每日五个pyecharts可视化图表-bars（1）

在数据可视化中，柱状图是一种常用且直观的图表类型。本文将介绍五个使用pyecharts库创建的柱状图示例，每个示例都有详细的代码解释和实现原理。
pyecahts图表源码

图表一：带百分比标签的堆叠柱状图

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType

# 准备数据，包含值和百分比
list2 = [
    {"value": 12, "percent": 12 / (12 + 3)},
    {"value": 23, "percent": 23 / (23 + 21)},
    {"value": 33, "percent": 33 / (33 + 5)},
    {"value": 3, "percent": 3 / (3 + 52)},
    {"value": 33, "percent": 33 / (33 + 43)},
]

list3 = [
    {"value": 3, "percent": 3 / (12 + 3)},
    {"value": 21, "percent": 21 / (23 + 21)},
    {"value": 5, "percent": 5 / (33 + 5)},
    {"value": 52, "percent": 52 / (3 + 52)},
    {"value": 43, "percent": 43 / (33 + 43)},
]

# 创建图表对象并设置主题
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
    # 添加X轴数据
    .add_xaxis([1, 2, 3, 4, 5])
    # 添加Y轴数据，设置堆叠和分类间距
    .add_yaxis("product1", list2, stack="stack1", category_gap="50%")
    .add_yaxis("product2", list3, stack="stack1", category_gap="50%")
    # 设置系列配置项，特别是标签格式
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="right",
            formatter=JsCode(
                "function(x){return Number(x.data.percent * 100).toFixed() + '%';}"
            ),
        )
    )
)
# 在notebook中显示图表
c.render_notebook()

首先，我们导入了必要的模块，包括pyecharts的选项、柱状图类、JS代码工具和主题设置。然后，我们准备了两组数据，每组数据都包含具体值和对应的百分比。

通过，我们创建了一个Bar对象并设置了主题为LIGHT。接着，我们添加了X轴数据和两组Y轴数据，并将它们设置为堆叠显示，分类间距为50%。

因为需要在图表上显示百分比，我们使用了JsCode工具来自定义标签格式化函数，将数据中的percent字段乘以100并取整，最后添加百分号。标签位置设置为右侧，以便更好地展示。

图表二：旋转X轴标签的柱状图

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

# 创建图表对象
c = (
    Bar()
    # 添加X轴数据，注意这里使用了较长的标签名称
    .add_xaxis(
        [
            "名字很长的X轴标签1",
            "名字很长的X轴标签2",
            "名字很长的X轴标签3",
            "名字很长的X轴标签4",
            "名字很长的X轴标签5",
            "名字很长的X轴标签6",
        ]
    )
    # 添加两组Y轴数据
    .add_yaxis("商家A", [10, 20, 30, 40, 50, 40])
    .add_yaxis("商家B", [20, 10, 40, 30, 40, 50])
    # 设置全局配置项
    .set_global_opts(
        # 旋转X轴标签以解决过长问题
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        # 设置标题和副标题
        title_opts=opts.TitleOpts(title="Bar-旋转X轴标签", subtitle="解决标签名字过长的问题"),
    )
)
# 在notebook中显示图表
c.render_notebook()

首先，我们导入了必要的模块。然后，创建了一个Bar对象并添加了X轴数据，这里特意使用了较长的标签名称来演示问题。

通过，我们添加了两组Y轴数据，分别代表商家A和商家B。

因为X轴标签过长可能会导致重叠，我们在全局配置项中设置了X轴标签的旋转角度为-15度，这样标签会倾斜显示，避免重叠。同时，我们还设置了图表的标题和副标题，使图表更加完整。

图表三：基础堆叠柱状图

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.faker import Faker

# 创建图表对象
c = (
    Bar()
    # 使用Faker库生成X轴数据
    .add_xaxis(Faker.choose())
    # 添加两组Y轴数据并设置堆叠
    .add_yaxis("商家A", Faker.values(), stack="stack1")
    .add_yaxis("商家B", Faker.values(), stack="stack1")
    # 设置系列配置项，隐藏标签
    .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
    # 设置全局配置项，添加标题
    .set_global_opts(title_opts=opts.TitleOpts(title="Bar-堆叠数据（全部）"))
)
# 在notebook中显示图表
c.render_notebook()

首先，我们导入了必要的模块，包括Faker库用于生成模拟数据。

通过，我们创建了一个Bar对象，并使用Faker.choose()生成了X轴的类别数据。然后，添加了两组Y轴数据，都使用Faker.values()生成随机数值，并将它们设置为堆叠显示。

