大数据可视化技术 实验四：Pyecharts的基本操作

大数据可视化技术

实验四：Pyecharts的基本操作

一、实验名称 

Pyecharts的基本操作

二、实验目的

通过该实验的实践，要求学生可以理解pyecharts进行数据可视化展示的流程，掌握pandas对数据进行处理，能够熟练使pyecharts进行基本图表的绘制。

三、实验原理

ECharts是一个纯Javascript的图表库，可以流畅的运行在PC和移动设备上，兼容当前绝大部分浏览器，底层依赖轻量级的Canvas类库ZRender，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。ECharts提供了常规的折线图、柱状图、散点图、饼图、K线图，用于统计的盒形图，用于地理数据可视化的地图、热力图、线图，用于关系数据可视化的关系图、treemap，多维数据可视化的平行坐标，还有用于BI的漏斗图、仪表盘，并且支持图与图之间的混搭。

Pyecharts 是基于 Echarts 图表的类库，支持python语言的使用。

四、实验步骤

1 安装地图素材库

pip install echarts-countries-pypkg
pip install echarts-china-provinces-pypkg
pip install echarts-china-cities-pypkg
pip install echarts-china-counties-pypkg
pip install echarts-china-misc-pypkg
pip install echarts-united-kingdom-pypkg

2 打开jupyter notebook，新建ipynb文件

3 各种柱状图

3.1 普通柱状图

from pyecharts import Bar #引入柱状图工具
# 准备数据
goods =["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
sales1 =[5, 20, 36, 10, 10, 100] # 商家A各个产品对应的销售量
sales2 =[55, 60, 16, 20, 15, 80] # 商家B各个产品对应的销售量

bar = Bar('柱形图-销售量', '显示服装的各个子类的销售量') #创建柱状图对象
bar.add('服装', goods, sales1,  is_label_show=True) # is_label_show在柱形图上方显示销售量
bar.render(path='1.柱形图.html') #生成html，在该python文件同级目录下

bar2 = Bar("显示标记线和标记点") #创建柱状图对象
bar2.add('商家A', goods, sales1, mark_point=['average']) # mark_point标记商家A与平均值最接近的销售量
bar2.add('商家B', goods, sales2, mark_line=['min', 'max']) # mark_line标记商家B的销售量最大值和最小值
bar2.render(path='2.标记点柱形图.html') #生成html，在该python文件同级目录下

bar3 = Bar("水平显示") #创建柱状图对象
bar3.add('商家A', goods, sales1)
bar3.add('商家B', goods, sales2, is_convert=True) # is_convert 交换 XY 轴
bar3.render(path='3.水平柱形图.html')  #生成html，在该python文件同级目录下

生成的html在该文件同级目录下：

3.2 柱形图+datazoom_slider

import random #引入随机函数库
from pyecharts import Bar #引入Bar

days = ["{}天".format(i) for i in range(1,31)] # 横坐标为每一天
sales1 = [random.randint(0, 100) for _ in range(1,31)] # 纵坐标为每一天的销售量
bar = Bar("展示一个月每一天的销售量","Bar_datazoom_slider 示例") #创建bar对象
bar.add("", days, sales1, is_label_show=False, is_datazoom_show=True) # is_datazoom_show 显示下方的滑动条
bar.render(path='4.datazoom_slider.html') #生成html，在该python文件同级目录下

生成的html在该文件同级目录下：

3.3 柱形图+datazoom_inside

import random
from pyecharts import Bar

days = ["{}天".format(i) for i in range(1,31)] #格式化日期*天
sales1 = [random.randint(0, 100) for _ in range(1,31)]
bar = Bar("展示一个月每一天的销售量","Bar_datazoom_inside 示例")
bar.add(
    "",
    days,
    sales1,
    is_datazoom_show=True, #实现移动控制x轴的数量
    datazoom_type="both", # 取值可以"inside"或"both"，"inside"没有下方的滑动条，但可以通过滑动鼠标滚轮控制显示柱形图个数。
    # "both"即显示下方的滑动条，又可以用鼠标滚轮控制显示个数。
    datazoom_range=[10, 25], #区域缩放的范围
)
bar.render(path='5.datazoom_inside.html') #生成html文件

