pyecharts的Tab和Legend布局详情
导言：
读者朋友有时候是不是和我有一样的困惑，用惯了matplotlib和seaborn绘制各种各样的小图供自己观察的时候还算得心应手，但是一旦到了要持续的大批量绘制一些图表供非数据分析人员长久观察的时候又觉得吃力，那么有没有一款第三方python模块能够帮我们解决这种困惑呢？答案是肯定的，这就要推荐我们今天的主角——pyecharts。
pyecharts是百度开源的一款第三方绘图模块，结合的python语言的简易性和Echarts的强大绘图特性，可以用python对其调用，输出交互性好，精美乖巧且符合审美的图表，而且还可以轻松的集成到Flask，Django 等主流 Web 框架，方便自己和别人长久可持续观看。
一、布局设计思路
抛开数据谈布局简直有点天荒夜谈，数据长什么样决定了图表的花容月貌，熟稔自己手里的数据才能知自知彼绘制出优美的图表出来，首先看一下我们样例数据长什么样。
上图是我们的数据表，主要包含的字段有id, flight_date,cargo_type,cargo_weight以及cargo_rate, 其中id类似身份识别号，数量大约有400个左右，一个id就是一个主体，flight_date是记录id的时间，单位是日期，cargo_type表示主体承载的货物类别主要有"A;B", "C;D;E"和 "M"三大类，而cargo_weight和cargo_rate分别表示货物的重量和价格，这种类型的数据是不是像极了我们平时遇到的 各个门店里各类商品每天的销售数据。
知道了数据长什么样子后，我们就可以在草稿纸上画一画，比如我希望把cargo_weight和cargo_rate两者随着时间的变化而展现出的优美走位绘制出来，自然而然，flight_date就作为时间线索横梗在下面，cargo_weight和cargo_rate画在横坐标之上的两位舞者，为了区分，可以用柱状图绘制cargo_weight, 用曲线绘制cargo_rate，犹如蛟龙在群峰之间蜿蜒向前，为了区分刻画cargo_weight和cargo_rate两者之间不同数量级，我还需要引入主纵坐标和副纵坐标，用主坐标刻画cargo_weight的度量，用副坐标刻画cargo_rate的度量，有了这些基本要素之后，接下来问题的关键是怎么把id和cargo_type各放恰当的位置？这的确需要动些脑子，考虑到id和cargo_type两者的数量，可以把cargo_type作为Tab标签，而id作为Legend图例，可以让观察者每选定一个主体就能看到这个主体不同cargo_type的历史上cargo_weight和cargo_rate走势情况，而且还可以赋予每一个cargo_type一个主体配置。
二、操作实践
有了蓝图便胸有成竹，下面便是撰写代码实现的时候了
import pandas as pd
import pymysql
import pyecharts
from pyecharts import options as opts
from pyecharts.charts import Bar, Grid, Line, Tab
from pyecharts.globals import ThemeType
con = pymysql.Connect(host='000.00.0.00', user ='***', passwd='******', database='***')
r_sql = "select id, cargo_type, flight_date, cargo_weight, cargo_rate from adm.adm_ifs_rate_order_price order by flight_date asc, voyage desc" #航班订单数据
f_sql = "select concat(flight_no, '-', orac_3airport, '-', dstc_3airport) as id from ods.dm_flt_info where flight_date = date_sub(curdate(), INTERVAL -1 day) order by id asc" #次日航班计划
raw_data = pd.read_sql(con = con, sql = r_sql) #读取运单原数据
flight_id = pd.read_sql(con = con, sql = f_sql )['id'] #读取航班计划
con.close() #关闭链接
flight_cargo = raw_data.query("id == @flight_id[0]") #筛选具体航班
cargo_type = ['A;B', 'C;D;E', 'M']
cargo_ab = flight_cargo.query("cargo_type == @cargo_type[0] ")[["flight_date", "cargo_weight", "cargo_rate"]] #筛选某个货物类别
cargo_cde = flight_cargo.query("cargo_type == @cargo_type[1] ")[["flight_date", "cargo_weight", "cargo_rate"]] #筛选某个货物类别
cargo_m = flight_cargo.query("cargo_type == @cargo_type[2] ")[["flight_date", "cargo_weight", "cargo_rate"]] #筛选某个货物类别
def ab_() -> Grid:
bar = (
Bar()
.add_xaxis(cargo_ab.flight_date.values.tolist())
.add_yaxis("运量", cargo_ab.cargo_weight.values.tolist(), yaxis_index=0)
.set_series_opts(
itemstyle_opts=opts.ItemStyleOpts(
opacity=0.5,
)
)
.extend_axis(
yaxis=opts.AxisOpts(
type_="value",
name="运价",
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#675bba")
),
splitline_opts=opts.SplitLineOpts(
is_show=True, linestyle_opts=opts.LineStyleOpts(opacity=0.5)
),
)
)
.set_global_opts(
title_opts = opts.TitleOpts(title = flight_id[0]),
yaxis_opts=opts.AxisOpts(name="运量"),
datazoom_opts = opts.DataZoomOpts(),
)
)
line = (
Line()
.add_xaxis(cargo_ab.flight_date.values.tolist())
.add_yaxis("运价", cargo_ab.cargo_rate.values.tolist(),yaxis_index=1
)
)
bar.overlap(line)
return Grid().add(
bar, opts.GridOpts(pos_left="5%", pos_right="20%"), is_control_axis_index=True
)
def cde_() -> Grid:
