【Python学习笔记】3. Python数据可视化开发入门案例

3.1 折线图

使用的技术：

• ECharts由百度团队开源，2018年初，捐赠给Apache基金会。ECharts是一款基于JavaScript的数据可视化图表库，提供直观，生动，可交互，可个性化定制的数据可视化图表。

3.1.1 JSON数据格式

• JSON：JavaScript Object Notation（JavaScript 对象表示法）
• JSON是一种轻量级的数据交互格式。
• 可以按照JSON指定的格式去组织和封装数据
• JSON本质上是一个带有特定格式的字符串
• JSON就是一种在各个编程语言中流通的数据格式，负责不同编程语言中的数据传递和交互
• C、Python、C++、Java、PHP、Go等编程语言都支持 JSON。

"""
	演示JSON数据和Python字典的相互转换
"""

import json

# 准备列表，列表内每个元素都是字典，转换为JSON字符串
myList = [{"name": "Mike", "age": 15}, {"name": "Tom", "age": 25}, {"name": "Bill", "age": 35}]
json_str1 = json.dumps(myList)
print(json_str1)
print(type(json_str1))

# 准备字典，转换为JSON字符串
myDict = {"name": "Mike", "age": 15}
json_str2 = json.dumps(myDict)
print(json_str2)
print(type(json_str2))

"""
	演示JSON数据和Python字典的相互转换
"""

import json

# 讲JSON字符串转换为Python数据类型[{k1: v1, k2: v2}, {k3: v3, k4: v4}]
myStr1 = '[{"name": "Mike", "age": 15}, {"name": "Tom", "age": 25}, {"name": "Bill", "age": 35}]'
js1 = json.loads(myStr1)
print(js1)
print(type(js1))

# 讲JSON字符串转换为Python数据类型{k1: v1, k2: v2}
myStr2 = '{"name": "Mike", "age": 15}'
js2 = json.loads(myStr2)
print(js2)
print(type(js2))

3.1.2 pyecharts折线图入门

from pyecharts.charts import Line

# 创建一个折线图对象
line = Line()
# 给折线图对象添加x轴的数据
line.add_xaxis(["中国", "美国", "英国"])
# 给折线图对象添加y轴的数据
line.add_yaxis("GDP", [30, 20, 10])
# 通过render方法，将代码生成为图像
line.render()

至此已经得到一个简单折线图，现在进行全局配置，以使之更美观

from pyecharts.charts import Line
from pyecharts.options import TitleOpts, LegendOpts, ToolboxOpts, VisualMapOpts

# 创建一个折线图对象
line = Line()
# 给折线图对象添加x轴的数据
line.add_xaxis(["中国", "美国", "英国"])
# 给折线图对象添加y轴的数据
line.add_yaxis("GDP", [30, 20, 10])
# 设置全局配置项
line.set_global_opts(
	# 设置标题
	title_opts=TitleOpts(title="GDP展示图", pos_left="center", pos_bottom="1%"),
	# 设置图例
	legend_opts=LegendOpts(is_show=True),
	# 右上角工具箱
	toolbox_opts=ToolboxOpts(is_show=True),
	# 视觉映射
	visualmap_opts=VisualMapOpts(is_show=True)
)
# 通过render方法，将代码生成为图像
line.render()

3.1.3 案例：2020年美日印新冠累计确诊人数

import json
from pyecharts.charts import Line
from pyecharts.options import TitleOpts, LegendOpts, LabelOpts

# 读取数据
f_us = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\美国.txt", "r", encoding="UTF-8")
f_jp = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\日本.txt", "r", encoding="UTF-8")
f_in = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\印度.txt", "r", encoding="UTF-8")
us_data = f_us.read()
jp_data = f_jp.read()
in_data = f_in.read()

# JSON转Python字典
us_dict = json.loads(us_data)
jp_dict = json.loads(jp_data)
in_dict = json.loads(in_data)

# 获取trend key
us_trend_data = us_dict['data'][0]['trend']
jp_trend_data = jp_dict['data'][0]['trend']
in_trend_data = in_dict['data'][0]['trend']

# 获取日期数据，用于x轴
us_x_data = us_trend_data['updateDate'][:314]
jp_x_data = jp_trend_data['updateDate'][:314]
in_x_data = in_trend_data['updateDate'][:314]

# 获取确认数据，用于Y轴
us_y_data = us_trend_data['list'][0]['data'][:314]
jp_y_data = jp_trend_data['list'][0]['data'][:314]
in_y_data = in_trend_data['list'][0]['data'][:314]