生成的html在该文件同级目录下：

3.4 柱形图+多个datazoom

import random #引入随机函数库
from pyecharts import Bar #引入柱状图
days = ["{}天".format(i) for i in range(1,30)]  #x轴是天
sales1 = [random.randint(0, 100) for _ in range(1,30)] #销售量是0-100的随机整数
bar = Bar("展示一个月每一天的销售量","Bar_datazoom_xaxis/yaxis 示例")
bar.add(
    "",
    days,
    sales1,
    # 默认为 X 轴，横向
    is_datazoom_show=True, #展示区域缩放功能
    datazoom_type="slider", #区域缩放使用滑块缩放
    datazoom_range=[10, 25], #缩放范围
    # 新增额外的 dataZoom 控制条，纵向
    is_datazoom_extra_show=True,#使用额外的区域缩放控制
    datazoom_extra_type="slider",#额外的区域缩放使用滑块
    datazoom_extra_range=[10, 25],#额外的区域缩放范围
    is_toolbox_show=False,#不展示工具箱
)
bar.render(path='6.datazoom_xaxis_yaxis.html')#生成HTML文件

生成的html在该文件同级目录下：

3.5 坐标轴标签旋转示例

import random 
from pyecharts import Bar
days = ["第{}天".format(i) for i in range(1,31)]#x轴是日期
sales1= [random.randint(0,100) for _ in range(1,31)]#销量是0-100随机整数
bar = Bar("坐标轴标签旋转示例")
bar.add("", days, sales1, xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=20)#x轴刻度倾斜30度，y轴刻度倾斜20度
bar.render(path='7.坐标轴标签旋转示例.html')#生成html

生成的html在该文件同级目录下：

3.6 双向条形图

from pyecharts import Bar

months = ["{}月".format(i) for i in range(1, 8)]#x轴是月份
cost = [1000.0, 150.0, 120.0, 130.0, 200.0, 150.0, 200.0]#花费
income = [200.0, 300.0, 260.0, 300.0, 230.0, 180.0, 320.0]#收入
bar = Bar("成本收入对比图","双向条形图")
# 利用第一个 add() 图例的颜色为透明，即 'rgba(0,0,0,0)'，并且设置 is_stack 标志为 True
bar.add("cost", months, cost,  is_label_show=True,is_stack=True, label_pos='inside')
bar.add("income", months, income, is_label_show=True, is_stack=True, label_pos='inside', is_convert=True)
bar.render(path='8.成本收入对比图.html')#生成html

生成的html在该文件同级目录下：

3.7 对比柱状图

from pyecharts import Bar

attr = ["{}月".format(i) for i in range(1, 13)]#x轴是日期
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]#蒸发量
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]#降水量
bar = Bar("柱状图示例","副标题",extra_html_text_label=["额外的文本标签", "color:red"])
bar.add("蒸发量", attr, v1, mark_line=["average"], mark_point=["max", "min"])
bar.add("降水量", attr, v2, mark_line=["average"], mark_point=["max", "min"])
bar.render(path='9.降水量与蒸发量.html')#生成html

生成的html在该文件同级目录下：

3.8 3D 柱状图

需要打开chrome浏览器WebGL功能，进入chrome://flags/，找到Override software rendering list，设置为Enable，覆盖建议配置开启GPU加速，并点击Relaunch Now重启。

from pyecharts import Bar3D
import pandas as pd
#假设我们的数据集是一个数据框。
#该数据集有三个维度，分别是month、city、sales。其中month、city是类别变量，sales是数值型变量。
data=pd.DataFrame({'month':['1月','2月','3月','1月','2月','3月'],
                   'city':['北京','北京','北京','上海','上海','上海'],
                   'sales':[400,500,430,550,600,420] }) 
#由于Bar3D处理的数据要求是列表型，这里对数据框数据做一些处理。
#x,y轴表示类目轴，取值是独立不重复的。
x_name = list(set(data.iloc[:, 0]))
y_name = list(set(data.iloc[:, 1])) 

