pyecharts做数据可视化(二)

当你拥有地域相关数据时,首先想到的制作工具是什么呢?Echarts、basemap(后期更新)、pyecharts、matplotlib、seaborn等等?不过今天我们先以pyecharts实现。

1.pyecharts 介绍

pyecharts用于生成Echarts图标的类库,Echarts是百度开源的一个数据可视化JS库
pyecharts 相关基础可参考 用python做数据可视化之pyecharts基础
pyecharts 官方文档可参考 pyecharts中文文档

2.地图底图下载

自从 v0.3.2 开始,为了缩减项目本身的体积以及维持 pyecharts 项目的轻量化运行,pyecharts 将不再自带地图 js 文件。如用户需要用到地图图表,可自行安装对应的地图文件包。下面介绍如何安装。

 pip install echarts-countries-pypkg
 pip install echarts-china-provinces-pypkg
 pip install echarts-china-cities-pypkg
 pip install echarts-china-counties-pypkg
 pip install echarts-china-misc-pypkg
    1. 全球国家地图: echarts-countries-pypkg (1.9MB): 世界地图和 213 个国家,包括中国地图-
    1. 中国省级地图: echarts-china-provinces-pypkg (730KB):23 个省,5 个自治区
    1. 中国市级地图: echarts-china-cities-pypkg (3.8MB):370 个中国城市
    1. 中国县区级地图: echarts-china-counties-pypkg (4.1MB):2882 个中国县·区
    1. 中国区域地图: echarts-china-misc-pypkg (148KB):11 个中国区域地图,比如华南、华北。

3. pandas 相关知识点概述

  • merge默认按相同字段合并,且取两个都有的。
    import pandas as pd
    df1=pd.DataFrame({'name':['kate','herz','catherine','sally'],
                  'age':[25,28,39,35]})
    df2=pd.DataFrame({'name':['kate','herz','sally'],
                  'score':[70,60,90]})
    # 1.merge默认按相同字段合并,且取两个都有的。
    pd.merge(df1,df2)
    # 2. 当左右连接字段不相同时,使用left_on,right_on
    pd.merge(df1,df2,left_on="name",right_on='call_name')
    # 3. 合并后,删除重复的列
    pd.merge(df1,df2,left_on='name',right_on='call_name').drop('name',axis=1)
    # 4.参数how的使用 1).默认:inner 内连接,取交集 2).outer 外连接,取并集,并用nan填充”
    pd.merge(df1,df2,on='name',how='inner')
    df3=pd.DataFrame({'name':['kate','herz','sally','cristin'],
                  'score':[70,60,90,30]})
    pd.merge(df1,df3,on='name',how='outer')    
    
  • set_index 可以设置单索引和复合索引。
    DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 
    # append添加新索引,drop为False,inplace为True时,索引将会还原为列
    
  • reset_index可以还原索引,从新变为默认的整型索引
    DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=”) 
    # level控制了具体要还原的那个等级的索引 
    # drop为False则索引列会被还原为普通列,否则会丢失
    
  • loc、iloc、ix 区别
    # 如果你知道column names 和index,且两者都很好输入,可以选择 .loc
     df.loc[0, 'a']  
     df.loc[0:3, ['a', 'b']]  
     df.loc[[1, 5], ['b', 'c']]
    #   iloc 使得我们可以对column使用slice(切片)的方法对数据进行选取。
    df.iloc[1,1]  
    df.iloc[0:3, [0,1]]  
    df.iloc[[0, 3, 5], 0:2]    
    # ix 的功能就更强大了,它允许我们混合使用下标和名称进行选取
    

4.数据处理

  • 整理全国部分城市2009-2018年平均房价数据anjuekefangjia.csv

5.实例展示

数据文件读取

df = pd.read_csv(csv文件)
local = df.set_value(index) 
  • 1.全国部分城市2009-2018平均房价极坐标图
    from pyecharts import Polar
    radius = [u"2009年", u"2010年", u"2011年", u"2012年",
    u"2013年",u"2014年",u"2015年",u"2016年",u"2017年",u"2018年"]
    # polar = Polar(u"2009-2018部分城市房价变化趋势", width=1200, height=1100)
    polar = Polar( width=1200, height=1100)
    for name in df.city_name:
       if len(local.ix[name][2:])<5:
           continue
       polar.add(name, local.ix[name][2:], radius_data=radius,
               type='barRadius', is_stack=True)
    polar.render()
    
  • 效果展示


    pyecharts做数据可视化(二)_第1张图片
    2009-2018部分城市平均房价极坐标图
    1. 全国部分城市2018年平均房价热力图
    from pyecharts import Map
    map = Map("", width=1200, height=600)
    map.add("2018年全国主要城市房价均值", df.province, df.price,       maptype='china',visual_text_color='#000',is_visualmap=True, is_label_show=True)
    map.render()
    
    
  • 效果展示


    pyecharts做数据可视化(二)_第2张图片
    全国部分城市2018年平均房价热力图
  • 3.全国部分城市2009-2018房价均值趋势折线图
    from pyecharts import Line
    attr = [u"2009年", u"2010年", u"2011年", u"2012年",u"2013年",
           u"2014年",u"2015年",u"2016年",u"2017年",u"2018年"]
    line = Line(u"全国部分城市房价变化趋势",height=1000,width = 1200)
    for name in df.city_name:
        if len(local.ix[name][2:]) < 10:
            continue
        line.add(name, attr,local.ix[name][2:],
             mark_point=["max", "min"],  mark_line=["average"],
             yaxis_formatter="元/m²")
    line.render()
    
  • 效果展示


    pyecharts做数据可视化(二)_第3张图片
    全国部分城市2009-2018房价变化趋势

详细代码和样例html文件后期整理及时更新,也可以私信哦

你可能感兴趣的:(pyecharts做数据可视化(二))