Python-Python基础综合案例：数据可视化 - 折线图可视化

版本说明

当前版本号[20230729]。

版本	修改说明
20230729	初版

目录

知识总览图

Python基础综合案例：数据可视化 - 折线图可视化

效果一：2020年印美日新冠累计确诊人数

​ 2020年是新冠疫情爆发的一年, 随着疫情的爆发, 国内外确诊人数成了大家关心的热点, 相信大家都有看过类似的疫情报告. 本案例对印度美国日本三个国家确诊人数的进行了可视化处理, 形成了可视化的疫情确诊人数报告.

效果二：全国疫情地图可视化

效果三：动态GDP增长图

数据来源

本案例数据全部来自 <<百度疫情实时大数据报告>>，及公开的全球各国GDP数据

使用的技术

​ Echarts 是个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可. 而 Python 是门富有表达力的语言，很适合用于数据处理. 当数据分析遇上数据可视化时pyecharts 诞生了.

json数据格式

什么是json

• 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

主要功能：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. 类似于：

• 国际通用语言-英语
• 中国56个民族不同地区的通用语言-普通话

json有什么用

​ 各种编程语言存储数据的容器不尽相同,在Python中有字典dict这样的数据类型, 而其它语言可能没有对应的字典。

​ 为了让不同的语言都能够相互通用的互相传递数据，JSON就是一种非常良好的中转数据格式。如下图，以Python和C语言互传数据为例：

json格式数据转化

json格式的数据要求很严格, 下面我们看一下他的要求

# json数据的格式可以是： 
{"name":"admin","age":18} 

# 也可以是：  
[{"name":"admin","age":18},{"name":"root","age":16},{"name":"张三","age":20}] 

Python数据和Json数据的相互转化

# 导入json模块
import json

# 准备符合格式json格式要求的python数据
data = [{"name": "老王", "age": 16}, {"name": "张三", "age": 20}]

# 通过 json.dumps(data) 方法把python数据转化为了 json数据
json_data = json.dumps(data, ensure_ascii=False)
print(type(json_data))
print(f"python数据转化为了json数据的结果：{json_data}")

# 通过 json.loads(data) 方法把json数据转化为了 python数据 
python_data = json.loads(json_data)
print(type(python_data))
print(f"json数据转化为了python数据的结果：{python_data}")

结果如下：（可见json和python里面对元素要求的格式也不一样，一个双引号一个单引号）

注：

通过 json.dumps(data) 方法把python数据转化为了 json数据

data = json.dumps(data)

如果有中文可以带上：ensure_ascii=False参数来确保中文正常转换

通过 json.loads(data) 方法把josn数据转化为了 python列表或字典

data = json.loads(data)

pyecharts模块介绍

​ 如果想要做出数据可视化效果图, 可以借助pyecharts模块来完成

概况

​ Echarts 是个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可. 而 Python 是门富有表达力的语言，很适合用于数据处理.

​ 当数据分析遇上数据可视化时pyecharts 诞生了.

如何查看官方示例

打开官方画廊：

https://gallery.pyecharts.org/#/README

使用在前面学过的pip命令即可快速安装PyEcharts模块

pip install pyecharts

pyecharts快速入门

基础折线图

示例代码：

from pyecharts.charts import Line
line = Line()
line.add_xaxis(["炸鸡", "薯条", "汉堡"])
line.add_yaxis("价格", [45, 33, 23])
line.render()

生成图表：

pyecharts有哪些配置选项

lpyecharts模块中有很多的配置选项, 常用到2个类别的选项:

• 全局配置选项
• 系列配置选项

set_global_opts方法

​ 这里全局配置选项可以通过set_global_opts方法来进行配置, 相应的选项和选项的功能如下:

​ 全局配置项能做什么？

• 配置图表的标题

• 配置图例

• 配置鼠标移动效果

• 配置工具栏

• 等整体配置项

  ​ 系列配置项，我们在后面构建案例时讲解

数据处理

原始数据格式:

导入模块:

