京东手机销售数据分析: 从数据清洗到可视化仪表盘

Serendipity_Carl2025-12-23 8:10

|--------------------------|-------------------------|
| pyecharts(数据可视化板块) | pandas(数据清洗 文件保存) |
| re(用于字符串匹配和处理) | |
[本次案例所使用的模块]

一、需求分析

今天我们来完成一个完整的电商数据分析项目，目标是分析京东平台的手机销售数据 通过这个项目，我们将掌握以下技能：

数据清洗任务：

  1. 处理缺失值（删除或填充）

  2. 数据类型转换（如价格字符串转浮点数、评论数转整数等）

  3. 提取有效信息（从产品名称中提取品牌、型号等）

  4. 处理异常值（如价格异常高或低的数据）

  5. 保存清洗后的数据为新的CSV文件

数据分析任务：

  1. 按品牌分组统计平均价格、平均评分和产品数量

  2. 计算不同价格区间的产品分布

  3. 分析价格与评分的相关性

  4. 找出最受欢迎的产品（基于评论数）

数据可视化任务：

  1. 创建品牌分布饼图，展示各品牌产品数量占比

  2. 创建价格区间柱状图，展示不同价格区间的产品数量

  3. 创建价格与评分关系散点图，分析价格与评分的相关性

  4. 创建品牌雷达图，展示各品牌在价格、评分、评论数等维度的综合表现

  5. 将所有图表整合到一个HTML仪表盘页面中

二、数据清洗实战

OK，我们先来看原始数据的情况，然后一步步进行清洗

2.1 导入必要的库

复制代码 
import re
import pandas as pd

# 设置pandas显示选项，确保在控制台能完整查看数据
pd.set_option('display.max_columns', None)
pd.set_option('display.width', 1000)

2.2 读取原始数据

复制代码 
# 读取CSV文件
df = pd.read_csv('jd_phone_data.csv')

# 查看数据基本信息
print(f"数据形状: {df.shape}")
print(df.info())
print(df.head())

运行后可以看到，原始数据有以下几个问题：

  • 价格列包含'¥'、'起'等字符，需要清理

  • 评分和评论数有缺失值

  • 产品名称包含品牌、型号、存储容量等信息，需要提取

也可以直接打开csv文件 查看 这里主要是熟悉一些方法 查看了解一些基本的数据信息

之前我博客有基础的 pandas 方法讲解 可以看我之前的博客

2.3 处理缺失值

python 复制代码 
# 删除评论数的缺失值（评论数是重要指标，缺失的我们暂时不考虑）
df.dropna(subset='评论数', inplace=True)

# 评分用平均值填充，保留1位小数
df['评分'].fillna(df['评分'].mean().round(1), inplace=True)

# 检查还有没有缺失值
print("缺失值统计:")
print(df.isna().sum())
2.4 数据类型转换
# 方法1：使用字符串替换
# df['价格'] = df['价格'].str.replace('¥', '').str.replace('起', '')

# 方法2：使用正则表达式提取数字（更保险）
df['价格'] = df['价格'].apply(lambda x: re.findall(r'\d+', x)[0] if re.findall(r'\d+', x) else '0')

# 转换为数值类型
df['价格'] = df['价格'].astype('float')
df['评论数'] = df['评论数'].astype('int')

# 查看转换后的数据类型
print(df.info())

2.5 提取有效信息

这里我们需要从产品名称中提取品牌和存储容量信息

python 复制代码 
def extract_feature(df_sample):
    # 从产品中提取品牌
    def extract_brand(name):
        # 自己定义品牌列表
        brands = ['小米', '苹果', '华为', 'OPPO', 'vivo', '三星', '魅族', '努比亚', '荣耀', '一加', 'realme', 'Redmi']
        # 遍历列表 
        for brand in brands:
            # 如果要校验的字段中包含列表中的品牌名则返回
            if brand in name:
                return brand
        return '其它'
    
