有了matplotlib和seaborn，为什么要用pyecharts？
多种库有类似特性时，多半是为了解决某一些问题或者场景
附官方文档：https://pyecharts.org/#/zh-cn/intro 全中文注释，YYDS
pyecharts的特性
- 简洁的 API 设计，支持链式调用
- 囊括了 30+ 种常见图表
- 支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab
- 可轻松集成至 Flask，Django 等主流 Web 框架
- 高度灵活的配置项，可轻松搭配出精美的图表
- 多达 400+ 地图文件以及原生的百度地图，为地理数据可视化提供强有力的支持
常见图表
柱状图Bar
from pyecharts.charts import Bar
bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
# 也可以传入路径参数，如 bar.render("mycharts.html")
bar.render()
image.png
散点图
from pyecharts.charts import Scatter
sca = Scatter()
sca.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
sca.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
# 也可以传入路径参数，如 bar.render("mycharts.html")
sca.render()
image.png
折线图
from pyecharts.charts import Line
line = Line()
line.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
line.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
# 也可以传入路径参数，如 bar.render("mycharts.html")
line.render()
image.png
饼图
from pyecharts.charts import Pie
from pyecharts import options as opts
产品 = ['苹果','香蕉','橙子','草莓','葡萄']
价格 = [0.4,0.1,0.2,0.1,0.2]
data = list(zip(产品, 价格))
pie = (
Pie().add(
# 系列名称，用于 tooltip 的显示，legend 的图例筛选。
series_name='水果购买比例',
# 系列数据项，格式为 [(key1, value1), (key2, value2)]
data_pair=data,
# 饼图的半径，数组的第一项是内半径，第二项是外半径
# 默认设置成百分比，相对于容器高宽中较小的一项的一半
radius=(80,200),
# 设置图表中的标签选项
# {b}代表的就是饼图的类别名称 {a}系列名称 {c} 数值 {d}指该数据的具体数值的百分比
label_opts=opts.LabelOpts(is_show=True,formatter='{b}:{d}%'),
rosetype= 'radius' # 变成南丁格尔图
)
)
pie.render('饼图.html')
image.png
词云图
from pyecharts.charts import WordCloud
from pyecharts import options as opts
data = [('我',12),('你',2),('他',22)]
word = WordCloud()
word.add(
series_name='词云',
# 系列数据项，[(word1, count1), (word2, count2)]
data_pair = data
)
word.render('词云.html')
image.png
词云图比较适用于一些数据分析和清洗，这里结合一个小案例
这里选用网易云的一个新闻
提取其中文章写成txt
image.png
import jieba
from collections import Counter
from pyecharts.charts import WordCloud
from pyecharts import options as opts
with open('news', 'r', encoding='utf-8') as f1:
text = f1.read()
# 使用结巴进行分词处理
words = jieba.lcut(text)
# 统计词频
data = Counter(words)
# 筛选出前300个高频词汇
word_counts = data.most_common(300)
wordcloud = WordCloud()
wordcloud.add(
"news",
word_counts,
word_size_range=[10, 100],
shape='diamond'
)
wordcloud.set_global_opts(
title_opts=opts.TitleOpts(title="词云图"),
)
wordcloud.render("test_wordcloud.html")
image.png
这样就精准的看到这个文章的一些核心关键词
但实际 类似 的、和、更、特殊字符之类的单个词语在实际中毫无意义，这里在出图前对数据进行一次清洗，这里稍微加个清洗逻辑
import jieba
from collections import Counter
from pyecharts.charts import WordCloud
from pyecharts import options as opts
with open('news', 'r', encoding='utf-8') as f1:
text = f1.read()
with open('stopwords.txt','r', encoding='utf-8') as f2:
stopwords = f2.read().splitlines()
# 使用结巴进行分词处理
words = jieba.lcut(text)
# 使用停止词汇筛选数据
filtered_words = [i for i in words if i not in stopwords and i.split()]
# 统计词频
data = Counter(filtered_words)
# 筛选出前300个高频词汇
word_counts = data.most_common(300)
wordcloud = WordCloud()
wordcloud.add(
"news",
word_counts,
word_size_range=[10, 100],
shape='diamond'
)
wordcloud.set_global_opts(
title_opts=opts.TitleOpts(title="词云图"),
)
wordcloud.render("test_wordcloud.html")
image.png
这样就比较直观分析到文章的核心意思
