python——pyecharts数据可视化堆叠面积图

堆叠面积图具有以下几个重要作用:

一、展示总量与分量关系

堆叠面积图可以清晰地展示多个数据系列的总量以及各个分量在总量中所占的比例。通过不同颜色或阴影的区域,你可以直观地看出每个数据系列对整体的贡献程度。例如,在分析公司不同业务部门的销售额时,堆叠面积图能够显示出总销售额以及各部门销售额的变化情况,帮助管理层了解各个部门对公司整体业绩的影响。

二、比较不同系列的趋势

它可以同时呈现多个数据系列随时间或其他变量的变化趋势。通过观察不同区域的起伏和变化速度,你能够比较不同数据系列的增长、下降或波动情况。比如,在研究不同产品类别的市场份额随时间的变化时,堆叠面积图可以让你快速了解各个产品类别的发展态势以及它们之间的相对竞争关系。

三、突出数据的变化幅度

堆叠面积图能够突出显示数据的变化幅度。当某个数据系列的数值发生较大变化时,其对应的区域面积也会相应地增大或缩小,从而引起人们的关注。这对于发现数据中的异常值、重要事件或趋势转折非常有帮助。例如,在监测环境指标变化时,若某一时期某种污染物的排放量突然增加,在堆叠面积图中会明显地表现为该部分区域的扩大,提醒人们及时采取措施。

四、可视化复杂数据结构

对于具有复杂数据结构的情况,堆叠面积图可以有效地将多个维度的数据整合在一起进行展示。比如,同时考虑不同地区、不同时间段和不同产品类型的销售数据,通过合理设置坐标轴和数据系列,可以在一张堆叠面积图中呈现出丰富的信息,便于进行综合分析和决策。

数据集

复制代码
vote_result.csv

Areas_of_interest,Votes
金融,172
医疗保健,136
市场业,135
零售业,101
制造业,80
司法,68
工程与科学,50
保险业,29
其他,41

us_population_by_age.csv

复制代码
year,year_under5,year5_19,year20_44,year45_64,year65above
1860年,15.4,35.8,35.7,10.4,2.7
1870年,14.3,35.4,35.4,11.9,3
1880年,13.8,34.3,35.9,12.6,3.4
1890年,12.2,33.9,36.9,13.1,3.9
1900年,12.1,32.3,37.7,13.7,4.1
1910年,11.6,30.4,39,14.6,4.3
1920年,10.9,29.8,38.4,16.1,4.7
1930年,9.3,29.5,38.3,17.4,5.4
1940年,8,26.4,38.9,19.8,6.8
1950年,10.7,23.2,37.6,20.3,8.1
1960年,11.3,27.1,32.2,20.1,9.2
1970年,8.4,29.5,31.7,20.6,9.8
1980年,7.2,24.8,37.1,19.6,11.3
1990年,7.6,21.3,40.1,18.6,12.5
2000年,6.8,21.8,37,22,12.4
2005年,6.8,20.7,35.4,24.6,12.4

presidential_approval_rate.csv

复制代码
political_issue,support,oppose,no_opinion
种族问题,52,38,10
教育,49,40,11
恐怖活动,48,45,7
能源政策,47,42,11
外交事务,44,48,8
环境,43,51,6
宗教政策,41,53,6
税收,41,54,5
医疗保健政策,40,57,3
经济,38,59,3
就业政策,36,57,7
贸易政策,31,64,5
外来移民,29,62,9
python 复制代码
import pyecharts.options as opts
from pyecharts.charts import Line
from pyecharts import options as opts
from pyecharts.charts import Grid
from pyecharts.commons.utils import JsCode
from pyecharts.faker import Faker
from pyecharts.globals import ThemeType

# 原始数据
x_data = ["种族问题","教育", "恐怖活动", "能源政策", "外交事务", "环境", "宗教政策", "税收", "医疗保健政策","经济" ,"就业政策", "贸易政策","外来移民"]
y_data = [100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100, 100,100]
support_data = [52, 49, 48, 47, 44, 43, 41,41,40,38,36,31,28]
oppose_data = [38, 40, 45, 42, 48, 51, 53,54,57,59,57,64,62]
no_opinion_data = [10, 11, 7, 11, 8, 6, 6,5,3,3,7,5,9]

def create_line_chart(selected_indices):
    selected_x_data = [x_data[i] for i in selected_indices]
    selected_support_data = [support_data[i] for i in selected_indices]
    selected_oppose_data = [oppose_data[i] for i in selected_indices]
    selected_no_opinion_data = [no_opinion_data[i] for i in selected_indices]

