小北使用Python和pyecharts对我校通信学院2024大数据专业就业情况进行中国地图可视化

Stitch .

已于 2024-09-02 21:35:26 修改

阅读量625

点赞数 9

分类专栏： Python 我的大学笔记大数据可视化文章标签： python 信息可视化大数据 pyecharts pycharm 图形渲染图像处理

于 2024-09-02 21:10:27 首次发布

本文链接：https://blog.csdn.net/Zhiyilang/article/details/141829850

版权

我的大学笔记同时被 3 个专栏收录

53 篇文章 7 订阅

订阅专栏

Python

22 篇文章 0 订阅

订阅专栏

大数据可视化

1 篇文章 0 订阅

订阅专栏

引言

在数据分析领域，地图可视化是一种直观展示数据分布和趋势的有效方式。然而，当我们面对如“2020-2024届近5年通信就业数据”这样的数据集时，挑战也随之而来。这些数据通常包含就业单位名称和对应的学生信息，但缺乏直接的地理位置信息（如省份、城市）。本文将介绍如何使用Python和pyecharts库，通过间接方式（统计各省份的就业人数）来实现中国地图上的数据可视化。

pyecharts - A Python Echarts Plotting Library built with love.Descriptionhttps://pyecharts.org/#/

5 分钟完全解读 pyecharts 动态图表

1. pyecharts简介

pyecharts是基于百度开源图表组件echarts的python封装。支持所有常用的图表组件，和matlibplot系的图表库不同的是：pyecharts支持动态交互展示，这一点在查看复杂数据图表时特别的有用。

pip install pyecharts

2.pyecharts简单使用

pyecharts支持常用的基本图形展示，条形图、折线图、饼图、散点图、热力图、漏斗图、雷达图、箱型图、地图等，还能支持仪表盘，树形图的展示。

from pyecharts.charts import Bar,Line
from pyecharts import options as opts
from pyecharts.globals import ThemeType

line = (
    Line(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, width='1000px',height='300px' ))
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
    .add_yaxis("商家B", [15, 6, 45, 20, 35, 66])
    .set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"),
                        datazoom_opts=opts.DataZoomOpts(is_show=True))
    .set_series_opts(label_opts=opts.LabelOpts(is_show=True))
)
line.render('test.html')
line.render_notebook()

从上面简单事例可知，pyecharts的使用包括:

图标类型（Line）本身的初始化配置，如主题，大小
加载数据：如加载x轴数据，加载y轴数据（可以多个）
设置全局配置，如标题，区域缩放datazoom，工具箱等
设置系列配置项，如标签，线条，刻度文本展示等
图标显示：render保存成html文件，如果是jupyter notebook则直接通过render_notebook展示在notebook中

3.常用配置使用

在pyecharts中，关于图表外观显示等操作都是在相应的option里配置，包括坐标轴，图例，数据标签，网格线，图表样式/颜色，不同系列等等。

InitOpts：各个图表类型初始配置
set_global_opts：全局外观配置
set_series_opts：系列配置

为了方便大家和自己，下面给出一个常用的组合，通常可视化足够用了，快收藏。

InitOpts：主题，长宽，动画效果
DataZoomOpts：区域收缩，这个对于数据特别多，如一天的时间序列数据，特别有用，可以拖动查看全局和局部的数据（可以设置是否显式显式还是可拖动type_="inside"）
标题配置TitleOpts：说明这个图表说明的是什么，必备的吧
图例配置LegendOpts：说明图表中的不同数据项（这个图例是可以点击的，可以单独查看某个图例的数据，很有用）
提示框配置TooltipOpts：显示图例具体某个点的数据
x轴和y轴坐标轴标题说明AxisOpts
坐标刻度调整：特别适用于刻度说明比较多，可以显示角度变换等
markpoint/markline: 对图表的特别标记，用于重点说明部分和标注区分线

from pyecharts.charts import Bar,Line
from pyecharts import options as opts
from pyecharts.globals import ThemeType

