大家很喜欢用的可视化神器——Pyecharts|可视化系列07
pyecharts简介
pyecharts是基于前端可视化框架echarts的Python可视化库。该库让我们在Python里也可以充分体验到快速出图和丰富交互的数据可视化体验。
echarts主要开发者御术曾说过，和d3相比，d3是面粉而echarts相当于面条。这是个很形象的比喻，和面粉相比，面条可以快速煮出各种美食，很贴合echarts的特点。echarts开箱即用，文档详细、可以配置的参数多，且有很多改改配置就能用的例子。pyecharts也具备这一优点。
代码框架与配置项
pyecharts的可视化基本代码框架如下。
import pyecharts
bar=pyecharts.charts.Bar() #初始化一个柱状图
bar.add_xaxis(['Mon.','Tue.','Wed.','Thu.','Fri.']) #设置x轴
bar.add_yaxis("y", [76,37,90,60,50],color='#1eafae') #y轴
bar.set_global_opts(title_opts=opts.TitleOpts(title="主标题",pos_left='center'))
bar.render_notebook() #在jupyter notebook中出图
#bar.render('bar_charts_01.html') #保存为文件可以看到的是，pyecharts遵循了大部分Python可视化库的写法，初始化图对象，明确是什么类型的图，设置x，y轴数据及属性，设置图元属性，出图。
pyecharts绘制交互柱状图
pyecharts本质做的是把Python语句向echarts的JavaScript语句的映射，因此更强调配置，语句上使用add_、set_频率高。pyecharts囊括了30+常用的图表类型，而且对于表格展示、图像显示也有对应接口，除了输出html外，支持主流notebook环境的图表显示，还能很方便地和Flask、Django等Python前端框架集成。
在语句组织上，也可以用链式调用写法，思路和上面一致，初始化，设置X/Y，设置图元属性，出图。
bar = (
Bar().add_xaxis(x).add_yaxis("y",y)
)
bar.render()在图元属性上，图形颜色、文本标签通过向add_yaxis传参设置。也能通过set_colors设置全局配色。
标题、图例等设置通过 set_global_opts设置，从语句名字可以看出其可以设置各种全局的属性。实例语句如下：
from pyecharts import options as opts
bar.set_global_opts(title_opts=opts.TitleOpts(title="主标题",
subtitle="副标题",pos_left='center'),
legend_opts=opts.LegendOpts(pos_left='5px'))set_global_opts设置的图元包括：
•title_opts：标题设置，封装为pyecharts.options.TitleOpts()，属性有title，title_link，subtitle(副标题),pos_left,pos_top,title_textstyle_opts等实用配置。所以写法为：title_opts=opts.TitleOpts(title="主标题")；•legend_opts：图例配置项，可以控制是否显示图例、图例相对位置、图例每项之间的间隔等属性，对应封装为LegendOpts()；•tooltip_opts：提示框配置项，包括是否显示，触发条件等；•toolbox_opts：工具箱配置项；•brush_opts：区域选择组件配置项；•xaxis_opts：x坐标轴配置项，对应的封装是在AxisOpts()里，可以设置坐标轴类型(数值类型、离散类型，对数坐标轴、时间轴)、坐标轴名称、是否显示、值域、各种相对位置等属性；•yaxis_opts：y坐标轴配置项，对应封装也在AxisOpts()；•visualmap_opts：视觉映射配置项；•datazoom_opts：区域缩放配置项；
等等，以上具体属性使用时可以随时查阅官方文档[1]。图形画布的宽度、背景色、使用主题等会在初始化图表时配置，称作InitOpts，也就是写在Bar()里，而不是传进set_global_opts。配置属性的时候需要注意的是type、min、max是Python的关键字，因此都用的type_、min_、max_这种形式。转为JavaScript会转回type，min，max。
bar=pyecharts.charts.Bar(init_opts=opts.InitOpts(width="400px",height="400px",page_title="pyecharts-demo"))
翻转XY轴
通过翻转柱状图的xy轴绘制条形图：
bar.reversal_axis() #翻转柱状图的xy轴
bar.render_notebook()
翻转xy轴得到条形图
数据进行统计后调整category_gap参数可以绘制出直方图
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#1eafae',category_gap=0)