#将原始数据框数据转换成列表型。
data_xyz=[]
for i in range(len(data)):
     x=x_name.index(data.iloc[i,0])
     y=y_name.index(data.iloc[i,1])
     z=data.iloc[i,2]
     data_xyz.append([x,y,z])
#注意：这里将类别数据转换成了数值数据，便于在x、y、z轴绘制出图形。
#初始化图形。
bar3d=Bar3D("1-3月各城市销量","单位:万件",title_pos="center",width=1200,height=800)
#随机选取几种颜色编码用于区分
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
#添加数据层，并配置图形参数。
bar3d.add('', #''表示图表标题为空
x_name,y_name, #x_name、y_name是类别值
data_xyz,#data_xyz是处理后的数据
is_label_show=True,#is_label_show=True表示显示数据标签
is_visualmap=True, #是否以热图显示
visual_range_color=range_color, #热图颜色范围
visual_range=[0, 500],#visual_range调整数据颜色深度，这里超过500的数值颜色更深
grid3d_shading='lambert',# 让柱形图看起来更加真实
is_grid3d_rotate=True, # 启动自动旋转功能
grid3d_rotate_speed=90, # 调节旋转速度
grid3d_width=150, #柱形宽度
grid3d_depth=50)#柱形高度
bar3d.render(path='10.3D柱状图.html')

生成的html在该文件同级目录下：

4 箱线图

4.1 普通箱线图

from pyecharts import Boxplot

boxplot = Boxplot("箱形图")
x_axis = ['expr1', 'expr2', 'expr3', 'expr4', 'expr5']#x轴数据
y_axis = [
    [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880,
    1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],
    [960, 940, 960, 940, 880, 800, 850, 880, 900, 840,
    830, 790, 810, 880, 880, 830, 800, 790, 760, 800],
    [880, 880, 880, 860, 720, 720, 620, 860, 970, 950,
    880, 910, 850, 870, 840, 840, 850, 840, 840, 840],
    [890, 810, 810, 820, 800, 770, 760, 740, 750, 760,
    910, 920, 890, 860, 880, 720, 840, 850, 850, 780],
    [890, 840, 780, 810, 760, 810, 790, 810, 820, 850,
    870, 870, 810, 740, 810, 940, 950, 800, 810, 870]
]
#y轴数据
_yaxis = boxplot.prepare_data(y_axis)       # 转换数据
boxplot.add("boxplot", x_axis, _yaxis) #添加数据
boxplot.render(path='11.箱型图.html')#生成html

生成的html在该文件同级目录下：

4.2 对比箱型图

from pyecharts import Boxplot

boxplot = Boxplot("箱形图")
x_axis = ['expr1', 'expr2'] #x轴的数据，两类expr1，expr2
y_axis1 = [
    [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880,
    1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],
    [960, 940, 960, 940, 880, 800, 850, 880, 900, 840,
    830, 790, 810, 880, 880, 830, 800, 790, 760, 800],
]
y_axis2 = [
    [890, 810, 810, 820, 800, 770, 760, 740, 750, 760,
    910, 920, 890, 860, 880, 720, 840, 850, 850, 780],
    [890, 840, 780, 810, 760, 810, 790, 810, 820, 850,
    870, 870, 810, 740, 810, 940, 950, 800, 810, 870]
]
boxplot.add("category1", x_axis, boxplot.prepare_data(y_axis1))#转换数据y_axis1
boxplot.add("category2", x_axis, boxplot.prepare_data(y_axis2))#转换数据y_axis2
boxplot.render(path='11.箱型图2.html')#生成html文件

生成的html在该文件同级目录下：

5 动态散点图

5.1 动态散点图1

from pyecharts import EffectScatter

v1 = [10, 20, 30, 40, 50, 60]#x轴数据
v2 = [25, 20, 15, 10, 60, 33]#y轴数据
es = EffectScatter("动态散点图示例")
es.add("effectScatter", v1, v2)#添加数据
es.render(path='12.动态散点图.html')#生成html文件