bar = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, 
                                 width='1000px',
                                 height='300px', 
                                 animation_opts=opts.AnimationOpts(animation_delay=1000, animation_easing="elasticOut")
                                )
        )
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
    .add_yaxis("商家B", [15, 6, 45, 20, 35, 66])
    .set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"),
                     toolbox_opts=opts.ToolboxOpts(is_show=False),
                     # datazoom_opts=opts.DataZoomOpts(is_show=True)
                     datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],
                     legend_opts=opts.LegendOpts(type_="scroll", pos_left="50%", orient="vertical"),
                     xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15), name="我是 X 轴"),
                     yaxis_opts=opts.AxisOpts(name="我是 Y 轴", axislabel_opts=opts.LabelOpts(formatter="{value} /月")),
                     tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),

                    )
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False),
                    markpoint_opts=opts.MarkPointOpts(
                        data=[
                            opts.MarkPointItem(type_="max", name="最大值"),
                            opts.MarkPointItem(type_="min", name="最小值"),
                            opts.MarkPointItem(type_="average", name="平均值"),
                        ]
                        ),
                    )
)
# line.render('test.html')
bar.render_notebook()

4.常用组合图表使用

常用组合图表有：

不同图表类型组合如柱状图和折线图组合在一张图中（双y轴），主要的看同一视角不同指标的差异和关联；pyecharts中是通过overlap实现

from pyecharts import options as opts
from pyecharts.charts import Bar, Line
from pyecharts.faker import Faker

v1 = [2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]
v2 = [2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]
v3 = [2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2]


bar = (
    Bar(init_opts=opts.InitOpts(width="680px", height="300px"))
    .add_xaxis(Faker.months)
    .add_yaxis("蒸发量", v1)
    .add_yaxis("降水量", v2)
    .extend_axis(
        yaxis=opts.AxisOpts(
            axislabel_opts=opts.LabelOpts(formatter="{value} °C"), interval=5
        )
    )
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Overlap-bar+line"),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value} ml")),
        tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
    )
)

line = Line().add_xaxis(Faker.months).add_yaxis("平均温度", v3, yaxis_index=1)
bar.overlap(line)
bar.render_notebook()

从实现上，

.extend_axis增加一个纵坐标
增加的折线图设置轴坐标时设置yaxis_index索引和前面的纵坐标对应
然后两张叠加overlap bar.overlap(line)

多图标以网格（GRID）方式组合，主要是对比；pyecharts中是通过grid组件实现

from pyecharts import options as opts
from pyecharts.charts import Bar, Grid, Line
from pyecharts.faker import Faker

bar = (
    Bar()
    .add_xaxis(Faker.choose())
    .add_yaxis("商家A", Faker.values())
    .add_yaxis("商家B", Faker.values())
    .set_global_opts(title_opts=opts.TitleOpts(title="Grid-Bar"))
)
line = (
    Line()
    .add_xaxis(Faker.choose())
    .add_yaxis("商家A", Faker.values())
    .add_yaxis("商家B", Faker.values())
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Grid-Line", pos_top="48%"),
        legend_opts=opts.LegendOpts(pos_top="48%"),
    )
)

grid = (
    Grid(init_opts=opts.InitOpts(width="680px", height="500px"))
    .add(bar, grid_opts=opts.GridOpts(pos_bottom="60%"))
    .add(line, grid_opts=opts.GridOpts(pos_top="60%"))
)
grid.render_notebook()

从实现看

主要通过Grid把各种图形放入其中
各个图表的位置通过GridOpts来设置，上下左右的位置
需要注意的是:grid中图表的title和图例需要根据所处位置来指定相对的位置（这个有点麻烦，多调调）

5.地图使用

地图可用在展示数据在地理位置上的分布情况，也是很常见的可视化的展示组件。pyecharts中是通过Map类来实现的。具体细节需要注意：

map支持不同的maptype，如中国地图china(省级) china-cities（市级），世界地图world，还有中国各省市地图以及世界各国国家地图，参看github pyecharts/datasets/map_filename.json
map的数据格式是（地理位置， value），如[['广东', 76],['北京', 58]]
可以通过visualmap_opts查看着重点

from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker

c1 = (
    Map()
    .add("商家A", [list(z) for z in zip(Faker.guangdong_city, Faker.values())], "广东")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Map-广东地图"), visualmap_opts=opts.VisualMapOpts()
    )
   