    line = (
        Line()
      .add_xaxis(xaxis_data=selected_x_data)
      .add_yaxis(
            series_name="support",
            stack="总量",
            y_axis=selected_support_data,
            areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
            label_opts=opts.LabelOpts(is_show=False),
        )
      .add_yaxis(
            series_name="oppose",
            stack="总量",
            y_axis=selected_oppose_data,
            areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
            label_opts=opts.LabelOpts(is_show=False),
        )
      .add_yaxis(
            series_name="no_opinion",
            stack="总量",
            y_axis=selected_no_opinion_data,
            areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
            label_opts=opts.LabelOpts(is_show=False),
        )
      .add_yaxis(
            series_name="total",
            stack="总量",
            y_axis=[100] * len(selected_indices),
            areastyle_opts=opts.AreaStyleOpts(opacity=0.5),
            label_opts=opts.LabelOpts(is_show=True, position="top"),
        )
      .set_global_opts(
            title_opts=opts.TitleOpts(title="堆叠区域图"),
            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
            yaxis_opts=opts.AxisOpts(
                type_="value",
                axistick_opts=opts.AxisTickOpts(is_show=True),
                splitline_opts=opts.SplitLineOpts(is_show=True),
            ),
            xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False, axislabel_opts=opts.LabelOpts(rotate=45))
        )
    )
    return line

def create_grid_chart(selected_indices):
    line_chart = create_line_chart(selected_indices)
    grid = (
        Grid()
      .add(line_chart, grid_opts=opts.GridOpts(pos_left="10%")))
    return grid

# 默认全选
selected_indices = list(range(len(x_data)))
grid_chart = create_grid_chart(selected_indices)
grid_chart.render("stacked_area_chart_with_dynamic_component.html")
python 复制代码
from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.globals import ThemeType
import pandas as pd
data=pd.read_csv("./presidential_approval_rate.csv")
print(data)
datax = data["political_issue"].tolist()
print(data)
dataA = data["support"].tolist()
dataB = data["oppose"].tolist()
dataC = data["no_opinion"].tolist()
stackBarDiagram = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add_xaxis(xaxis_data=datax)
    .add_yaxis(
        series_name="支持",
        y_axis=dataA,
        stack=True
    )
    .add_yaxis(
        series_name="反对",
        y_axis=dataB,
        stack=True
    )
    .add_yaxis(
        series_name="不发表意见",
        y_axis=dataC,
        stack=True,

    )
    .set_series_opts(
      label_opts=opts.LabelOpts(
          position="inside",
          is_show=False
      )
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="柱状图数据堆叠示例",
                                  subtitle="数据科学与大数据21",
                                  pos_left="center"
                                  ),
        xaxis_opts=opts.AxisOpts(
            axislabel_opts=opts.LabelOpts(rotate=50),
            name="political_issue"
        ),
        toolbox_opts=opts.TooltipOpts(is_show=True),
        legend_opts=opts.LegendOpts(
            type_="scroll",
            orient="vertical",
            pos_left="90%",
            pos_top='20%'
        ),
    )
)
stackBarDiagram.render(path="堆叠柱形图.html")
python 复制代码
from pyecharts.charts import Pie
import pandas as pd
import numpy as np
import pyecharts.options as opts
from pyecharts.globals import ThemeType
vote_result = pd.read_csv('vote_result.csv')

pie = (
    Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))
    .add(
        series_name="饼图绘制",
        data_pair=vote_result.values,
        label_opts=opts.LabelOpts(position = "outside",formatter='{d}%'),
        center=["60%","60%"]

    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title='饼图示例',
        subtitle='以下是读者的投票结果。读者对金融、医疗保健、市场业3个领域最感兴趣。',
        pos_right='50%'),
        #  图例配置项
        legend_opts=opts.LegendOpts(
            type_='scroll',
            pos_top='20%',
            pos_right= '80%',
            orient='vertical',
            is_show=True

            )
    )
)
pie.options["bgColor"] = "white"
pie.render('pie.html',bg_color='white')
相关推荐
CLTHREE5 小时前
大模型数据筛选、分类、生成任务,满足并发速度和处理准确要求
人工智能·分类·数据挖掘
大千AI助手13 小时前
Hoeffding树:数据流挖掘中的高效分类算法详解
人工智能·机器学习·分类·数据挖掘·流数据··hoeffding树
大千AI助手13 小时前
独热编码:分类数据处理的基石技术
人工智能·机器学习·分类·数据挖掘·特征工程·one-hot·独热编码
没有梦想的咸鱼185-1037-166315 小时前
AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
人工智能·python·深度学习·机器学习·chatgpt·数据分析
腾讯云qcloud075518 小时前
腾讯位置商业授权数据可视化 JS API
信息可视化
Highcharts.js18 小时前
选择合适的组合:如何打造数据可视化的“黄金组合”
javascript·信息可视化·highcharts·交互式图表开发
白鲸开源19 小时前
(二)从分层架构到数据湖仓架构:数据仓库分层下的技术架构与举例
大数据·数据库·数据分析
阿里云大数据AI技术20 小时前
云栖实录 | 理想汽车基于 Hologres + Flink 构建万亿级车联网信号实时分析平台
数据分析·flink
全栈开发圈21 小时前
新书速览|DeepSeek高效数据分析:从数据清洗到行业案例
信息可视化
Highcharts.js1 天前
3D 图表:有用的可视化工具还是误导性的幻觉?
信息可视化·数据可视化·highcharts·3d图表·图表库·highcharts 3d图表·数据绘图