# 设置图表参数
line = Line()
line.add_xaxis(us_x_data)
line.add_yaxis("美国确诊人数", us_y_data, label_opts=LabelOpts(is_show=False))
line.add_yaxis("日本确诊人数", jp_y_data, label_opts=LabelOpts(is_show=False))
line.add_yaxis("印度确诊人数", in_y_data, label_opts=LabelOpts(is_show=False))

# 设置全局配置项
line.set_global_opts(
	# 设置标题
	title_opts=TitleOpts(title="2020年美日印新冠确诊折线图", pos_left="center", pos_bottom="1%"),
	# 设置图例
	legend_opts=LegendOpts(is_show=True),
)


line.render()

# 关闭文件对象
f_us.close()
f_jp.close()
f_in.close()

3.2 地图

3.2.1 pyecharts地图入门

from pyecharts.charts import Map
from pyecharts.options import VisualMapOpts

# 准备地图对象
map = Map()

# 准备数据
data = [
	("北京市", 5),
	("上海市", 8),
	("山西省", 50),
	("河北省", 80),
	("陕西省", 200),
	("河南省", 500)
]

# 添加数据
map.add("测试地图", data, "china")

# 设置全局选项
map.set_global_opts(
	visualmap_opts=VisualMapOpts(
		is_show=True,
		is_piecewise=True,
		pieces=[
			{"min": 1, "max": 9, "label": "1-9", "color": "#CCFFFF"},
			{"min": 10, "max": 99, "label": "10-99", "color": "#FF6666"},
			{"min": 100, "max": 500, "label": "100-500", "color": "#990033"}
		]
	)
)

# 绘图
map.render()

3.2.2 案例：全国疫情地图可视化

import json
from pyecharts.charts import Map
from pyecharts.options import *

# 读取数据
f = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\疫情.txt", "r", encoding="UTF-8")
data = f.read()

# 关闭文件
f.close()

# 取到各省的数据
# 将字符串JSON转化为Python字典
data_dict = json.loads(data)

# 组装每个省份和确诊人数为元组，并将各个省的数据封装入列表内
province_data_list = data_dict["areaTree"][0]["children"]
data_list = []
for province_data in province_data_list:
	province_name = province_data["name"] + "省"  # 省份名称
	province_confirm = province_data["total"]["confirm"]  # 确诊人数
	data_list.append((province_name, province_confirm))

# 创建地图对象
myMap = Map()

# 添加数据
myMap.add("各省份确诊人数", data_list, "china")

# 设置全局变量，定制分段的视觉映射
myMap.set_global_opts(
	title_opts=TitleOpts(title="全国疫情地图"),
	visualmap_opts=VisualMapOpts(
		is_show=True,
		is_piecewise=True,
		pieces=[
			{"min": 1, "max": 99, "label": "1-99人", "color": "#CCFFFF"},
			{"min": 100, "max": 999, "label": "100-999人", "color": "#FFFF99"},
			{"min": 1000, "max": 4999, "label": "1000-4999人", "color": "#FF9966"},
			{"min": 5000, "max": 9999, "label": "5000-9999人", "color": "#FF6666"},
			{"min": 10000, "max": 99999, "label": "10000-99999人", "color": "#CC3333"},
			{"min": 100000, "label": "100000人以上", "color": "#990033"}
		]
	)
)

# 绘图
myMap.render("全国疫情地图.html")

PS：因版本原因，省级行政区名与地图不匹配，部分无法显示

3.2.3 案例：省级疫情地图可视化

import json
from pyecharts.charts import Map
from pyecharts.options import *

# 读取数据
f = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\疫情.txt", "r", encoding="UTF-8")
data = f.read()

# 关闭文件
f.close()

# 取到山西省的数据
# 将字符串JSON转化为Python字典
data_dict = json.loads(data)

# 组装每个市和确诊人数为元组，并将各个省的数据封装入列表内
city_data_list = data_dict["areaTree"][0]["children"][21]["children"]
data_list = []
for city_data in city_data_list:
	city_name = city_data["name"] + "市"  # 省份名称
	city_confirm = city_data["total"]["confirm"]  # 确诊人数
	data_list.append((city_name, city_confirm))