生成的html在该文件同级目录下：

5.2 动态散点图2

from pyecharts import EffectScatter
es = EffectScatter("动态散点图各种图形示例")
es.add(
    "",
    [10],
    [10],
    symbol_size=20,#标记图形大小
    effect_scale=3.5,#动画中波纹的最大缩放比例
    effect_period=3,#动画持续的时间
    symbol="pin",#形状类型
)
es.add(
    "",
    [20],
    [20],
    symbol_size=12,#标记图形大小
    effect_scale=4.5,#动画中波纹的最大缩放比例
    effect_period=4,#动画持续的时间
    symbol="rect",#形状类型
)
es.add(
    "",
    [30],
    [30],
    symbol_size=30,#标记图形大小
    effect_scale=5.5,#动画中波纹的最大缩放比例
    effect_period=5,#动画持续的时间
    symbol="roundRect",#形状类型
)
es.add(
    "",
    [40],
    [40],
    symbol_size=10,#标记图形大小
    effect_scale=6.5,#动画中波纹的最大缩放比例
    effect_brushtype="fill",#动画持续的时间
    symbol="diamond",#形状类型
)
es.add(
    "",
    [50],
    [50],
    symbol_size=16,#标记图形大小
    effect_scale=5.5,#动画中波纹的最大缩放比例
    effect_period=3,#动画持续的时间
    symbol="arrow",#形状类型
)
es.add(
    "",
    [60],
    [60],
    symbol_size=6,#标记图形大小
    effect_scale=2.5,#动画中波纹的最大缩放比例
    effect_period=10,#动画持续的时间
    symbol="triangle",#形状类型
)
es.render(path='12.动态散点图2.html')

生成的html在该文件同级目录下：

6 地图

6.1 地图1

from pyecharts import Geo

#准备数据
data = [
    ("海门", 9),("鄂尔多斯", 12),("招远", 12),("舟山", 12),("齐齐哈尔", 14),("盐城", 15),
    ("赤峰", 16),("青岛", 18),("乳山", 18),("金昌", 19),("泉州", 21),("莱西", 21),
    ("日照", 21),("胶南", 22),("南通", 23),("拉萨", 24),("云浮", 24),("梅州", 25),
    ("文登", 25),("上海", 25),("攀枝花", 25),("威海", 25),("承德", 25),("厦门", 26),
    ("汕尾", 26),("潮州", 26),("丹东", 27),("太仓", 27),("曲靖", 27),("烟台", 28),
    ("福州", 29),("瓦房店", 30),("即墨", 30),("抚顺", 31),("玉溪", 31),("张家口", 31),
    ("阳泉", 31),("莱州", 32),("湖州", 32),("汕头", 32),("昆山", 33),("宁波", 33),
    ("湛江", 33),("揭阳", 34),("荣成", 34),("连云港", 35),("葫芦岛", 35),("常熟", 36),
    ("东莞", 36),("河源", 36),("淮安", 36),("泰州", 36),("南宁", 37),("营口", 37),
    ("惠州", 37),("江阴", 37),("蓬莱", 37),("韶关", 38),("嘉峪关", 38),("广州", 38),
    ("延安", 38),("太原", 39),("清远", 39),("中山", 39),("昆明", 39),("寿光", 40),
    ("盘锦", 40),("长治", 41),("深圳", 41),("珠海", 42),("宿迁", 43),("咸阳", 43),
    ("铜川", 44),("平度", 44),("佛山", 44),("海口", 44),("江门", 45),("章丘", 45),
    ("肇庆", 46),("大连", 47),("临汾", 47),("吴江", 47),("石嘴山", 49),("沈阳", 50),
    ("苏州", 50),("茂名", 50),("嘉兴", 51),("长春", 51),("胶州", 52),("银川", 52),
    ("张家港", 52),("三门峡", 53),("锦州", 54),("南昌", 54),("柳州", 54),("三亚", 54),
    ("自贡", 56),("吉林", 56),("阳江", 57),("泸州", 57),("西宁", 57),("宜宾", 58),
    ("呼和浩特", 58),("成都", 58),("大同", 58),("镇江", 59),("桂林", 59),("张家界", 59),
    ("宜兴", 59),("北海", 60),("西安", 61),("金坛", 62),("东营", 62),("牡丹江", 63),
    ("遵义", 63),("绍兴", 63),("扬州", 64),("常州", 64),("潍坊", 65),("重庆", 66),
    ("台州", 67),("南京", 67),("滨州", 70),("贵阳", 71),("无锡", 71),("本溪", 71),
    ("克拉玛依", 72),("渭南", 72),("马鞍山", 72),("宝鸡", 72),("焦作", 75),("句容", 75),
    ("北京", 79),("徐州", 79),("衡水", 80),("包头", 80),("绵阳", 80),("乌鲁木齐", 84),
    ("枣庄", 84),("杭州", 84),("淄博", 85),("鞍山", 86),("溧阳", 86),("库尔勒", 86),
    ("安阳", 90),("开封", 90),("济南", 92),("德阳", 93),("温州", 95),("九江", 96),
    ("邯郸", 98),("临安", 99),("兰州", 99),("沧州", 100),("临沂", 103),("南充", 104),
    ("天津", 105),("富阳", 106),("泰安", 112),("诸暨", 112),("郑州", 113),("哈尔滨", 114),
    ("聊城", 116),("芜湖", 117),("唐山", 119),("平顶山", 119),("邢台", 119),("德州", 120),
    ("济宁", 120),("荆州", 127),("宜昌", 130),("义乌", 132),("丽水", 133),("洛阳", 134),
    ("秦皇岛", 136),("株洲", 143),("石家庄", 147),("莱芜", 148),("常德", 152),("保定", 153),
    ("湘潭", 154),("金华", 157),("岳阳", 169),("长沙", 175),("衢州", 177),("廊坊", 193),
    ("菏泽", 194),("合肥", 229),("武汉", 273),("大庆", 279)]

