pyecharts x轴字体大小调整_初识pyecharts可视化

数据可视化是整个数据分析流程中的关键环节，甚至有着一图定成败的关键性地位。当Python遇到百度echarts，pyecharts便应用而生，最重要的是支持交互、且可移植到PPT报告中，这效果简直是再理想不过的。

pyecharts可视化图表制作相比matplotlib和seaborn而言，其实是更为简单的，因为它几乎所有图表都遵循了"同一套路"，没有过多复杂参数、无需细节技巧牵绊。但同时，它又有二者所不具备的一些优点：

• 简洁的API设计，支持链式调用
• 多种主题可选，丰富的参数设置
• 可交互的可视化效果，且可移植到PPT中
• 提供了常用图表类型接口，包括matplotlib和seaborn不支持的一些图表：例如词云、可视化地图等

在Echarts的官网中，有十分多的炫酷案例

下面举个简单的时间线图的案例，先上图：

在pyecharts绘制基本图表的基础上，当为了体现指标随时间的变化趋势时，时间线图表是一个理想的选择。而绘制时间线图实际上非常简单，仅需三步即可：

• 生成时间线对象
• 创建基本图表对象
• 将基本图表对象加入到时间线

某种意义上讲，时间线可理解为基本图表的一个容器，且其接口风格与基本图表很是相近。

from pyecharts.charts import Timeline, Radar
from pyecharts import options as opts

datas = {
    '关羽' : [[5, 4.8, 4.4, 4.7, 4.9]],
    '张飞' : [[5, 4.6, 4.7, 4.6, 4.8]],
    '赵云' : [[5, 4.8, 4.7, 4.9, 4.7]],
    '马超' : [[4.3, 4.5, 4.6, 4.7, 4.7]],
    '黄忠' : [[4.5, 4.5, 4.5, 4.6, 4.7]]
}
tl = Timeline()
schema = [opts.RadarIndicatorItem(name=name, max_=5) for name in ('忠', '义', '礼', '智', '信')]
for hero, data in datas.items():
    radar = Radar().add_schema(schema=schema).add(hero, data)
    tl.add(radar, hero)
tl.render('五虎上将能力对比.html')

这样，一个时间线图就完成了，小伙伴们可以稍微停一下，理解以后再继续往下～

基于以上这些原因，pyecharts是个人在可视化输出过程中应用仅次于matplotlib和seaborn的第三大可视化库。当然，各可视化库都有其各自擅长场景，本无优劣高下之分。本文旨在介绍pyecharts图表制作中最基础的套路，掌握这些基本操作、再辅以官网详尽教程，基本上常规图表都是可以的！

1. 设置通用项

与seaborn类似，pyecharts也提供了多个通用设置项，包括图表主题、生成文件类型等，一般保持默认即可得到较为不错的图表，但希望尝试新的风格时则可调用主题接口。主题设置作为具体图表的一个初始化参数进行设置，例如：

from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.globals import ThemeTyp

#主题选择作为图表初始化参数进行设置
bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.PURPLE_PASSION))

另一个通用项设置中较为实用的是notebook选项，这在使用jupyter notebook或者jupyter lab中是必不可少的一项，默认为jupyter notebook方式。在jupyter lab中加入以下两行通用设置后，即可调用render_notebook()在cell中查看图表结果：

from pyecharts.globals import CurrentConfig, NotebookType  
CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB

2. 选择图表

pyecharts提供了几乎常用的所有图表类型，除了柱状图、折线图、饼图、散点图这4大通用可视化图表外，还包括词云、地图、箱线图、K线图等专用图表，另外，pyecharts也提供了常用图表的3D形式，对于多类型图表组合则提供了Page、Grid、Tab和Timeline4种形式，可将其看做是单图表的容器。