    # 从产品中提取存储容量
    def extract_storage(name):
        # 这个是正则的匹配函数 意思是 匹配到了则返回匹配成功的对象 反之返回None 所以要在下面做个判断 后续需要通过.group() 获取值
        match = re.search(r'(\d+)GB|(\d+)TB', name)
        if match:
            if match.group(1):
                return int(match.group(1))
            elif match.group(2):
                return int(match.group(2)) * 1024
        return 0
    
    df_sample['品牌'] = df_sample['产品名称'].apply(extract_brand)
    df_sample['存储容量(GB)'] = df_sample['产品名称'].apply(extract_storage)
    
    return df_sample

df = extract_feature(df)

# 查看提取后的数据
print(df[['产品名称', '品牌', '存储容量(GB)']].sample(10))

2.6 处理异常值（IQR方法）

python 复制代码 
def deal_ex(df_sample):
    # 计算四分位数
    low = df_sample['价格'].quantile(0.25)
    upp = df_sample['价格'].quantile(0.75)
    iqr = upp - low
    
    # 计算异常值边界
    lower = low - 1.5 * iqr
    upper = upp + 1.5 * iqr
    
    print(f'异常值范围: {lower:.2f} ~ {upper:.2f}')
    
    # 保留正常范围内的数据
    df_sample = df_sample[(df_sample['价格'] > lower) & (df_sample['价格'] < upper)]
    
    return df_sample

df = deal_ex(df)

2.7 保存清洗后的数据

python 复制代码 
df.to_csv('Cleaned_jd_phone_data.csv', index=False)
print("数据清洗完成，已保存为'Cleaned_jd_phone_data.csv'")

清洗后的数据效果：

三、数据分析

数据清洗完成后，我们开始进行分析

3.1 按品牌分组统计

python 复制代码 
# 按品牌分组统计平均价格、平均评分、产品数量
brand_level = df.groupby('品牌').agg(
    平均价格=('价格', 'mean'),
    平均评分=('评分', 'mean'),
    产品数量=('品牌', 'count')
).round(2).sort_values('产品数量', ascending=False)

print("品牌统计结果:")
print(brand_level)

3.2 价格区间分布

python 复制代码 
# 定义价格区间
# float('inf') 表示 5000到无穷
bins = [0, 1000, 2000, 3000, 4000, 5000, float('inf')]
labels = ['0-1000', '1000-2000', '2000-3000', '3000-4000', '4000-5000', '5000+']

# 添加价格区间列 左开右闭 
df['价格区间'] = pd.cut(df['价格'], bins=bins, labels=labels, right=False)

# 统计各价格区间的产品数量
price_distribution = df['价格区间'].value_counts().sort_index()
print("价格区间分布:")
print(price_distribution)

3.3 价格与评分的相关性分析

python 复制代码 
# 计算相关系数矩阵
correlation = df[['价格', '评分', '评论数']].corr().round(3)
# corr() 计算这些列两两之间的皮尔逊相关系数
# 结果是一个3×3的相关系数矩阵，显示各变量间的线性相关程度 保留三位小数
print("变量间相关系数矩阵:")
print(correlation)

# 价格与评分的相关系数
price_score_corr = df['价格'].corr(df['评分']).round(3)
print(f"价格与评分的相关系数: {price_score_corr}")

3.4 最受欢迎产品（基于评论数）

python 复制代码 
# 按评论数降序排序，取前10名
popular_product = df.sort_values('评论数', ascending=False).head(10)[
    ['产品名称', '品牌', '价格', '评分', '评论数', '店铺名称']
].reset_index(drop=True)

print("最受欢迎产品TOP10:")
print(popular_product)

四、数据可视化（使用Pyecharts）

现在到了最有趣的部分------数据可视化！我们将使用Pyecharts创建美观的交互式图表

4.1 品牌分布饼图

python 复制代码 
from pyecharts import options as opts
from pyecharts.charts import Pie, Bar, Scatter, Radar, Grid

# 读取清洗后的数据
df = pd.read_csv('Cleaned_jd_phone_data.csv')

# 计算品牌数量占比
count = (df['品牌'].value_counts() / df['品牌'].value_counts().sum() * 100).round(2)
data = [(i, j) for i, j in zip(count.index.tolist(), list(count.values))]