geo = Geo(
    "全国主要城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data)
geo.add(
    "",
    attr,
    value,
    visual_range=[0, 200],#指定手柄对应数值的位置
    visual_text_color="#fff",
    symbol_size=15,#标志大小
    is_visualmap=True,#显示 visualMap-continuous 组件
)
geo.render(path='13.地图1.html')

geo = Geo(
    "全国主要城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data)
geo.add(
    "",
    attr,
    value,
    visual_range=[0, 200],#指定手柄对应数值的位置
    visual_text_color="#fff",#文本颜色
    symbol_size=15,#标志大小
    is_visualmap=True,#显示 visualMap-continuous 组件
    is_piecewise=True,#数据展示的小数精度
    visual_split_number=6,#对于连续型数据，自动平均切分成几段
)
geo.render(path='13.地图2.html')#生成html

geo = Geo(
    "全国主要城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data)
geo.add(
    "",
    attr,
    value,
    type="heatmap",#类型是热力图
    is_visualmap=True,#显示 visualMap-continuous 组件
    visual_range=[0, 300],#指定手柄对应数值的位置
    visual_text_color="#fff",#文本颜色
)
geo.render(path='13.地图3.html')#生成html文件

生成的html在该文件同级目录下：

6.2 地图2

from pyecharts import Geo

data = [
    ("海门", 9), ("鄂尔多斯", 12), ("招远", 12), ("舟山", 12), ("齐齐哈尔", 14), ("盐城", 15)
]
geo = Geo(
    "全国主要城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data) #数据转换
geo.add("", attr, value, type="effectScatter", is_random=True, effect_scale=5) #生成气泡
geo.render(path='14.地图1.html') #生成html

生成的html在该文件同级目录下：

6.3 广东地图

from pyecharts import Map

value = [20, 190, 253, 77, 65] #数据
attr = ['汕头市', '汕尾市', '揭阳市', '阳江市', '肇庆市']
map = Map("广东地图示例", width=1200, height=600)
map.add(
    "", attr, value, maptype="广东", is_visualmap=True, visual_text_color="#000"
)  #显示 visualMap-continuous 组件
map.render(path='20.广东地图.html') #生成html

生成的html在该文件同级目录下：

6.4 世界地图

from pyecharts import Map
#准备数据
value = [95.1, 23.2, 43.3, 66.4, 88.5]
attr= ["China", "Canada", "Brazil", "Russia", "United States"]
#创建map对象
map = Map("世界地图示例", width=1200, height=600)
map.add(
    "",
    attr,
    value,
    maptype="world",
    is_visualmap=True,
    visual_text_color="#000",
) #是否显示 visualMap-continuous 组件
map.render(path='21.世界地图.html') #生成html