在确定图表类型（图表实例化）后则是添加数据。pyecharts在迭代1.0版本后，一个最大的特色就是支持链式调用，所以添加数据也是极其方便的。

这里有必要解释下何为链式调用。可能很多pyecharts初学者在查阅官方文档时会看到如下写法（这里选用官网上直方图的一个demo）：

 1from pyecharts import options as opts
 2from pyecharts.charts import Bar
 3from pyecharts.faker import Faker
 4
 5c = (
 6    Bar()
 7    .add_xaxis(Faker.choose())
 8    .add_yaxis("商家A", Faker.values())
 9    .add_yaxis("商家B", Faker.values())
10    .set_global_opts(
11        title_opts=opts.TitleOpts(title="Bar-Brush示例", subtitle="我是副标题"),
12        brush_opts=opts.BrushOpts(),
13    )
14    .render("bar_with_brush.html")
15)

这个链式调用将图表的实例化、添加数据、设置参数、输出结果放在了一句代码执行，对新人更为不友好的是将这些代码放在了一组圆括号之中，搞得云里雾里（至少在我初学时是这样的），实际上理解这段代码需要掌握两个知识点：

• Python中可将单个表达式或单个语句放在一组圆括号内实现跨行书写，例如下面例子中，写法1合法，而写法2报错，区别仅在于有无圆括号

• pyecharts将图表类的每个方法都返回了self本身，这样每个方法的返回值都是该图表实例，进而实现链式调用

实际上，这种链式调用在机器学习库中是非常常见的一种设计，学过sklearn的读者应该都了解一行代码实现*.fit().score()的优雅写法。

理解了链式调用背后的原理，则很容易弄懂上面的代码：实际上其等价于如下形式：

 1from pyecharts import options as opts
 2from pyecharts.charts import Bar
 3from pyecharts.faker import Faker
 4
 5c = Bar()  # 1.实例化
 6c.add_xaxis(Faker.choose())  # 2.添加x轴标签
 7c.add_yaxis("商家A", Faker.values())  # 3.添加y轴数据A
 8c.add_yaxis("商家B", Faker.values())  # 4.添加y轴数据B
 9c.set_global_opts(
10        title_opts=opts.TitleOpts(title="Bar-Brush示例", subtitle="我是副标题"),
11        brush_opts=opts.BrushOpts(),
12    )  # 5.添加通用设置项
13c.render("bar_with_brush.html")  # 6.输出html图表结果

6句代码调用了6个接口，分别完成：

• 实例化一个直方图对象
• 添加x轴数据
• 添加y轴数据A
• 添加y轴数据B
• 设置通用参数，包括标题、区域圈选等
• 输出html图表文件

掌握了这一基本套路，基本上就理解了pyecharts输出可视化图表的通用方法。

3. 设置图表参数

pyecharts提供了3类图表参数设置类型，分别是图表设置项、通用设置项、系列设置项，其中：

• 图表设置项是具体到某个特定图表对象的设置参数，各图表可选设置参数不同
• 通用设置项最为常用，例如图表初始化设置就属于通用设置中的一项，另外包括标题、坐标轴、可视化缩放条等都属于通用设置项
• 系列设置项则可以用于设置图表的某些具体参数，例如label可设置数据标签是否显示以及位置等

对应相应设置项，pyecharts分别提供了设置接口：

set_global_opts()
set_series_opts()

4. 输出结果

最后，pyecharts提供了将可视化图表输出的方式，实际较为常用的有两种：

• render()输出到网页中
• render_notebook()在jupyter中即时显示，具体区分notebook和jupyter lab两种，可在全局参数中设置

此外，pyecharts还提供了其他多种图表输出形式，例如make_snapshot()可直接输出为png图片。但如此一来则失去交互能力。

pyecharts作为百度出echarts可视化库与Python的结合体，其在制作可交互图表方面具有很好的效果，且更重要的是相较于其他可视化库学起来更易上手。如果说有什么明显缺点的话，那么可能是其支持数据类型较为传统：即仅支持Python基础的数据结构，对数据科学库的数据类型（如ndarray和dataframe）则不适用，这是由其定位所决定的。