bar.render_notebook() #直方图绘制堆叠柱状图，只需要给bar对象添加两个.add_yaxis()再设置stack属性，实例如下：
#堆叠柱
df=pd.DataFrame({'x':['Mon.','Tue.','Wed.','Thu.','Fri.'],
'y':[76,37,90,60,50],
'z':[37,46,53,81,60]})
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#ba5c25',stack='s1',label_opts=opts.LabelOpts(position='inside'))
bar.add_yaxis("z",list(df['z']),color='#1eafae',stack='s1',label_opts=opts.LabelOpts(position='inside'))
bar.render_notebook()
堆叠柱状图效果
绘制折线图的多条折线也是用add_yaxis()。
#箱线图
ybox=[59, 81, 80, 82, 50, 67, 66, 74, 75, 76, 91, 72]
zbox=[59, 41, 80, 62, 70, 61, 46, 54, 45, 66, 85, 42]
b=pyecharts.charts.Boxplot()
b.add_xaxis(['boxplot-x-axis'])
b.add_yaxis("y",[sorted(ybox)])
b.add_yaxis("z",[sorted(zbox)])
b.render_notebook()
饼图
直角坐标系基本都是.add_xaxis(x).add_yaxis("y",y)配置X/Y轴的数据（包括箱线图），而饼图、雷达图等，是用add()配置数据。饼图的每块楔形对应的数为(标签,数值)，因此传入add的数据不是[[x1,x2, …], [y1,y2, …]]这一的x的列表和y的列表，而是需要[(key1,val1),(k2,v2)]这样的组织形式。
c=pyecharts.charts.Pie() #pyecharts绘制饼图
c.add("y",[[v['x'],v['y']] for i,v in df.iterrows()])#不是add_yaxis了;[(key1,val1),(k2,v2)]
c.set_colors(['#1eafae','#69ffff', '#ba5c25', '#ffa069', '#a3ffff','#d7ce88'])
c.render_notebook()
c=pyecharts.charts.Radar() #雷达图
sch=[opts.RadarIndicatorItem(name=i,max_=100) for i in list(df['x'])]
c.add_schema(sch,shape='polygon') #shape可选 'polygon' 和 'circle',默认polygon
c.add("y",[list(df['y'])],linestyle_opts=opts.LineStyleOpts(color="#1eafae"))
c.add("z",[list(df['z'])],linestyle_opts=opts.LineStyleOpts(color="#ba5c25"))
c.render_notebook()雷达图的每条折线通过add()添加序列数据，基本上我们绘制雷达图各类别是分类变量(例如上图中的Mon.、Tue.等类别)，配置进去需要用参数详解RadarIndicatorItem(name)，雷达图绘制时最好显性声明每类的最大值，否则默认用的序列最大值。
关系图及数据特点
要绘制节点关系图等关系图，需要准备两份数据，一个节点表，一个边表。
节点表与边表
下面的例子更形象。节点表nodes说明有哪些节点，点的半径大小，每个节点是一个字典类型的数据，边表links说明谁连接谁，从节点A指向点B。必须要声明的是source和target，还可以有value、lineStyle等属性。
nodes = [
{"name": "A", "symbolSize": 10},
{"name": "B", "symbolSize": 40},
{"name": "C", "symbolSize": 20},
{"name": "D", "symbolSize": 10}
]
links=[
{"source":'A', "target":'B'},
{"source":'B', "target":'C','value': 10},
{"source":'C', "target":'D','lineStyle':{'normal':{'show':'true','width': 2}}},
{"source":'D', "target":'B'},
]
g=pyecharts.charts.Graph()
g.add('',nodes,links,edge_length=100,repulsion=1500) #repulsion:节点之间的斥力因子; gravity:节点受到的引力因子;
g.render_notebook()
桑吉图
Sankey图也是节点和边两个数据输入。
nodes = [
{"name": "A", "symbolSize": 10},