# 创建饼图
pie = (
    Pie(init_opts=opts.InitOpts(width='900px', height='600px', theme='white', bg_color='white'))
    .add('', 
         data_pair=data, 
         center=['50%', '60%'], 
         radius=['45%', '70%'],
         label_opts=opts.LabelOpts(is_show=True, formatter='{b}:{c}({d}%)'),
         )
    .set_global_opts(
        title_opts=opts.TitleOpts(title='品牌产品数量对比', subtitle='手机产品', pos_left='center', pos_top='top'),
        legend_opts=opts.LegendOpts(is_show=True, pos_top='13%'),
        visualmap_opts=opts.VisualMapOpts(
            is_show=True, 
            orient='horizontal', 
            pos_left='left', 
            pos_bottom='bottom',
            range_color=["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFBE0B", "#FB5607", "#8338EC", "#3A86FF"]
        ),
        toolbox_opts=opts.ToolboxOpts(is_show=True, pos_left='800px', orient='vertical')
    )
)
pie.render('brand_pie.html')

这里不懂的可以看我上一篇博客 参数等的介绍

效果图：

4.2 价格区间柱状图

python 复制代码 
# 统计各价格区间的产品数量
price_count = df['价格区间'].value_counts().sort_index()

# 创建柱状图
bar = (
    Bar()
    .add_xaxis(price_count.index.tolist())
    .add_yaxis(
        '产品数量', 
        price_count.values.tolist(), 
        label_opts=opts.LabelOpts(is_show=True, position='top'),
        itemstyle_opts=opts.ItemStyleOpts(color='#45B7D1')
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title='价格区间产品分布', pos_left='left', subtitle='产品数量'),
        legend_opts=opts.LegendOpts(is_show=True),
        tooltip_opts=opts.TooltipOpts(is_show=True, position='top'),
        datazoom_opts=opts.DataZoomOpts(is_show=True, type_='inside')
    )
)
bar.render('price_bar.html')

效果图：

4.3 价格与评分关系散点图

这里我有个疑问 我发现这个散点图的x轴数据 这样只能传字符串类型的数据

但是单独测试的时候是可以传入整数或者浮点类型的

python 复制代码 
# 准备散点图数据
scatter_data = [[row['价格'], row['评分'], row['评论数'], row['产品名称']]
                for _, row in df.iterrows()]

# 计算价格和评分的相关系数
cor = df['价格'].corr(df['评分']).round(3)

# 创建散点图（显示前100个点，避免图表过于拥挤）
scatter = (
    Scatter()
    # 这里太多了不好看  只取前100条数据
    .add_xaxis([str(int(i[0])) for i in scatter_data[:100]])
    .add_yaxis('', [i[1] for i in scatter_data[:100]], 
               label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
        title_opts=opts.TitleOpts(title=f'价格与评分关系 (相关系数:{cor})', pos_left='center'),
        xaxis_opts=opts.AxisOpts(
            name='价格(元)', 
            type_='value', 
            splitline_opts=opts.SplitLineOpts(is_show=False),
            name_textstyle_opts=opts.TextStyleOpts(font_size=15, font_weight='bold')
        ),
        yaxis_opts=opts.AxisOpts(
            name='评分', 
            type_='value', 
            min_=3.5, 
            max_=5.2,
            splitline_opts=opts.SplitLineOpts(is_show=False),
            name_textstyle_opts=opts.TextStyleOpts(font_size=15, font_weight='bold')
        ),
        toolbox_opts=opts.ToolboxOpts(orient='vertical', pos_left='850px'),
        datazoom_opts=opts.DataZoomOpts(is_show=True, type_='inside'),
        visualmap_opts=opts.VisualMapOpts(is_show=True)
    )
)
scatter.render('price_score_scatter.html')

效果图：

4.4 品牌雷达图（综合表现）

python 复制代码 
# 计算品牌统计数据
brand_stats = df.groupby('品牌').agg({
    '价格': 'mean',
    '评分': 'mean',
    '评论数': 'mean',
    '产品名称': 'count',
}).reset_index()

