pandas plot label_Python Django+SQL+Pandas+Pyecharts自建在线数据分析平台（十）

（一）需求分析&技术实现

（二）初步搭建Django环境

（三）页面布局&Django模板

（四）SQL+Pandas初步处理数据

（五）前端表单交互

（六）Ajax异步传参与加载

（七）前端数据格式的处理

（八）DataTables接管前端表格

（九）Pyecharts实现交互图表

（十）静态图表的展示

（十一）“导出数据至Excel”功能

（十二）添加和配置缓存

（十三）用户登录系统

（十四）部署Django至生产环境

在数据可视化的工作中，静态图表是一个非常容易被忽视的形式。但在信息化程度较低的传统行业中，静态图表却是必不可缺的存在，主要是因为：

让老板们自己操作BI是天方夜谭

好吧，即使抛开老板们的主观能动性和BI的操作难度，我们也要有觉悟——PPT还是大部分行业工作中汇报与沟通的最常用媒介。而以Matplotlib为代表的的静态图表在某些方面还是更加契合这个媒介：

• Echarts, Highcharts等在线交互图表注定会因为“交互”的特性而不将一些信息置于表面（如鼠标hover才显示的tooltip），截图或保存图片无法呈现。
• 在线交互图表靠截图或保存图片展示的DPI远低于手动绘制的图表。
• Matplotlib以及衍生的Seaborn等静态图表库往往具有高度可定制化的特性，对细节的展示度更优。
• Matplotlib以及衍生的Seaborn等静态图表库与统计学方法的展示结合更容易。

以下面Matplotlib绘制的气泡图为例，展示了治疗糖尿病的胰岛素市场所有产品的销售额规模和净增长，中间有一个线性回归拟合的趋势线及CI和PI（回归带上方的是净增长显著高于预期，下方则反之，落在带内的则是统计学上不显著）。其中还有一些定制化的细节呈现方式，如只显示top30产品的名字；文字标签相互之间不堆叠等。

现有的在线图表方案几乎很难呈现这样的效果，但这却是Matplotlib或者Seaborn的拿手好戏。

所以本章的目标是用我们在建的Django系统也能动态展示上方这样的Matplotlib静态图表。

在上章我们创建的charts.py中新建一个mpl_bubble方法，绘制气泡图：

import 

上方代码比较复杂，不要被吓着了，其实绝大部分都是为了完成Matplotlib的绘图结果。本章主要侧重于Django展示图片的方法，Matplotlib的部分不做讲解，毕竟那是另外一个超级大坑，能又写一个系列教程。

所以只需要特别注意下面这个片段，其他部分可以替换成你自己的matplotlib代码：

from 

这段代码是将上方大量代码绘制的Matplotlib图片保存为base64编码的字符串，再在头部加上Data URI scheme。这步可以说是浏览器展示静态图片的核心步骤。

我们再扩展上一章views.py中的prepare_chart方法，增加一类"bubble_performance"生成数据并传入到之前准备好的绘图方法中。注意和Pyehcarts不一样，这里直接取得返回的值就好了，不需要.dump_options()：

D_TRANS 

再度扩展query方法，再增加一个context：

def 

再看看此时的query结果，下方多了大段字符串为静态图片的base64编码：

之后的思路都和上一章很像，只是实现方法不一样。在display.html模板中，添加一个展示气泡图的tab，重点是留一个空的<img>标签：

<

注意上方<img>标签中的style="width: 100%"，没有这句图片将展示原始尺寸。

最后再次追加filter.html中AJAX部分的回调函数，用jQuery的.attr语法修改之前预留<img>中的src参数：

<

大功告成，我们现在可以动态生成任意一个领域的复杂统计图表了。看看我们一直用来测试的高血压ARB市场的产品：