因为这里主要展示堆叠效果，我们隐藏了数据标签以避免图表过于拥挤。最后，我们添加了图表标题，使图表更加清晰。

图表四：带时间轴的宏观经济指标组合图表

这个图表是一个动态的组合可视化，通过时间轴展示2002-2011年全国各地区的多维度经济数据，并结合柱状图和饼图呈现详细数据与占比关系。

代码实现解析

首先，定义了核心函数 get_year_overlap_chart，它接收一个年份参数并返回该年份的组合图表：

#数据可以去pyecharts官网获取
#####################################################################################
# 2002 - 2011 年的数据
def get_year_overlap_chart(year: int) -> Bar:
    # 创建柱状图
    bar = (Bar()
        .add_xaxis(xaxis_data=name_list)  # 添加地区名称作为X轴
        # 添加6个数据系列
        .add_yaxis(series_name="GDP", y_axis=total_data["dataGDP"][year], label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis(series_name="金融", y_axis=total_data["dataFinancial"][year], label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis(series_name="房地产", y_axis=total_data["dataEstate"][year], label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis(series_name="第一产业", y_axis=total_data["dataPI"][year], label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis(series_name="第二产业", y_axis=total_data["dataSI"][year], label_opts=opts.LabelOpts(is_show=False))
        .add_yaxis(series_name="第三产业", y_axis=total_data["dataTI"][year], label_opts=opts.LabelOpts(is_show=False))
        # 设置全局配置
        .set_global_opts(
            title_opts=opts.TitleOpts(title="{}全国宏观经济指标".format(year), subtitle="数据来自国家统计局"),
            tooltip_opts=opts.TooltipOpts(is_show=True, trigger="axis", axis_pointer_type="shadow"),
            legend_opts=opts.LegendOpts(selected_map={"GDP": False, "金融": False, "房地产": False})
        )
    )
    # 创建饼图
    pie = (Pie()
        .add(
            series_name="GDP占比",
            data_pair=[
                ["第一产业", total_data["dataPI"]["{}sum".format(year)]],
                ["第二产业", total_data["dataSI"]["{}sum".format(year)]],
                ["第三产业", total_data["dataTI"]["{}sum".format(year)]]
            ],
            center=["75%", "35%"], radius="28%"
        )
        .set_series_opts(tooltip_opts=opts.TooltipOpts(is_show=True, trigger="item"))
    )
    return bar.overlap(pie)  # 重叠饼图到柱状图上

通过这段代码，我们可以看到：

1. 柱状图部分 ：展示了各地区（name_list）在六个经济指标上的数据，包括GDP、金融、房地产、第一产业、第二产业和第三产业。所有标签都被隐藏以避免图表拥挤。

2. 图例配置 ：默认将GDP、金融、房地产三个系列设置为不选中状态（selected_map），因为这三个指标数值通常远大于产业数据，这样设置可以让初始视图更清晰地展示产业结构。

3. 饼图部分 ：位于图表右侧（center=["75%", "35%"]），展示了该年份第一、二、三产业在GDP中的占比情况，数据来自各产业的年度总和（如total_data["dataPI"]["{}sum".format(year)]）。

4. 重叠显示 ：使用.overlap(pie)方法将饼图叠加到柱状图上，实现了两种图表类型的融合展示。

时间轴功能

代码的第二部分创建了时间轴，实现了数据的动态展示：

timeline = Timeline()
for y in range(2002, 2012):
    timeline.add(get_year_overlap_chart(year=y), time_point=str(y))
timeline.add_schema(is_auto_play=True, play_interval=1000)
timeline.render_notebook()

因为添加了时间轴，图表可以自动播放（is_auto_play=True），每1000毫秒切换一个年份（play_interval=1000），直观地展示2002-2011年十年间经济数据的变化趋势。

图表特点

1. 多维度数据展示：同时呈现六个经济指标，提供全面的经济图景。
2. 组合可视化：柱状图展示地区差异，饼图展示产业结构，互补性强。
3. 交互式体验：时间轴动画展示数据变化，图例可交互切换指标显示。
4. 数据层次清晰：通过默认隐藏大数值指标，突出展示产业结构比例。

这个图表设计巧妙，既展示了各地区的详细经济数据，又呈现了全国层面的产业结构，同时通过时间轴展示了十年间的变化趋势，是一个信息密度高、交互性强的综合可视化作品。

图表五：使用字典配置的基础柱状图

这个图表展示了pyecharts库的另一种配置方式------通过字典进行配置，更加灵活简洁。

代码实现解析

from pyecharts.charts import Bar 
from pyecharts.faker import Faker 
from pyecharts.globals import ThemeType 

c = (
    Bar({"theme": ThemeType.MACARONS})  # 使用字典配置主题
    .add_xaxis(Faker.choose())  # 添加X轴数据
    .add_yaxis("商家A", Faker.values())  # 添加商家A的数据
    .add_yaxis("商家B", Faker.values())  # 添加商家B的数据
    .set_global_opts(
        title_opts={"text": "Bar-通过 dict 进行配置", "subtext": "我也是通过 dict 进行配置的"} 
    )
    #.render("bar_base_dict_config.html") 
)
c.render_notebook()

核心特点

1. 字典配置方式 ：与之前使用opts对象不同，这里直接使用Python字典进行配置。例如：

   • Bar({"theme": ThemeType.MACARONS})：通过字典设置主题
   • title_opts={"text": "Bar-通过 dict 进行配置", "subtext": "我也是通过 dict 进行配置的"}：通过字典设置标题

2. 马卡龙主题 ：使用了ThemeType.MACARONS主题，这是pyecharts提供的一种色彩鲜艳、现代感强的主题风格。

3. 模拟数据 ：继续使用Faker库生成模拟数据：

   • Faker.choose()：生成类别数据作为X轴
   • Faker.values()：生成随机数值作为Y轴数据

4. 简洁明了：代码结构简单，易于理解，适合初学者上手。

与其他图表的对比

与前面的图表相比，这个图表的最大特点是配置方式的不同。pyecharts支持两种主要配置方式：

• 对象配置：使用opts相关类，如opts.TitleOpts、opts.AxisOpts等
• 字典配置：直接使用Python字典，键为配置项名称，值为配置值

两种方式各有优势：对象配置提供了更好的类型提示和自动补全，而字典配置更加灵活简洁。

适用场景

这种基础柱状图适用于：

• 简单的数据对比展示
• 快速生成图表原型
• 学习pyecharts的基础用法
• 需要使用字典配置方式的场景

这个图表虽然简单，但展示了pyecharts的核心功能和灵活的配置方式，是学习pyecharts的很好起点。