前言
pyecharts 是一个基于 Echarts 的强大 Python 图表库，它以其丰富的图表类型、灵活的配置项和出色的交互性，成为数据可视化领域的首选工具。
本文精选了五个案例来演示如何使用 pyecharts 绘制复杂且具有专业水准的图表，并在 Jupyter Notebook 中直接呈现。所有案例的数据均通过随机种子生成，确保代码的可复现性。每个案例都提供完整的 Python 代码、注释，助大家轻松掌握 pyecharts 的高级绘图技巧，并在您的数据分析项目中高效应用。
包含编程资料、学习路线图、源代码、软件安装包等！【点击这里免费领取】！
准备工作
在开始之前，请确保您已经在您的 Python 环境中安装了 pyecharts 库。如果您还没有安装，可运行以下命令进行安装：
pip install pyecharts
为了生成可复现的随机数据，我们将使用 Python 的 random 模块并设置随机种子。在每个案例代码的开头，您都会看到以下代码，以确保每次运行代码时生成的数据和图表一致：
import random
random.seed(42) # 设置随机种子为 42，保证每次运行结果一致
Jupyter Notebook 运行说明
本文提供的所有代码示例都设计为可以在 Jupyter Notebook 中直接运行。您只需将代码复制到 Jupyter Notebook 的代码单元格中，然后执行该单元格，pyecharts 生成的图表将会直接在单元格的下方输出显示。无需额外的配置或导出操作，即可在 Jupyter Notebook 中方便地查看和交互操作这些复杂图表。
案例一： 关系图 (Graph Chart)
关系图用于展示数据节点之间的复杂关系网络，例如社交网络、知识图谱、组织结构等。pyecharts 关系图功能强大，支持自定义节点样式、连接线样式和布局算法。
from pyecharts import options as opts
from pyecharts.charts import Graph
import random
random.seed(42)
# 生成随机节点数据
nodes = []
for i in range(30): # 生成 30 个节点
nodes.append(
{
"id": f"节点{i+1}", # 节点 ID
"name": f"节点{i+1}", # 节点名称，用于标签显示
"symbolSize": random.randint(10, 50), # 节点大小，随机生成
"itemStyle": {"color": f"rgb({random.randint(0,255)}, {random.randint(0,255)}, {random.randint(0,255)})"}, # 节点颜色，随机 RGB 值
"label": opts.LabelOpts(formatter="{b}", position="inside"), # 标签配置，显示节点名称并居中
}
)
# 生成随机连接数据
links = []
for i in range(60): # 生成 60 条连接
source_index = random.randint(0, 29) # 随机选择源节点索引
target_index = random.randint(0, 29) # 随机选择目标节点索引
if source_index != target_index: # 避免节点连接到自身
links.append(
{
"source": f"节点{source_index+1}", # 源节点 ID
"target": f"节点{target_index+1}", # 目标节点 ID
"lineStyle": {"color": "source", "width": random.randint(1, 5)}, # 连接线样式，颜色与源节点一致，宽度随机
}
)
# 创建关系图对象
c = (
Graph()
.add("", nodes, links, repulsion=5000, layout="force") # 添加数据，repulsion 设置节点斥力，layout 设置布局算法为力引导布局
.set_global_opts(title_opts=opts.TitleOpts(title="复杂关系网络图")) # 设置全局标题
)
c.render_notebook() # 在 Jupyter Notebook 中直接渲染图表
-
nodes: 定义关系图中的节点列表，每个节点是字典，包含id（唯一标识符）,name（节点名称）,symbolSize（节点大小）,itemStyle（节点样式，这里设置随机颜色）,label（标签配置，显示节点名称并居中）。 -
links: 定义节点之间连接的列表，每个连接是字典，包含source（源节点 ID）,target（目标节点 ID）,lineStyle（连接线样式，颜色与源节点一致，宽度随机）。 -
.add("", nodes, links, repulsion=5000, layout="force"): 添加关系图的数据。-
repulsion=5000: 设置节点之间的斥力系数，数值越大，节点之间排斥力越强，布局更分散。 -
layout="force": 指定使用力引导布局算法，节点会根据彼此之间的连接关系自动布局，形成网络结构。
-
-
.set_global_opts(title_opts=opts.TitleOpts(title="复杂关系网络图")): 设置全局标题。 -
c.render_notebook(): 在 Jupyter Notebook 中渲染并展示关系图。
案例二： 3D 散点图 (3D Scatter Chart)
3D 散点图用于可视化三维空间中的数据点分布，可以直观展示数据点在三维空间中的位置和密度，适用于分析三维数据的空间模式和关系。
from pyecharts import options as opts
from pyecharts.charts import Scatter3D
import random
random.seed(42)
# 生成随机 3D 数据
data = []
for i in range(100): # 生成 100 个数据点
x = random.randint(0, 100) # 随机 X 坐标
y = random.randint(0, 100) # 随机 Y 坐标