# 数据归一化（方便在雷达图上比较）
brand_stats_normalized = brand_stats.copy()
for col in ['价格', '评分', '评论数', '产品名称']:
    max_val = brand_stats[col].max()
    min_val = brand_stats[col].min()
    if max_val > min_val:
        brand_stats_normalized[col] = (brand_stats_normalized[col] - min_val) / (max_val - min_val)
    else:
        brand_stats_normalized[col] = 0

# 创建雷达图
radar = (
    Radar(init_opts=opts.InitOpts(width='900px', height='600px', theme='white'))
    # 设置图表schema 包含四个指标：平均价格、平均评分、平均评论数、产品数量
    # 每个指标的最大值设为1
    .add_schema(
        schema=[
            opts.RadarIndicatorItem(name='平均价格', max_=1),
            opts.RadarIndicatorItem(name='平均评分', max_=1),
            opts.RadarIndicatorItem(name='平均评论数', max_=1),
            opts.RadarIndicatorItem(name='产品数量', max_=1),
        ],
        splitarea_opt=opts.SplitAreaOpts(is_show=True),
        center=['50%', '60%'],
        axislabel_opt=opts.LabelOpts(is_show=False),
        axistick_opt=opts.AxisTickOpts(is_show=False),
    )
)

# 添加各品牌数据
for _, row in brand_stats_normalized.iterrows():
    radar.add(
        row['品牌'],
        [[row['价格'], row['评分'], row['评论数'], row['产品名称']]],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.3),
        # 显示label的话 数据都在上面 会不好看 不美观 于是就取消了
        label_opts=opts.LabelOpts(is_show=False),
    )

radar.set_global_opts(
    title_opts=opts.TitleOpts(title='主要品牌综合表现雷达图', pos_left='center'),
    legend_opts=opts.LegendOpts(is_show=True, pos_top='55px'),
    toolbox_opts=opts.ToolboxOpts(is_show=True, orient='vertical', pos_left='766px'),
)

radar.render('brand_radar.html')

效果图：

五、整合仪表盘

最后，我们将所有图表整合到一个HTML仪表盘中：

这里可以重新新建一个py文件 将之前的代码复制一份 修改一下代码 不使用链式写法渲染成html文件即可

python 复制代码 
# 创建仪表盘页面
from pyecharts.charts import Page

# 创建一个页面对象
page = Page(layout=Page.SimplePageLayout)

# 添加所有图表到页面
page.add(
    pie,
    bar,
    scatter,
    radar
)

# 渲染为单个HTML文件
page.render("jd_phone_dashboard.html")

最终效果：

六、分析与结论

通过以上分析，我们得出以下结论：

  1. 品牌分布：小米、苹果、华为占据市场前三名，产品数量最多

  2. 价格区间：大部分手机集中在1000-3000元价格段，符合主流消费水平

  3. 价格与评分关系：相关系数接近0，说明价格与评分没有明显的线性关系

  4. 品牌综合表现：通过雷达图可以看出各品牌在不同维度的优劣势

七、总结

本次项目完整演示了：

  • 数据清洗的全流程（缺失值、异常值、数据转换）

  • 使用Pandas进行多维度数据分析

  • 使用Pyecharts创建多种类型的交互式图表

  • 将多个图表整合为可视化仪表盘

技术要点回顾：

  • pd.cut() 对连续数据分箱

  • groupby().agg() 分组聚合计算

  • .corr() 计算相关系数

  • Pyecharts的链式调用语法

  • 图表配置项（标题、图例、工具箱、视觉映射等）

希望这篇教程对你有帮助！如果感兴趣的话可以看看我之前的博客，我也会继续分享更多数据分析与可视化的实战案例。

你的点赞和关注是我更新的最大动力！

八、源代码

以下是本次案例的所有代码

数据清洗

python 复制代码 
import re

import pandas as pd

pd.set_option('display.max_columns', None)
pd.set_option('display.width', 1000)

df = pd.read_csv('jd_phone_data.csv')