生成的html在该文件同级目录下：

7 空气质量图

7.1 广东空气质量

from pyecharts import Geo

#准备数据
data = [("汕头市", 50), ("汕尾市", 60), ("揭阳市", 35), ("阳江市", 44), ("肇庆市", 72)]
#创建Geo对象
geo = Geo(
    "广东城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data)#转换数据
geo.add(
    "",
    attr,
    value,
    maptype="广东",#地图类型是广东省的地图
    type="effectScatter",#气泡类型
    is_random=True,#是否随机
    effect_scale=5,#气泡的大小
    is_legend_show=False,#不显示图例
)
geo.render(path='15.广东空气质量.html')#生成html

生成的html在该文件同级目录下：

7.2 英国空气质量

from pyecharts import Geo

#准备数据
data = [("Oxford", 15), ("London", 12)]
#创建Geo对象
geo = Geo(
    "英国主要城市空气质量",
    "data from pm2.5",
    title_color="#fff",#标题颜色
    title_pos="center",#标题位置
    background_color="#404a59",#背景颜色
)
attr, value = geo.cast(data)#转换数据
geo.add_coordinate('Oxford', 51.7520209,-1.2577263000000585)#添加坐标
geo.add_coordinate('London', 51.5073509,-0.12775829999998223)#添加坐标
geo.add(
    "",
    attr,
    value,
    maptype="英国",#地图类型是英国地图
    # 使用 coordinate_region，指定检索英国范围内的坐标，如上述的 Oxford。
    # 默认为中国
    coordinate_region="英国",
    visual_range=[0, 200],#视觉范围
    visual_text_color="#fff",#文本颜色
    symbol_size=15,#标志大小
    is_visualmap=True,#显示 visualMap-continuous 组件
)

geo.render(path='16.英国空气质量.html')#生成html

生成的html在该文件同级目录下：

 8 地理坐标系

from pyecharts import GeoLines, Style

#新建style，定义地图的一些属性
style = Style(
    title_top="#fff",#标题颜色
    title_pos = "center",#标题位置
    width=1200,
    height=600,
    background_color="#404a59"#背景颜色
)
#准备数据
data_guangzhou = [
    ["广州", "上海"],
    ["广州", "北京"],
    ["广州", "南京"],
    ["广州", "重庆"],
    ["广州", "兰州"],
    ["广州", "杭州"]
]
geolines = GeoLines("GeoLines 示例", **style.init_style)#新建地理线路
geolines.add("从广州出发", data_guangzhou, is_legend_show=False)#不展示图例
geolines.render(path='17.地理坐标.html')#生成html

生成的html在该文件同级目录下：

9 关系图

9.1 普通关系图

from pyecharts import Graph

#准备数据
nodes = [{"name": "结点1", "symbolSize": 10},
         {"name": "结点2", "symbolSize": 20},
         {"name": "结点3", "symbolSize": 30},
         {"name": "结点4", "symbolSize": 40},
         {"name": "结点5", "symbolSize": 50},
         {"name": "结点6", "symbolSize": 40},
         {"name": "结点7", "symbolSize": 30},
         {"name": "结点8", "symbolSize": 20}]
links = []
#添加结点
for i in nodes:
    for j in nodes:
        links.append({"source": i.get('name'), "target": j.get('name')})
graph = Graph("关系图-力引导布局示例")
graph.add("", nodes, links, repulsion=8000)#添加结点
graph.render(path='18.关系图.html')#生成html

生成的html在该文件同级目录下：

9.2 微博转发关系图

from pyecharts import Graph
import os
import json
with open(os.path.join("/home/ubuntu", "weibo-1.json"), "r", encoding="utf-8") as f:
    j = json.load(f)
    nodes, links, categories, cont, mid, userl = j
graph = Graph("微博转发关系图", width=1200, height=600)
graph.add(
    "",
    nodes,#节点
    links,#不同点之间连线
    categories,#分类
    label_pos="right",#标签位置 右侧
    graph_repulsion=50,#不同点之间斥力
    is_legend_show=False,#是否显示图例
    line_curve=0.2,#线条玩去程度
    label_text_color=None,#标签文本颜色
)
graph.render(path='19.微博转发关系图.html')

生成的html在该文件同级目录下：

五、实验总结

在实验中，通过实践练习，提高学生使用pyecharts进行数据可视化的熟练程度，总结pyecharts绘制图表的一般流程，加深理解。