)

c2 = (
    Map()
    .add("商家A", [list(z) for z in zip(Faker.provinces, Faker.values())], "china")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="Map-VisualMap（连续型）"),
        visualmap_opts=opts.VisualMapOpts(max_=200),
    )
)

# c1.render_notebook()
c2.render_notebook()

6.特色图表使用

在学习pyecharts时，看到一些比较有意思的（动态展示）组件，如随着时间动态展示图表数据的变化。这里做下介绍

Timeline：时间线轮播多图先声明一个Timeline, 按照展示的时间顺序，将图表add到Timeline上; 可以通过播放按钮循环按照时间顺序展示图表。

from pyecharts import options as opts
from pyecharts.charts import Pie, Timeline
from pyecharts.faker import Faker

attr = Faker.choose()
tl = Timeline()
for i in range(2015, 2020):
    pie = (
        Pie()
        .add(
            "商家A",
            [list(z) for z in zip(attr, Faker.values())],
            rosetype="radius",
            radius=["30%", "55%"],
        )
        .set_global_opts(title_opts=opts.TitleOpts("某商店{}年营业额".format(i)))
    )
    tl.add(pie, "{}年".format(i))
tl.render_notebook()

仪表盘

from pyecharts import options as opts
from pyecharts.charts import Gauge

c = (
    Gauge()
    .add("", [("完成率", 30.6)], radius="70%",
        axisline_opts=opts.AxisLineOpts(
            linestyle_opts=opts.LineStyleOpts(
                color=[(0.3, "#67e0e3"), (0.7, "#37a2da"), (1, "#fd666d")], width=30)
            ),
            title_label_opts=opts.LabelOpts(
                font_size=20, color="blue", font_family="Microsoft YaHei"
            ),
        )
    .set_global_opts(title_opts=opts.TitleOpts(title="Gauge-基本示例"), legend_opts=opts.LegendOpts(is_show=False),)

)
c.render_notebook()

7.其他图表一览

从上面的实例看，已经展示地图，条形图，折线图，饼图，仪表盘。这里展示下pyecharts提供的更多的图表，

雷达图 Radar

树形图 Tree

热力图 heatMap

日历图 Calendar

散点图 Scatter

3D图 Bar3D

箱型图 Boxplot

8.总结

本文介绍的基于echarts的python动态图表展示组件pyecharts，除了提供众多常用的图表外，最重要的是支持动态操作数据。总结如下：

pyecharts所有的图像属性设置都通过opts来设置，有图表初始属性/全局属性/系列属性
本文提供常用的配置，足够用了，拿走不谢，见常用配置使用
pyecharts 支持多图表组合，如折线图和条形图 overlap，多个图表grid展示
pyecharts好用的map，可以展示中国省市，世界各国地图，请按照[位置，value]准备数据
Timeline可以让你的图表按照时间轮播
更多图表参见参考资料

9.参考资料

pyecharts - A Python Echarts Plotting Library built with love.Descriptionhttps://pyecharts.org/#/zh-cn/quickstart

案例展示：

一、数据预处理

步骤 1: 获取和清洗数据

首先，小北需要从“2020-2024届近5年通信就业数据 - 副本 - 副本.xlsx”文件中读取数据。由于数据集中不包含直接的地理位置信息，你需要手动或通过外部API获取每个就业单位的省份信息。

import pandas as pd  
  
# 读取Excel文件  
df = pd.read_excel('2020-2024届近5年通信就业数据 - 副本 - 副本.xlsx')  
  
# 假设你已经有了一个包含单位名称和对应省份的映射（这里只是示例）  
# 或者你可以通过某种方式（如网络搜索、数据库查询等）来填充这个映射  
unit_to_province = {  
    '单位A': '上海',  
    '单位B': '北京',  
    # ... 其他单位  
}  
  
