Python 数据可视化实战

---

一、环境准备

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

pyecharts 是基于 Apache ECharts 的 Python 可视化库，支持在 Jupyter Notebook 中交互式展示，也可导出为独立 HTML 文件。

两种渲染方式：

• bar.render("./output.html") --- 保存为本地 HTML（PyCharm 推荐）

• bar.render_notebook() --- 在 Jupyter 中直接显示

---

二、柱状图（Bar Chart）

柱状图是最基础的数据可视化图表，适合展示分类数据的对比。

months = ['一月', '二月', '三月', '四月', '五月', '六月']
cost = [1200, 1500, 1800, 1400, 1600, 2000]

bar = (
    Bar()
    .add_xaxis(months)
    .add_yaxis('消费金额', cost)
)
bar.render_notebook()

数据解读：六月份消费最高（2000元），四月份最低（1400元），整体呈上升趋势。

自定义尺寸

bar = (
    Bar(init_opts=opts.InitOpts(width="700px", height="450px"))
    .add_xaxis(months)
    .add_yaxis('消费金额', cost)
)

通过 InitOpts 可控制图表的宽高、主题等全局配置。

---

三、散点图（Scatter Chart）

散点图用于展示数据点的分布情况，适合观察数据的离散程度和聚类趋势。

scatter = (
    Scatter()
    .add_xaxis(months)
    .add_yaxis('消费金额', cost)
)
scatter.render_notebook()

与柱状图的区别：同样的数据，散点图更侧重展示每个数据点的位置关系，而非分类对比。

---

四、折线图（Line Chart）

折线图适合展示数据随时间的变化趋势，支持多系列对比。

cost1 = [1200, 1500, 1800, 1400, 1600, 2000]
cost2 = [1800, 1400, 1560, 2200, 3500, 1900]

line = (
    Line()
    .add_xaxis(months)
    .add_yaxis('A', cost1, is_smooth=True)
    .add_yaxis('B', cost2, is_smooth=True)
)
line.render_notebook()

关键参数：

• is_smooth=True --- 平滑曲线，使折线更加美观

• 支持多系列叠加，方便对比 A/B 两组数据的趋势

数据解读：B 组在五月出现明显峰值（3500），而 A 组整体较为平稳。

---

五、饼图（Pie Chart）

饼图用于展示各部分占总体的比例关系。

fruits = ['苹果', '香蕉', '橙子', '草莓', '葡萄']
sales = [45, 30, 25, 20, 15]

pie = (
    Pie()
    .add('水果销售比例', [list(z) for z in zip(fruits, sales)],
         radius=["30%", "60%"],      # 环形饼图
         rosetype="area")            # 南丁格尔玫瑰图
    .set_global_opts(
        title_opts=opts.TitleOpts(title="水果销售比例")
    )
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
)
pie.render_notebook()

关键参数：

• radius=["30%","60%"] --- 内半径30%、外半径60%，形成环形饼图

• rosetype="area" --- 南丁格尔玫瑰图，扇区半径按数据大小映射

• formatter="{b}: {d}%" --- 标签显示名称和百分比

数据解读：苹果占比最大（30%），葡萄最小（10%）。

---

六、地理坐标图（Geo）

地理坐标图适合在地图上展示各区域的数据分布，配合涟漪特效更加直观。

from pyecharts import options as opts
from pyecharts.charts import Geo
from pyecharts.globals import ChartType

data = [
    ("广东", 130000), ("浙江", 80000), ("江苏", 70000), ("上海", 85000),
    ("北京", 50000), ("福建", 40000), ("山东", 95000), ("河南", 30000),
    ("河北", 28000), ("四川", 25000), ("湖北", 22000), ("湖南", 20000),
    ("安徽", 18000), ("辽宁", 16000), ("陕西", 14000), ("江西", 12000),
    ("广西", 10000), ("云南", 8000), ("重庆", 7000), ("黑龙江", 6000),
]

geo = (
    Geo()
    .add_schema(maptype="china")
    .add("快递业务量", data, type_=ChartType.EFFECT_SCATTER)
    .set_global_opts(
        title_opts=opts.TitleOpts(title="中国各省份快递业务量分布"),
        visualmap_opts=opts.VisualMapOpts(
            is_piecewise=True,
            pieces=[
                {"min": 120000, "label": "12万+", "color": "#7f1100"},
                {"min": 80000, "max": 120000, "label": "8万-12万", "color": "#ff5428"},
                {"min": 40000, "max": 80000, "label": "4万-8万", "color": "#ff8c71"},
                {"min": 1, "max": 40000, "label": "1-4万", "color": "#ffd768"},
            ]
        )
    )
)
geo.render_notebook()