bar = (
Bar()
.add_xaxis(cargo_cde.flight_date.values.tolist())
.add_yaxis("运量", cargo_cde.cargo_weight.values.tolist(), yaxis_index=0)
.set_series_opts(
itemstyle_opts=opts.ItemStyleOpts(
opacity=0.5,
)
)
.extend_axis(
yaxis=opts.AxisOpts(
type_="value",
name="运价",
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#675bba")
),
splitline_opts=opts.SplitLineOpts(
is_show=True, linestyle_opts=opts.LineStyleOpts(opacity=0.5)
),
)
)
.set_global_opts(
title_opts=opts.TitleOpts(title=flight_id[0]),
yaxis_opts=opts.AxisOpts(name="运量"),
datazoom_opts=opts.DataZoomOpts(),
)
)
line = (
Line()
.add_xaxis(cargo_cde.flight_date.values.tolist())
.add_yaxis("运价", cargo_cde.cargo_rate.values.tolist(),yaxis_index=1
)
)
bar.overlap(line)
return Grid().add(
bar, opts.GridOpts(pos_left="5%", pos_right="20%"), is_control_axis_index=True
)
def m_() -> Grid:
bar = (
Bar()
.add_xaxis(cargo_m.flight_date.values.tolist())
.add_yaxis("运量", cargo_m.cargo_weight.values.tolist(), yaxis_index=0)
.set_series_opts(
itemstyle_opts=opts.ItemStyleOpts(
opacity=0.5,
)
)
.extend_axis(
yaxis=opts.AxisOpts(
type_="value",
name="运价",
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#675bba")
),
splitline_opts=opts.SplitLineOpts(
is_show=True, linestyle_opts=opts.LineStyleOpts(opacity=0.5)
),
)
)
.set_global_opts(
title_opts=opts.TitleOpts(title=flight_id[6]),
yaxis_opts=opts.AxisOpts(name="运量"),
datazoom_opts=opts.DataZoomOpts(),
)
)
line = (
Line()
.add_xaxis(cargo_m.flight_date.values.tolist())
.add_yaxis("运价", cargo_m.cargo_rate.values.tolist(),yaxis_index=1
)
)
bar.overlap(line)
return Grid().add(
bar, opts.GridOpts(pos_left="5%", pos_right="20%"), is_control_axis_index=True
)
tab = Tab()
tab.add(ab_(), "A;B")
tab.add(cde_(), "C;D;E")
tab.add(m_(), "M")
tab.render_notebook()下面结合效果图对代码做一下简单的解析，整个代码可以分3大块，第一块是连接数据库读取原数据并将数据一分为三，每一份数据为一个独立的货物类别；第二块是各用一个函数实现某类别货物cargo_weight和cargo_rate展示，而每一个函数作为Tab的参数进行调用，这样，每一个类别形成一个Tab，每一个Tab下面刚好有这个id的历史cargo_weight和cargo_rate走势情况，这样做样做的好处，用Tab就可以划分了cargo_type中"A;B", "C;D;E"和 "M"三个类别；最后调用render_notebook函数把所有Tab渲染出来。
结论：
效果图可以看到如果只要画一个id的各类货物的cargo_weight和cargo_rate走势的话，效果还是不错的，然而我们的id数目高达400个，上述方法很难奏效，我们希望让id去替换上图的运量和运价两个图例，形成id簇的图例，最好还可以对图例进行选择或者翻页
到此这篇关于pyecharts的Tab和Legend布局详情的文章就介绍到这了,更多相关Tab和Legend布局内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！
相关文章
Numpy是Python中常见的数据处理库，是数据科学中经常使用的库。在本文中，我们将学习如何迭代遍历访问矩阵中的元素，需要的可以参考一下2022-04-04
这篇文章主要为大家详细介绍了python数据可视化之条形图画法，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下2022-04-04
这篇文章主要介绍了Python如何把字典写入到CSV文件的方法示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2020-08-08
本文是面向SEO人群的Python程序语言入门教程，也适用于其他没有程序基础但想学习些程序，以解决简单的实际应用需求的人群。在后面会尽量用最基础的角度来介绍这门语言2012-07-07
对象存储（Cloud Object Storage，COS）是一种存储海量文件的分布式存储服务，具有高扩展性、低成本、可靠安全等优点。这篇文章主要介绍了Python 转移文件至云对象存储,需要的朋友可以参考下2021-02-02
这篇文章主要介绍了windows、linux下打包Python3程序详细方法,需要的朋友可以参考下2020-03-03
Excel工作簿作为一款广泛使用的数据管理工具,与Python相结合,可以使得自动化处理大量数据成为可能,本文将演示如何使用Python设置、更新以及获取Excel文件中单元格的值,希望对大家有所帮助2024-10-10
今天我们就用 Python 来实现自动签到，省得我每天打开 APP 来操作了。感兴趣的朋友跟随小编一起看看吧2018-09-09
pyecharts是一个用于生成echarts图表的类库。echarts是百度开源的一个数据可视化库，用echarts生成的图可视化效果非常棒。使用pyechart库可以在python中生成echarts数据图。本文将详细介绍一下Pyecharts库的使用，需要的可以参考一下2022-02-02
这篇文章主要给大家介绍了利用python批量给云主机配置安全组的方法教程，文中介绍的非常详细，对大家具有一定的参考学习价值，需要的朋友们下面跟着小编一起来学习学习吧。2017-06-06
最新评论