再根据层级，一步步地去获取：

对数据进行整理, 让数据符合json格式:

import json
f_us = open("F:/美国.txt", "r", encoding="UTF-8")//打开文件
us_data = f_us.read()//全部读出来

# 把不符合json数据格式的 "jsonp_1629344292311_69436(" 去掉 ，再赋值回us_data
us_data = us_data.replace("jsonp_1629344292311_69436(", "")

# 把不符合json数据格式的 ");" 去掉，从后往前数去掉最后两个字节
us_data = us_data[:-2]

# 数据格式符合json格式后,对数据进行转化成字典
us_dict = json.loads(us_data)

# 获取美国的疫情数据 
trend_data = us_dict['data'][0]['trend']

# x1_data存放2020年日期数据 
x_data = trend_data['updateDate'][:314]

# y1_data存放2020年人数数据 
y_data = trend_data['list'][0]['data'][:314]

print(x_data)
print(y_data)

创建折线图

导入模块

折线图相关配置项

创建折线图

• 这里的Line()是构建类对象，我们先不必理解是什么意思，后续在Python高阶中进行详细讲解。
• 目前我们简单的会用即可

添加数据

.add_yaxis相关配置选项

set_global_opts全局配置选项

.set_global_opts(
	# 设置图标题和位置 
	title_opts=opts.TitleOpts(title="2020年 印美日 累计确诊人数对比图",pos_left="center"), 
	# x轴配置项 
	xaxis_opts=opts.AxisOpts(name=“时间”),    # 轴标题 
	# y轴配置项 
	yaxis_opts=opts.AxisOpts(name=“累计确诊人数”),    # 轴标题 
	# 图例配置项 
	legend_opts=opts.LegendOpts(pos_left=‘70%‘),    # 图例的位置 
)

示例代码：

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

f_us = open("F:/美国.txt", "r", encoding="UTF-8")
f_jp = open("F:/日本.txt", "r", encoding="UTF-8")
f_in = open("F:/印度.txt", "r", encoding="UTF-8")

us_data = f_us.read()
jp_data = f_jp.read()
in_data = f_in.read()

us_data = us_data.replace("jsonp_1629344292311_69436(", "")
jp_data = jp_data.replace("jsonp_1629350871167_29498(", "")
in_data = in_data.replace("jsonp_1629350745930_63180(", "")

us_data = us_data[:-2]
jp_data = jp_data[:-2]
in_data = in_data[:-2]

us_dict = json.loads(us_data)
jp_dict = json.loads(jp_data)
in_dict = json.loads(in_data)

trendus_data = us_dict['data'][0]['trend']
trendjp_data = jp_dict['data'][0]['trend']
trendin_data = in_dict['data'][0]['trend']

us_x_data = trendus_data['updateDate'][:314]
jp_x_data = trendjp_data['updateDate'][:314]
in_x_data = trendin_data['updateDate'][:314]

us_y_data = trendus_data['list'][0]['data'][:314]
jp_y_data = trendjp_data['list'][0]['data'][:314]
in_y_data = trendin_data['list'][0]['data'][:314]

epidemic_line = Line()  //构建折线图对象
epidemic_line.add_xaxis(us_x_data)  //x轴上的数据是共用的，所以使用一个国家的数据即可
epidemic_line.add_yaxis("美国确诊人数", us_y_data, label_opts=LabelOpts(is_show=False))
epidemic_line.add_yaxis("日本确诊人数", jp_y_data, label_opts=LabelOpts(is_show=False))
epidemic_line.add_yaxis("印度确诊人数", in_y_data, label_opts=LabelOpts(is_show=False))
//label_opts=LabelOpts(is_show=False) 是指不显示标签上的数字，看起来就不会那么杂

epidemic_line.set_global_opts(
    title_opts=TitleOpts(title="2020年美日印确诊人数对比折线图", pos_left="center", pos_bottom="1%"),
    legend_opts=LegendOpts(is_show=True),
    toolbox_opts=ToolboxOpts(is_show=True),
    axispointer_opts=AxisPointerOpts()
)

#调用方法，生成图表
epidemic_line.render()

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

折现图以下：