库绘制的图形种类更多，样式更精美、丰富。

我们即可定义：pyecharts库是一个用于生成 Echarts 图表的类库。

Pyecharts团队提供了官网和社区。

其中官网有Pyecharts的使用文档，社区包含各种图形的项目案例代码和演示。

 官网：pyecharts - A Python Echarts Plotting Library built with love.

社区：Document

pyecharts库的安装口令

pip install pyecharts

在Windows中打开Anaconda Prompt，输入安装口令，即可安装pyecharts库使用。

pyecharts包含的图表

　　Bar（柱状图/条形图） 
　　Bar3D（3D 柱状图） 
　　Boxplot（箱形图） 
　　EffectScatter（带有涟漪特效动画的散点图） 
　　Funnel（漏斗图） 
　　Gauge（仪表盘） 
　　Geo（地理坐标系） 
　　Graph（关系图） 
　　HeatMap（热力图） 
　　Kline（K线图） 
　　Line（折线/面积图） 
　　Line3D（3D 折线图） 
　　Liquid（水球图） 
　　Map（地图） 
　　Parallel（平行坐标系） 
　　Pie（饼图） 
　　Polar（极坐标系） 
　　Radar（雷达图） 
　　Sankey（桑基图） 
　　Scatter（散点图） 
　　Scatter3D（3D 散点图） 
　　ThemeRiver（主题河流图） 
　　WordCloud（词云图）

pyecharts库相关函数、参数使用

使用 Jupyter Notebook 来展示图表，只需要调用自身实例即可，add() 为主要方法，用于添加图表的数据和设置各种配置项，render() 默认将会在根目录下生成一个 render.html 的文件，文件使用浏览器打开。

基本上所有的图表类型都是这样绘制的：

1.chart_name = Type() 初始化具体类型图表
2.add() 加数据及配置项
3.render() 生成 .html 文件。

pyecharts图表使用实例：

Pie（饼图）

import pandas as pd
from pyecharts.charts import Pie
from pyecharts import options as opts
 
#数据分析
df = pd.read_excel('E:/zxt-Python数据分析与可视化/数据集/航空公司数据.xlsx')
#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']
)
#分组求和
result = df.groupby('年龄段').size()
#数据准备
#使用列表生成式和zip函数生成pyecharts画饼图需要的二维列表
data = [[x,int(y)] for x,y in zip(result.index,result.values)]
data
 
pie =(
    Pie()
    .add(
    '',#表示系列名称，如果只有一个数据系列，填空字符串
    data,#输入数据（二维列表)
    radius = ['30%','70%'],#半径
    center = ['30%','50%'],#中心点位置
    )
)
pie.render_notebook()

运行结果图：

Radar（雷达图） 

from pyecharts.charts import Radar
from pyecharts import options as opts
 
#数据
x1=[[1,2,3,4,5]]
x2=[[5,4,3,2,1]]
#维度名称
dimensions = ['力量','速度','敏捷' ,'耐力','爆发力']
#创建雷达图实例
radar = Radar()
#添加数据维度名称
radar.add_schema(
schema =[
opts.RadarIndicatorItem(name=i,max_=5) for i in dimensions
    ]
)
#添加数据
radar.add(series_name='甲',data=x1,
          linestyle_opts=opts.LineStyleOpts(color='#ff8080')
         )
radar.add(series_name='乙',data=x2,
          linestyle_opts=opts.LineStyleOpts(color='skyblue')
        )
radar.render_notebook()

运行结果图：

Bar（柱状图/条形图）

import pandas as pd
from pyecharts.charts import Bar
import pyecharts.options as opts
 
df=pd.read_csv('D:/数据/新用户表.csv',engine= 'python')
result = df.groupby(['性别','城市']).size()
x = result.index.levels[1].tolist()
y1 = result['女'].tolist()
y2 = result['男'].tolist()
 
bar = (
    Bar()
    .add_xaxis(x)
    .add_yaxis("女",y1,color='#ff8080',stack=100)
    .add_yaxis("男",y2,color='skyblue',stack=100)
    .reversal_axis()
    .set_global_opts(
        title_opts = opts.TitleOpts(
            title = '不同性别在不同省份的人数'
        )
    )
    .render("柱形图demo.html")
)

运行结果图：

Scatter（散点图）

import pandas as pd
from pyecharts.charts import Scatter
from pyecharts import options as opts
 
#数据分析
df = pd.read_excel('../数据集/航空公司数据.xlsx')
#数据准备
x = df['年龄'].tolist()
y = df['飞行次数'].tolist()
 
#画图
s= (
    Scatter()
    .add_xaxis(x)
    .add_yaxis('',
               y,
               label_opts=opts.LabelOpts(is_show=False)#不显示数字标签
               )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(type_='value')#设置x轴数据类型为数字型
    )
)
s.render_notebook()

运行结果图：

Scatter3D（3D 散点图）

import numpy as np
x= [int(i) for i in np.random.randint(0,100,100)]
y = [int(i) for i in np.random.randint(0,100,100)]
z = [a+b for a,b in zip(x,y)]
data = [[a,b,c] for a,b,c in zip(x,y,z)]
print(data)
 