# 将单位名称映射到省份，并统计每个省份的就业人数  
province_jobs = df['单位名称'].map(unit_to_province).value_counts().to_dict()

注意事项

数据获取：确保你有权访问并处理这些数据。
准确性：单位到省份的映射需要尽可能准确，这可能需要大量的手动工作或使用外部数据源。
数据处理：使用Pandas等库可以大大简化数据清洗和统计过程。

二、使用pyecharts进行可视化

步骤 2: 安装和导入pyecharts

如果你还没有安装pyecharts，可以通过pip进行安装：

pip install pyecharts

然后，在Python脚本中导入必要的模块：

from pyecharts.charts import Map 
from pyecharts import options as opts

步骤 3: 创建地图并添加数据

使用pyecharts的Map类来创建地图，并添加省份和对应的就业人数数据。

# 创建地图 
m = Map() 
m.add("通信专业学生就业人数", [list(z) for z in zip(province_jobs.keys(), province_jobs.values())], "china") 
m.set_global_opts( 
title_opts=opts.TitleOpts(title="通信专业学生就业地域分布"), 
visualmap_opts=opts.VisualMapOpts(max_=max(province_jobs.values()), is_piecewise=True), # 调整为实际最大值 
) 


# 渲染图表到HTML文件 
m.render('communication_job_map.html')

注意事项

最大值设置：在VisualMapOpts中，max_应设置为就业人数的最大值，以确保视觉映射的准确性。
分段显示：is_piecewise=True表示视觉映射将分段显示，这有助于区分不同数量级的就业人数。
图表展示：生成的HTML文件可以在浏览器中打开查看，或者如果你在使用Jupyter Notebook，可以使用IFrame显示图表。

完整代码：

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

# 读取Excel文件
df = pd.read_excel('2020-2024届近5年通信就业数据.xlsx')

# 假设您已经有一个包含省份和就业人数的 DataFrame
# 这里我们模拟一下这个 DataFrame
# 注意：这只是一个示例，您需要根据实际情况调整
employment_data = pd.DataFrame({
    'Province': ['北京', '上海', '广东', '江苏'],
    'Employment': [100, 120, 150, 80]
})

# 假设 extract_province 函数已经正确定义（这里不需要，因为我们已经有了省份数据）
# ...

# 创建 Geo 地图
geo = Geo()
# 添加数据，这里直接使用 employment_data DataFrame
geo.add_schema(maptype="china")
geo.add("就业人数", [(row.Province, row.Employment) for index, row in employment_data.iterrows()])
geo.set_global_opts(
    title_opts=opts.TitleOpts(title="大数据技术专业学生就业地域分布"),
    visualmap_opts=opts.VisualMapOpts(max_=employment_data['Employment'].max()),
)

# 渲染图表到HTML文件
geo.render('employment_map.html')

结论

通过本文介绍的方法，你可以将通信就业数据以地图可视化的形式展示出来，从而直观地了解各省份的就业分布情况。尽管原始数据中没有直接的地理位置信息，但通过额外的数据收集和处理步骤，我们仍然能够实现这一目标。此外，pyecharts库提供了丰富的配置选项，允许你根据需要调整图表的样式和功能。

最后的最后，小北希望这篇博客对友友你有所帮助，如果你有任何问题或建议，欢迎在评论区留言~

Stitch .

关注

9
点赞
踩
5

收藏

觉得还不错? 一键收藏
打赏
0
评论
小北使用Python和pyecharts对我校通信学院2024大数据专业就业情况进行中国地图可视化

pyecharts是基于百度开源图表组件echarts的python封装。支持所有常用的图表组件，和matlibplot系的图表库不同的是：pyecharts支持动态交互展示，这一点在查看复杂数据图表时特别的有用。本文介绍的基于echarts的python动态图表展示组件pyecharts，除了提供众多常用的图表外，最重要的是支持动态操作数据。总结如下：pyecharts所有的图像属性设置都通过opts来设置，有图表初始属性/全局属性/系列属性本文提供常用的配置，足够用了，拿走不谢，见常用配置使用。
复制链接

扫一扫