# 删除缺失值
df.dropna(subset='评论数', inplace=True)
# 用平均值填充缺失值
df['评分'].fillna(df['评分'].mean().round(1), inplace=True)


# method_1
# df['价格'] = df['价格'].str.replace('¥', '').str.replace('起', '')
# method_2
df['价格'] = df['价格'].apply(lambda x: re.findall(r'\d+', x)[0] if re.findall(r'\d+', x) else '0')
df['价格'] = df['价格'].astype('float')
df['评论数'] = df['评论数'].astype('int')


# print(df.info())
# print(df.sample(10))


def extract_feature(df_sample):
    # 从产品中提取品牌
    def extract_brand(name):
        brands = ['小米', '苹果', '华为', 'OPPO', 'vivo', '三星', '魅族', '努比亚', '荣耀', '一加', 'realme', 'Redmi']
        for brand in brands:
            if brand in name:
                return brand
        return '其它'

    # 从产品中提取存储容量
    def extract_storage(name):
        match = re.search(r'(\d+)GB|(\d+)TB', name)
        if match:
            if match.group(1):
                return int(match.group(1))
            elif match.group(2):
                return int(match.group(2)) * 1024
        return 0

    df_sample['品牌'] = df_sample['产品名称'].apply(extract_brand)
    df_sample['存储容量(GB)'] = df_sample['产品名称'].apply(extract_storage)

    return df_sample


df = extract_feature(df)

def deal_ex(df_sample):
    low = df_sample['价格'].quantile(0.25)
    upp = df_sample['价格'].quantile(0.75)
    iqr = upp - low
    lower = low - 1.5 * iqr
    upper = upp + 1.5 * iqr

    # print('异常值范围:', lower, upper)
    df_sample = df_sample[(df_sample['价格'] > lower) & (df_sample['价格'] < upper)]

    return df_sample


df = deal_ex(df)
# df.to_csv('Cleaned_jd_phone_data.csv', index=False)


# print(df.sample(10))
# 按品牌分组统计平均价格 平均评分 产品数量
brand_level = df.groupby('品牌').agg(
    平均价格=('价格', 'mean'),
    平均评分=('评分', 'mean'),
    产品数量=('品牌', 'count')
).round(2)
print(brand_level)
exit()

brand_stats = df.groupby('品牌').agg({
    '价格': ['mean', 'min', 'max'],
    '评分': ['mean'],
    '评论数': ['mean', 'sum'],
    '产品名称': ['count']
}).round(2)

brand_stats.columns = ['平均价格', '最低价格', '最高价格', '平均评分', '总评论数', '平均评论数', '产品数量']
# 按照产品数量降序排列
brand_stats.sort_values('产品数量', ascending=False)

# float('inf') 5000以上的无穷大区间


bins = [0, 1000, 2000, 3000, 4000, 5000, float('inf')]
labels = ['0-1000', '1000-2000', '2000-3000', '3000-4000', '4000-5000', '5000+']

df['价格区间'] = pd.cut(df['价格'], bins=bins, labels=labels, right=False)
# print(df['价格区间'].value_counts())
# print(df)
# exit()

# method_1
aaa = df.groupby('品牌').agg(
    产品数量=('产品名称', 'count'),
    平均价格=('价格', 'mean'),
    平均评分=('评分', 'mean'),
    总评论数=('评论数', 'sum')
).round(2)
# method_2
price_analysis = df.groupby('价格区间').agg({
    '产品名称': ['count'],
    '价格': ['mean'],
    '评分': ['mean'],
    '评论数': ['sum']
}).round(2)
price_analysis.columns = ['产品数量', '平均价格', '平均评分', '总评论数']

# 分析价格与评分的相关性
# corr() 计算这些列两两之间的皮尔逊相关系数
# 结果是一个3×3的相关系数矩阵，显示各变量间的线性相关程度 保留三位小数
correlation = df[['价格', '评分', '评论数']].corr().round(3)
# 按评论数降序排序
popular_product = df.sort_values('评论数', ascending=False).head(10)[['产品名称', '品牌', '价格', '评分', '评论数', '店铺名称']].reset_index(drop=True)