#画图
import pyecharts.options as opts
from pyecharts.charts import Scatter3D
s3d = (
    Scatter3D()
    .add(
        '',
        data = data,
        xaxis3d_opts=opts.Axis3DOpts(
            name ='x',
            type_="value",
        ),
        yaxis3d_opts=opts.Axis3DOpts(
            name = 'y',
            type_="value",
        ),
        zaxis3d_opts=opts.Axis3DOpts(
            name = 'z',
            type_="value",
        ),
    )
)
s3d.render('三维散点图.html')

运行结果图：

wordcloud词云图 

jieba、snownlp库中文文本制作词云图

 词云用来统计一段文本中各个词汇出现的频次，进而突显文本的内容。

生成wordcloud词云图需要安装第三类库：jieba、snownlp。

1.先通过jieba库将文本分词处理，并把结果列表以空格为分隔符拼接成文本。
2.实例化一个WordCloud对象，如wordcloud=WordCloud ()。 注意：需要指定中文字体，否则显示为乱码。
3.调用wordcloud.generate (text)，对文本text进行分词，并生成词云图。

由于现在大部分的自然语言处理库基本都是针对英文的，于是写了一个方便处理中文的类库
SnowNLP是一个python写的类库，可以方便的处理中文文本内容，是受到了TextBlob的启发而写的。
snownlp主要可以进行中文分词（算法是Character-Based Generative Model）、词性标注、情感分析、文本分类（原理是朴素贝叶斯）、
转换拼音、繁体转简体、提取文本关键词（原理TextRank）、提取摘要（原理TextRank）、分割句子、文本相似（原理BM25）。官网还有更多关于该库的介绍。

1.中文分词（Character-Based Generative Model）
2.词性标注（TnT 3-gram 隐马）
3.情感分析（现在训练数据主要是买卖东西时的评价）
4.文本分类（Naive Bayes）
5.转换成拼音（Trie树实现的最大匹配）
6.繁体转简体（Trie树实现的最大匹配）
7.提取文本关键词（TextRank算法）
8.提取文本摘要（TextRank算法）
9.Tokenization（分割成句子）
10.文本相似（BM25）

jieba库安装命令

pip install jieba

snownlp库安装命令

pip install snownlp

 

词云图示例

以披荆斩棘的哥哥豆瓣影评为例：

import pandas as pd
import jieba
from snownlp import SnowNLP 
import pyecharts.options as opts
from pyecharts.charts import WordCloud
 
data = pd.read_excel(r'披荆斩棘的哥哥 短评.xlsx')
data_name = pd.read_excel(r'披荆斩棘的哥哥 名字.xlsx')
data
 
#哥哥的热度词云
# 分词
data['分词'] = data['评论'].agg(lambda x:jieba.lcut(x))
data
 
# 哥哥热度统计函数
def heat_count(name,series):
    count = 0
    for i in series:
        for j in i:
            if j==name:
                count+=1
    return count
 
data_name['热度'] = data_name['名字'].agg(heat_count,series=data['分词'])
data_name
 
# 重组成pyecharts的数据结构
data_wordcloud_name = [(i,str(j)) for i,j in zip(data_name['名字'],data_name['热度'])]
data_wordcloud_name
 
c = (
    WordCloud()
    .add(series_name="", 
         data_pair=data_wordcloud_name,
         word_size_range=[20, 80]
        )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="哥哥的热度", title_textstyle_opts=opts.TextStyleOpts(font_size=23)
        ),
        tooltip_opts=opts.TooltipOpts(is_show=True),
    )
)
c.render_notebook()

哥哥的热度词云图

#形容词词云
data['词性标注'] = data['评论'].agg(lambda x:list(SnowNLP(x).tags))
data
 
# 把词性一列中所有列表的数据对拼接到一个列表中，方便后续分析
list_tags = []
for i in data['词性标注']:
    for j in i:
        list_tags.append(j)
list_tags
 
# 转换成表格对象
data_tags = pd.DataFrame(list_tags,columns=['词语','词性'])
data_tags
data_tags['词性']
# 统计每一个词性出现的次数
data_tags['词性'].value_counts()
# 统计形容词的出现频次
result = data_tags[data_tags['词性']=='a'].groupby(by='词语')['词语'].count().sort_values(ascending=False)#[:20]
result
 
# 将形容词一列和出现频次一列转换成二维列表
# 注意：频次的数字需要转换成字符
data_wordcloud_tags = [(i,str(j)) for i,j in zip(result.index,result.values)]
data_wordcloud_tags
 
 
c = (
    WordCloud()
    .add(series_name="", 
         data_pair=data_wordcloud_tags, 
         word_size_range=[30, 100]
        )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="哥哥的评论", title_textstyle_opts=opts.TextStyleOpts(font_size=23)
        ),
        tooltip_opts=opts.TooltipOpts(is_show=True),
    )
)
c.render_notebook()

 哥哥的评论词云图