z = random.randint(0, 100) # 随机 Z 坐标
value = x + y + z # 计算数值，用于颜色映射
data.append([x, y, z, value]) # 添加数据点，包含 X, Y, Z 坐标和数值
# 创建 3D 散点图对象
c = (
Scatter3D()
.add(
"3D 散点示例",
data,
xaxis3d_opts=opts.Axis3DOpts(name="X 轴"), # 设置 X 轴配置
yaxis3d_opts=opts.Axis3DOpts(name="Y 轴"), # 设置 Y 轴配置
zaxis3d_opts=opts.Axis3DOpts(name="Z 轴"), # 设置 Z 轴配置
)
.set_global_opts(
visualmap_opts=opts.VisualMapOpts(
max_=300, min_=0, range_color=["#313695", "#4575b4", "#abd9e9", "#fdae61", "#d7191c"] # 设置视觉映射，颜色范围
),
title_opts=opts.TitleOpts(title="复杂 3D 散点图"), # 设置全局标题
)
)
c.render_notebook() # 在 Jupyter Notebook 中直接渲染图表
-
Scatter3D(): 创建 3D 散点图对象，用于绘制三维散点图。 -
.add("3D 散点示例", data, ...): 添加数据系列，data是包含三维坐标和数值的列表，每个数据点形如[x, y, z, value]，其中value用于颜色映射。 -
xaxis3d_opts,yaxis3d_opts,zaxis3d_opts: 分别配置 X, Y, Z 三个坐标轴的属性，例如name设置坐标轴名称。 -
.set_global_opts(visualmap_opts=opts.VisualMapOpts(...)): 配置全局视觉映射组件，range_color设置颜色范围，将数值映射到不同的颜色梯度，以表示数值大小。 -
c.render_notebook(): 在 Jupyter Notebook 中渲染并显示 3D 散点图。
案例三： 组合图表 (Combined Chart - Line + Bar)
组合图表可以将多种图表类型结合在一起，例如折线图和柱状图，以便在一个图表中同时展示不同类型的数据，或者突出不同数据集之间的对比关系。
from pyecharts import options as opts
from pyecharts.charts import Bar, Line
import random
random.seed(42)
# 生成随机数据
categories = [f"类别{i+1}"for i in range(10)] # 生成 10 个类别名称
bar_data = [random.randint(50, 200) for _ in range(10)] # 生成柱状图数据，每个类别对应一个随机值
line_data = [random.randint(20, 150) for _ in range(10)] # 生成折线图数据，每个类别对应一个随机值
# 创建柱状图对象
bar = Bar()
bar.add_xaxis(categories) # 添加 X 轴数据，即类别名称列表
bar.add_yaxis("柱状图数据", bar_data) # 添加柱状图数据系列，系列名称为 "柱状图数据"，数据为 bar_data
# 创建折线图对象
line = Line()
line.add_xaxis(categories) # 添加 X 轴数据，与柱状图共用相同的 X 轴
line.add_yaxis("折线图数据", line_data) # 添加折线图数据系列，系列名称为 "折线图数据"，数据为 line_data
# 组合图表
bar.overlap(line) # 将折线图 line 对象覆盖到柱状图 bar 对象之上，实现图表组合
bar.set_global_opts(
title_opts=opts.TitleOpts(title="柱状图与折线图组合示例"), # 设置全局标题
tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), # 配置提示框，trigger="axis" 轴触发，axis_pointer_type="cross" 交叉轴指示器
)
bar.render_notebook() # 在 Jupyter Notebook 中直接渲染图表
-
Bar()和Line(): 分别创建柱状图和折线图对象，用于绘制组合图中的柱状图和折线图部分。 -
bar.add_xaxis(categories)和line.add_xaxis(categories): 为柱状图和折线图添加相同的 X 轴数据，即类别名称列表categories，确保两个图表共享同一个 X 轴。 -
bar.add_yaxis("柱状图数据", bar_data)和line.add_yaxis("折线图数据", line_data): 分别为柱状图和折线图添加各自的数据系列，并指定系列名称。 -
bar.overlap(line): 组合图的关键步骤，使用overlap方法将折线图对象line覆盖到柱状图对象bar上，从而实现柱状图和折线图的组合显示。 -
tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"): 配置提示框，设置为轴触发 (trigger="axis")，并启用交叉轴指示器 (axis_pointer_type="cross")，当鼠标悬停在图表上时，会显示交叉轴线和数据提示信息。 -
bar.render_notebook(): 在 Jupyter Notebook 中渲染并显示组合图表。
案例四： 漏斗图 (Funnel Chart)
漏斗图适用于展示业务流程中各个环节的数据转化率，例如网站用户从访问到最终购买的转化、销售线索从潜在客户到成交客户的转化等。漏斗的形状直观地反映了流程中各个环节的损耗情况。
from pyecharts import options as opts
from pyecharts.charts import Funnel