{"name": "B", "symbolSize": 40},
{"name": "C", "symbolSize": 20},
{"name": "D", "symbolSize": 10}
]
links=[
{"source":'A', "target":'C','value': 10},
{"source":'B', "target":'C','value': 15},
{"source":'C', "target":'D','value': 10},
{"source":'B', "target":'D','value': 10},
]
g=pyecharts.charts.Sankey()
g.add('',nodes,links,
label_opts=opts.LabelOpts(position="inside"),
linestyle_opt=opts.LineStyleOpts(opacity=0.3, curve=0.2)) #默认颜色太难看了
g.render_notebook()
复合图表
层叠不同类型的图、一行多图等排版对于pyecharts是基本操作。
通过b.overlap(a)将图a叠加到b类型的图上，且他们会共用一套坐标系。
#在同一坐标系里叠加多种图
bar=pyecharts.charts.Bar()
bar.add_xaxis(list(df['x']))
bar.add_yaxis("y",list(df['y']),color='#1eafae')
line = pyecharts.charts.Line().add_xaxis(list(df['x'])) \
.add_yaxis("z",list(df['z']),color='#ba5c25',z_level=2)
bar.overlap(line)
bar.render_notebook()
多个图进行排列而不是叠加到同一个坐标系里用grid和page，同一行多个图是grid，一页多图从上往下用的是page。通过选项卡点击切换多个图用tab，时间线轮播图用timeline。示例代码如下。综合以上的用法可以搭建仪表盘。
bar=pyecharts.charts.Bar()
bar.add_xaxis(list('abcdef'))
bar.add_yaxis('y',a,color='#1eafae')
bar.set_global_opts(title_opts=opts.TitleOpts(title="帕累托图1", subtitle="双轴直角坐标图",pos_left='center'),
legend_opts=opts.LegendOpts(pos_left='60px'))
line=pyecharts.charts.Line()
line.add_xaxis(list('abcdef'))
line.add_yaxis('d',b,z_level=2)
line.extend_axis(
yaxis=opts.AxisOpts(
name="累积比例",
type_="value",
min_=0,
max_=1,
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#ba5c25")
)
)
)
line.set_global_opts(yaxis_opts=opts.AxisOpts(position="right"),legend_opts=opts.LegendOpts(pos_left='120px'))
grid=pyecharts.charts.Grid()
grid.add(bar,grid_opts=opts.GridOpts(pos_right="18%"))
grid.add(line,grid_opts=opts.GridOpts(pos_right="18%"))
grid.render_notebook()
tab = pyecharts.charts.Tab()
bar1=pyecharts.charts.Bar()
bar1.add_xaxis(list(df['x']))
bar1.add_yaxis('y',list(df['y']),color='#1eafae')
bar2=pyecharts.charts.Bar()
bar2.add_xaxis(list(df['x']))
bar2.add_yaxis('z',list(df['z']),color='#ba5c25')
tab.add(bar1, "bar-example1")
tab.add(bar2, "bar2")
tab.render_notebook()
pyecharts切换tab交互示例
总结
无论是从图表丰富性还是学习曲线角度看，pyecharts都是排名前列的可视化库。pyecharts上手很简单，文档很详细，有各种个性化需求时，通过查阅pyecharts的文档和echarts的文档基本都能得到解决，因此大家喜欢用也就不足为奇。pyecharts做的是从Python对象向JavaScript的转换，echarts支持的图表太丰富了，不一定需要一个个图表类型去看参数，有具体需求时边查文档边实现是更好的选择。
References
[1] 官方文档: https://pyecharts.org/#/zh-cn/global_options