# df.to_csv('Cleaned_jd_phone_data.csv', index=False)

数据可视化

python 复制代码 
import pandas as pd
from pyecharts import options as opts
from pyecharts.charts import *

pd.set_option('display.max_columns', None)
pd.set_option('display.width', 1000)

df = pd.read_csv('Cleaned_jd_phone_data.csv')

# 数量占比
count = (df['品牌'].value_counts() / df['品牌'].value_counts().sum() * 100).round(2)
data = [(i, j) for i, j in zip(count.index.tolist(), list(count.values))]

pie = (
    Pie(init_opts=opts.InitOpts(width='900px', height='600px', theme='white', bg_color='white'))
    .add('', data_pair=data, center=['50%', '60%'], radius=['45%', '70%'],
         label_opts=opts.LabelOpts(is_show=True, formatter='{b}:{c}({d}%)'),
         )
    .set_global_opts(
        title_opts=opts.TitleOpts(title='品牌产品数量对比', subtitle='手机产品', pos_left='center', pos_top='top'),
        legend_opts=opts.LegendOpts(is_show=True, pos_top='13%'),
        visualmap_opts=opts.VisualMapOpts(is_show=True, orient='horizontal', pos_left='left', pos_bottom='bottom',
                                          range_color=["#FF6B6B", "#4ECDC4", "#45B7D1", "#FFBE0B", "#FB5607", "#8338EC",
                                                       "#3A86FF"]),
        toolbox_opts=opts.ToolboxOpts(is_show=True, pos_left='800px', orient='vertical')
    )

)

# bar
# 创建价格区间柱状图，展示不同价格区间的产品数量
price_count = df['价格区间'].value_counts()

bar = (
    Bar()
    .add_xaxis(price_count.index.tolist())
    .add_yaxis(
        '产品数量', price_count.values.tolist(), label_opts=opts.LabelOpts(is_show=True, position='top'),
        itemstyle_opts=opts.ItemStyleOpts(color='#45B7D1')
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title='价格区间产品分布', pos_left='left', subtitle='产品数量'),
        legend_opts=opts.LegendOpts(is_show=True),
        tooltip_opts=opts.TooltipOpts(is_show=True, position='top'),
        datazoom_opts=opts.DataZoomOpts(is_show=True, type_='inside')
    )
)

# scatter
# 创建价格与评分关系散点图，分析价格与评分的相关性
scatter_data = [[row['价格'], row['评分'], row['评论数'], row['产品名称']]
                for _, row in df.iterrows()]
# 计算价格和评分的相关系数
cor = df['价格'].corr(df['评分']).round(3)

scatter = (
    Scatter()
    .add_xaxis([str(int(i[0])) for i in scatter_data[:100]])
    .add_yaxis('', [i[1] for i in scatter_data[:100]], label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
        title_opts=opts.TitleOpts(title=f'价格与评分关系 (相关系数:{cor})', pos_left='center'),
        xaxis_opts=opts.AxisOpts(name='价格(元)', type_='value', splitline_opts=opts.SplitLineOpts(is_show=False),
                                 name_textstyle_opts=opts.TextStyleOpts(font_size=15, font_weight='bold')),
        yaxis_opts=opts.AxisOpts(name='评分', type_='value', min_=3.5, max_=5.2,
                                 splitline_opts=opts.SplitLineOpts(is_show=False),
                                 name_textstyle_opts=opts.TextStyleOpts(font_size=15, font_weight='bold')),
        toolbox_opts=opts.ToolboxOpts(orient='vertical', pos_left='850px'),
        datazoom_opts=opts.DataZoomOpts(is_show=True, type_='inside'),
        visualmap_opts=opts.VisualMapOpts(is_show=True)
    )
)