import random
random.seed(42)
# 生成随机漏斗图数据
data = [
("访问", random.randint(300, 500)), # 访问环节数据
("浏览", random.randint(200, 300)), # 浏览环节数据
("咨询", random.randint(100, 200)), # 咨询环节数据
("下单", random.randint(50, 100)), # 下单环节数据
("支付", random.randint(20, 50)), # 支付环节数据
]
data.sort(key=lambda x: x[1], reverse=True) # 数据排序，保证漏斗图的视觉效果
# 创建漏斗图对象
c = (
Funnel()
.add("商品转化率", data, label_opts=opts.LabelOpts(position="inside")) # 添加数据系列，设置标签显示在漏斗内部
.set_global_opts(title_opts=opts.TitleOpts(title="商品销售转化漏斗图")) # 设置全局标题
)
c.render_notebook() # 在 Jupyter Notebook 中直接渲染图表
-
Funnel(): 创建漏斗图对象。 -
data: 定义漏斗图的数据，为一个列表，列表中的每个元素是一个元组，包含两个值：环节名称和该环节的数据值。例如("访问", 450)表示 "访问" 环节的数据值为 450。 -
data.sort(key=lambda x: x[1], reverse=True): 对数据进行排序，按照数据值从大到小排序。漏斗图通常需要按照数据值大小排序，以保证漏斗的形状符合逻辑。 -
.add("商品转化率", data, label_opts=opts.LabelOpts(position="inside")): 添加数据系列。-
"商品转化率": 系列名称，显示在图例和提示框中。 -
data: 数据，即我们生成的data列表。 -
label_opts=opts.LabelOpts(position="inside"): 设置标签配置项，position="inside"将标签显示在漏斗图形内部。
-
-
.set_global_opts(title_opts=opts.TitleOpts(title="商品销售转化漏斗图")): 设置全局标题。 -
c.render_notebook(): 在 Jupyter Notebook 中渲染并显示漏斗图。
案例五： 热力图 (HeatMap)
热力图通过颜色的深浅变化来可视化矩阵数据，可以直观地展示不同数据项之间的相关性、数据密度分布或数值大小的差异。热力图常用于分析用户行为热点、基因表达数据、地理数据密度等。
from pyecharts import options as opts
from pyecharts.charts import HeatMap
import random
random.seed(42)
# 生成随机热力图数据
x_axis = [f"X轴标签{i+1}"for i in range(10)] # X 轴标签
y_axis = [f"Y轴标签{i+1}"for i in range(10)] # Y 轴标签
data = []
for i in range(10): # 循环生成 10x10 的数据矩阵
for j in range(10):
data.append([j, i, random.randint(0, 100)]) # 添加数据点，[X轴索引, Y轴索引, 数值]
# 创建热力图对象
c = (
HeatMap()
.add_xaxis(x_axis) # 添加 X 轴数据，即 X 轴标签
.add_yaxis("热力图示例", y_axis, data) # 添加 Y 轴数据和热力数据
.set_global_opts(
title_opts=opts.TitleOpts(title="复杂热力图示例"), # 设置全局标题
visualmap_opts=opts.VisualMapOpts(min_=0, max_=100), # 设置视觉映射，数值范围和颜色映射
)
)
c.render_notebook() # 在 Jupyter Notebook 中直接渲染图表
-
HeatMap(): 创建热力图对象。 -
x_axis和y_axis: 分别定义热力图的 X 轴和 Y 轴标签，这里生成了 10 个 X 轴标签和 10 个 Y 轴标签。 -
data: 定义热力图的数据，为一个列表，列表中的每个元素是一个包含三个值的列表[x_index, y_index, value]，分别表示 X 轴索引、Y 轴索引和该位置的数值。例如[0, 1, 85]表示 X 轴第一个标签、Y 轴第二个标签对应的数据值为 85。 -
.add_xaxis(x_axis): 添加 X 轴数据，即 X 轴标签列表。 -
.add_yaxis("热力图示例", y_axis, data): 添加 Y 轴数据和热力数据。-
"热力图示例": 系列名称。 -
y_axis: Y 轴标签列表。 -
data: 热力数据，即我们生成的data列表。
-
-
.set_global_opts(visualmap_opts=opts.VisualMapOpts(min_=0, max_=100)): 设置全局配置项。-
title_opts=opts.TitleOpts(title="复杂热力图示例"): 设置全局标题。 -
visualmap_opts=opts.VisualMapOpts(min_=0, max_=100): 设置视觉映射组件，min_和max_定义数值范围，pyecharts默认会根据数值范围进行颜色映射，数值越高颜色越深。
-
-
c.render_notebook(): 在 Jupyter Notebook 中渲染并显示热力图。
通过本文的五个案例，相信大家已经了解了如何在Python中使用 pyecharts 绘制各种复杂图表。大家可尝试将这些代码复制运行，亲身体验 pyecharts 的魅力，并根据实际数据和需求，创作出更具洞察力和表现力的数据可视化作品！
扫一扫
644
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