关键参数：

• ChartType.EFFECT_SCATTER --- 涟漪特效散点，数据点有动态效果

• is_piecewise=True --- 分段型视觉映射

• pieces --- 自定义每段的颜色和范围

数据解读：广东快递业务量遥遥领先（13万），山东次之（9.5万），长三角和珠三角是快递业务的核心区域。

---

七、地图（Map）

地图适合展示各省份的填充色数据，直观反映地域差异。

from pyecharts.charts import Map

data = [
    ("广东省", 51), ("湖北省", 118), ("湖南省", 143), ("四川省", 121),
    ("重庆市", 113), ("黑龙江省", 211), ("浙江省", 175), ("山西省", 230),
    ("河北省", 63), ("安徽省", 179), ("河南省", 173), ("山东省", 123),
    ("西藏自治区", 212),
]

map_chart = (
    Map()
    .add("确诊人数", data, "china")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="全国疫情地图"),
        visualmap_opts=opts.VisualMapOpts(
            max_=250, is_piecewise=True,
            pieces=[
                {"min": 200, "label": "≥200", "color": "#7f1100"},
                {"min": 150, "max": 199, "color": "#ff5428"},
                {"min": 100, "max": 149, "color": "#ff8c71"},
                {"min": 50, "max": 99, "color": "#ffd768"},
            ]
        )
    )
)
map_chart.render_notebook()

注意：省份名称必须使用全称（如"广东省"而非"广东"），否则无法匹配地图数据。

数据解读：山西省确诊人数最多（230），广东省最少（51）。

---

八、词云图（WordCloud）

词云图适合展示文本词频统计结果，字体越大表示词频越高。

from pyecharts.charts import WordCloud

words = [
    ("dont", 436), ("then", 365), ("you", 360), ("can", 282),
    ("her", 266), ("make", 255), ("remember", 255), ("it", 247),
    ("bad", 244), ("start", 273), ("hey", 230), ("heart", 173),
    ("a sad song", 184), ("better", 182), ("let", 162),
    ("to", 150), ("jude", 124), ("Take", 138), ("into", 60),
    ("your", 82), ("and", 12),
]

wordcloud = (
    WordCloud()
    .add("", words, word_size_range=[20, 100], shape="circle")
)
wordcloud.render_notebook()

数据来源：Beatles 经典歌曲 "Hey Jude" 的歌词词频统计。

关键参数：

• word_size_range=[20, 100] --- 字体大小范围

• shape="circle" --- 词云形状为圆形

---

九、层叠图（Overlap）

层叠图可以将不同类型的图表叠加在一起，实现更丰富的数据展示。

x_data = ['Apple', 'Huawei', 'Xiaomi', 'Oppo', 'Vivo', 'Meizu']
y_data_bar = [123, 153, 89, 107, 98, 23]
y_data_line = [153, 107, 23, 89, 123, 107]

bar1 = (
    Bar()
    .add_xaxis(x_data)
    .add_yaxis('bar', y_data_bar)
)

line1 = (
    Line()
    .add_xaxis(x_data)
    .add_yaxis('line', y_data_line)
)

bar1.overlap(line1)
bar1.render_notebook()

使用场景：柱状图展示绝对值，折线图展示趋势或另一维度数据，两者叠加可同时观察销量和增长率。

数据解读：Huawei 柱状值最高（153），但折线值 Apple 最高（153），说明两个维度的排名并不一致。

---

十、图表类型选择指南

数据特征	推荐图表	适用场景
分类对比	柱状图	各月消费、各产品销量
趋势变化	折线图	时间序列、股价走势
占比分析	饼图	市场份额、预算分配
分布关系	散点图	相关性分析、聚类
地域分布	地图/Geo	各省数据、疫情分布
文本分析	词云图	评论关键词、歌词词频
多维对比	层叠图	销量+增长率、收入+利润

---