# radar
brand_stats = df.groupby('品牌').agg({
    '价格': 'mean',
    '评分': 'mean',
    '评论数': 'mean',
    '产品名称': 'count',
}).reset_index()
# 筛选出 产品名称 列值中最大的5条记录
top_5 = brand_stats.nlargest(5, '产品名称')
category = ['平均价格', '平均评分', '平均评论数', '产品数量']
brand_stats_normalized = brand_stats.copy()
for col in ['价格', '评分', '评论数', '产品名称']:
    # 分别获取 这些列中的最大值和最小值
    # 归一化数据
    max_val = brand_stats[col].max()
    min_val = brand_stats[col].min()
    if max_val > min_val:
        # 如果条件满足，则将该列数据按公式 (x - min) / (max - min) 进行线性变换
        brand_stats_normalized[col] = (brand_stats_normalized[col] - min_val) / (max_val - min_val)
        # print(brand_stats_normalized[col])
    else:
        brand_stats_normalized[col] = 0

radar = (
    Radar(init_opts=opts.InitOpts(width='900px', height='600px', theme='white'))
    # 设置图表schema 包含四个指标：平均价格、平均评分、平均评论数、产品数量
    # 每个指标的最大值设为1
    .add_schema(
        schema=[
            opts.RadarIndicatorItem(name='平均价格', max_=1),
            opts.RadarIndicatorItem(name='平均评分', max_=1),
            opts.RadarIndicatorItem(name='平均评论数', max_=1),
            opts.RadarIndicatorItem(name='产品数量', max_=1),
        ],
        splitarea_opt=opts.SplitAreaOpts(is_show=True),
        center=['50%', '60%'],
        axislabel_opt=opts.LabelOpts(is_show=False),
        axistick_opt=opts.AxisTickOpts(is_show=False),
    )
)

# print(brand_stats_normalized)
for _, row in brand_stats_normalized.iterrows():
    radar.add(
        row['品牌'],
        [[row['价格'], row['评分'], row['评论数'], row['产品名称']]],
        areastyle_opts=opts.AreaStyleOpts(opacity=0.3),
        label_opts=opts.LabelOpts(is_show=False),
    )

radar.set_global_opts(
    title_opts=opts.TitleOpts(title='主要品牌综合表现雷达图', pos_left='center'),
    legend_opts=opts.LegendOpts(is_show=True, pos_top='55px'),
    toolbox_opts=opts.ToolboxOpts(is_show=True,orient='vertical',pos_left='766px'),
)

# 使用Page布局创建仪表盘
page = Page(layout=Page.SimplePageLayout)
page.add(
    pie,
    bar,
    scatter,
    radar
)

# 渲染成HTML文件
page.render('phone_dashboard.html')
相关推荐
长安牧笛2 小时前
制作本地自驾游攻略生成工具，输入出发地，目的地，生成路线，景点，美食攻略，支持一键分享。
python
free-elcmacom2 小时前
深度学习＜1＞PyTorch与TensorFlow新特性深度解析
人工智能·pytorch·python·深度学习·tensorflow
_OP_CHEN2 小时前
【Python基础】（五）Python 库使用全攻略：从标准库到第三方库，让开发效率翻倍
开发语言·python·pip·项目实战·python标准库·python第三方库
shenzhenNBA3 小时前
python模块matplotlib绘图-饼图
python·matplotlib·pyplot·python绘制图表
咖啡の猫10 小时前
Python字典推导式
开发语言·python
曹文杰151903011210 小时前
2025 年大模型背景下应用统计本科 计算机方向 培养方案
python·线性代数·机器学习·学习方法
Wulida00999111 小时前
建筑物表面缺陷检测与识别：基于YOLO11-C3k2-Strip模型的智能检测系统
python
FJW02081411 小时前
Python_work4
开发语言·python
爱笑的眼睛1112 小时前
从 Seq2Seq 到 Transformer++：深度解构与自构建现代机器翻译核心组件
java·人工智能·python·ai
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03Linux下V2Ray安装配置指南04在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）05安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）06Labelme从安装到标注：零基础完整指南07CentOS的ISO镜像下载08BongoCat - 跨平台键盘猫动画工具09jdk21下载、安装（Windows、Linux、macOS）10NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南