目录
简介
安装过程
关于版本问题
柱状图使用方法
(一)简单使用
(二)高阶使用
总结
简介
Echarts是一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 是一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。对比与传统可视化matplotlib模块时,Pyecharts更适合用于商业应用,其特殊样式之多深受广大行业者的喜爱。
Pyecharts的官方文档:/#/
安装过程
PyCharm的安装方法:
创建项目空间,左上角点击File ---> Settings ---> Project:xxx (Python Interpreter) 中下载Pyecharts包
Jupyter Notebook安装方法:
!pip install pyecharts#默认安装最高版本!pip install pyecharts==0.5.6#安装指定版本
关于版本问题
pyecharts 分为 v0.5.x 和 v1.x 两个大版本,而新版本是不向下兼容的。1.x版本只支持python3.6+。并且在接下来我都讲以v1的版本展示可视化。
柱状图使用方法
Pyecharts 所有方法均支持链式调用。以下我采用的是链式调用。
(一)简单使用
import pandas as pdfrom pyecharts import options as optsfrom pyecharts.charts import Bardf=pd.read_csv(r'C:\Users\86150\ccx\pyecharts\LPL_Data_analysis\lpl.csv')#读取数据mid=df.loc[df['位置']=='中单']mid=mid.sort_values(by='KDA',ascending=False).head(10)#取所有的中单选手并按KDA降序排列并取前十位选手bar=(Bar().add_xaxis(list(mid['选手'])).add_yaxis('KDA',list(mid['KDA'])))bar.render_notebook()#如果是在PyCharm中使用,图片展示应该为bar.render('./xxx.html'),保存在当前路径下的html文件
(二)高阶使用
MID=df.loc[df['位置']=='中单']m_avgkill=MID.sort_values(by="场均击杀").tail(10)#取所有的中单选手并按场均击杀默认升序排列并取后十位选手bar=(Bar().add_xaxis(list(m_avgkill['选手'])).add_yaxis('场均击杀',list(m_avgkill['场均击杀'])).add_yaxis('场均死亡',list(m_avgkill['场均死亡'])).add_yaxis('场均助攻',list(m_avgkill['场均助攻'])).add_yaxis('KDA',list(m_avgkill['KDA'])).reversal_axis()#xy轴翻转.set_series_opts(label_opts=opts.LabelOpts(position="right",font_size=8))#若是xy轴翻转,要添加参数position,避免标签位置杂乱,font_size是调整标签大小的参数.set_global_opts(title_opts=opts.TitleOpts(title='LPL常规赛中单场均击杀排行榜'),yaxis_opts=opts.AxisOpts(name='选手'),xaxis_opts=opts.AxisOpts(name='各项数据'),toolbox_opts=opts.ToolboxOpts(is_show=True,#工具箱配置项feature={"saveAsImage": {'background_color':'white'} ,#保存图片"dataZoom":{"yAxisIndex": "none"},#区域放大与还原"magicType":{"show": True, "type":["line","bar"]},#折线图转换}),# visualmap_opts=opts.VisualMapOpts(is_show=True) 视觉映射配置项))bar.render_notebook()
至于还有其他系统配置项的使用,可以参考官方文档,里面讲的很详细。
总结
以上就是Pyecharts柱状图常用的一些方法,个人感觉Pyecharts的图更好看一点,并且附带交互式。后期还出继续更新其他样式图的使用方法,喜欢的朋友可以点个赞或者关注一下!
另外,需要LPL春季赛职业选手数据的朋友可以私信我。