# 创建地图对象
myMap = Map()

# 添加数据
myMap.add("山西省确诊人数", data_list, "山西")

# 设置全局变量，定制分段的视觉映射
myMap.set_global_opts(
	title_opts=TitleOpts(title="山西省疫情地图"),
	visualmap_opts=VisualMapOpts(
		is_show=True,
		is_piecewise=True,
		pieces=[
			{"min": 1, "max": 9, "label": "1-9人", "color": "#CCFFFF"},
			{"min": 10, "max": 99, "label": "10-99人", "color": "#FFFF99"},
			{"min": 100, "label": "100人以上", "color": "#990033"}
		]
	)
)

# 绘图
myMap.render("山西省疫情地图.html")

3.3 柱状图

3.3.1 pyecharts基础柱状图入门

from pyecharts.charts import Bar

# 使用Bar构建基础柱状图
bar = Bar()
bar.add_xaxis(["CHA", "USA", "UK"])
bar.add_yaxis("GDP", [50, 40, 30], label_opts=LabelOpts(position="right"))

# 反转x轴和y轴
bar.reversal_axis()


bar.render("基础柱状图.html")

3.2.3 pyecharts基础时间线柱状图入门

from pyecharts.charts import Bar, Timeline
from pyecharts.options import LabelOpts

# 使用Bar构建基础柱状图
bar1 = Bar()
bar1.add_xaxis(["CHA", "USA", "UK"])
bar1.add_yaxis("GDP", [50, 40, 30], label_opts=LabelOpts(position="right"))
bar1.reversal_axis()

bar2 = Bar()
bar2.add_xaxis(["CHA", "USA", "UK"])
bar2.add_yaxis("GDP", [70, 50, 40], label_opts=LabelOpts(position="right"))
bar2.reversal_axis()

bar3 = Bar()
bar3.add_xaxis(["CHA", "USA", "UK"])
bar3.add_yaxis("GDP", [100, 80, 70], label_opts=LabelOpts(position="right"))
bar3.reversal_axis()

# 添加时间线对象
timeLine = Timeline()
timeLine.add(bar1, "点1")
timeLine.add(bar2, "点2")
timeLine.add(bar3, "点3")

# 设置时间线对象
timeLine.add_schema(
	play_interval=1000,  # 单位：毫秒
	is_timeline_show=True,
	is_auto_play=True,
	is_loop_play=True
)

# 绘图
timeLine.render("基础时间线柱状图.html")

3.3.3 案例：动态GDP增长图

from pyecharts.charts import Bar, Timeline
from pyecharts.options import *

# 读取数据
f = open("D:\\MyStudy\\MyCode\\PycharmProjects\\py_01\\1960-2019全球GDP数据.csv", "r", encoding="GB2312")
data_lines = f.readlines()

# 关闭文件
f.close()

# 删除第一条数据
data_lines.pop(0)

# 将数据转换为字典存储
# 格式：{ 1960: [ ["USA", 123456], ["CHA", 123456] ],
# 		 1961: [ ["USA", 123456], ["CHA", 123456] ]
# 	   }
data_dict = {}
for line in data_lines:
	year = int(line.split(",")[0])
	country = line.split(",")[1]
	gdp = float(line.split(",")[2])
	try:
		data_dict[year].append([country, gdp])
	except KeyError:
		data_dict[year] = []
		data_dict[year].append([country, gdp])

# 创建时间线对象
timeLine = Timeline()

# 排序年份
sorted_year_list = sorted(data_dict.keys())

# for循环提取每一年的数据
for sorted_year in sorted_year_list:
	data_dict[sorted_year].sort(key=lambda element: element[1], reverse=True)
	year_data = data_dict[sorted_year][0:8]
	x_data = []
	y_data = []
	for country_gdp in year_data:
		x_data.append(country_gdp[0])
		y_data.append(country_gdp[1] / 100000000)		# 按亿为单位
	# 反转后插入
	x_data.reverse()
	y_data.reverse()
	# 基于每一年的数据，创建每一年的bar对象
	bar = Bar()
	bar.add_xaxis(x_data)
	bar.add_yaxis("GDP(亿)", y_data, label_opts=LabelOpts(position="right"))
	# 反转x轴与y轴
	bar.reversal_axis()
	bar.set_global_opts(
		title_opts=TitleOpts(title=f"{sorted_year}年全球GDP前八位")
	)
	# 在for中，将每一年的bar对象添加到时间线中
	timeLine.add(bar, str(sorted_year))

# 设置时间线对象
timeLine.add_schema(
	play_interval=1000,  # 单位：毫秒
	is_timeline_show=True,
	is_auto_play=True,
	is_loop_play=False
)

# 绘图
timeLine.render("1960-2019全球GDP前八位.html")