pyecharts多维数据可视化

前言

所谓多维，就是数据不仅仅有x,y两列，而是有多列数据特征需要展示。这里主要分为两类展示方法，一类是用多张图展示多个数据，一类是一张图上展示多列数据。

导包:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import json
from pandas.io.json import json_normalize
from collections import Counter

单图中多列数据并列

读入数据和数据预处理：

#导入男鞋数据
op1=open(r'D:\python学习\数据分析与可视化数据\shoes.json', 'r',encoding='utf-8')
li=[]
dict1={
    
    }
for i in op1:
    k=json.loads(i.encode("utf-8"))#把字符串转换为json
    li.append(k)
a=json_normalize(li)#把由json数据构成的列表转换成数据框

a.groupby("nick").size().sort_values(ascending=False)#按店铺排序，nick是店铺的列名称

我们按店铺排序得到了上面的结果，现在计算上面排名前二的两个商家各个款式的对应的商品数量，并且组成矩阵，使得第一列是"意尔康皮鞋旗舰店"对应的商品数量，第二列是"米兰多格商场"的：

t1=a[a.nick=="意尔康皮鞋旗舰店"].groupby("info.款式").size()#=a[a.nick=="意尔康皮鞋旗舰店"]是导出该店铺的所有数据，groupby("info.款式")表示根据不同款式分组
t2=a[a.nick=="米兰多格商场"].groupby("info.款式").size()
p0=pd.concat([t1,t2],axis=1,sort=False).fillna(0)#拼成数据框，concat的好处是可以包容索引不对齐的情况，axis=1表示横向合并，fillna(0)表示不存在的变成0

结果如下：

利用上面的数据做出如下的柱图，注意这里包含了两个商家的数据

图的布局

导入作图的包：

from pyecharts.globals import ThemeType
from pyecharts.faker import Faker
from pyecharts import options as opts
from pyecharts.charts import Bar

把两列数据放在一起：
只需要增加bar.add_yaxis()

bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.PURPLE_PASSION))
bar.add_xaxis(p0[0].index.tolist())
bar.add_yaxis("意尔康皮鞋旗舰店", p0[0].tolist())
bar.add_yaxis("米兰多格商场", p0[1].tolist())
bar.set_global_opts(title_opts=opts.TitleOpts(title="某商场销售情况"),toolbox_opts=opts.ToolboxOpts())
bar.render_notebook()

结果如下：

图形的并列

我们同样也可以让多图在一个界面中显示，做的逻辑就是先分别作图，然后利用一个函数把它们加在一起。

from pyecharts.faker import Faker
from pyecharts import options as opts
from pyecharts.charts import Bar, Grid, Line,Scatter#导入Grid

#先做一个图
f1=Bar()
f1.add_xaxis(p0.index.tolist())
f1.add_yaxis("意尔康皮鞋旗舰店", p0[0].tolist())
f1.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"), legend_opts=opts.LegendOpts(pos_left="25%"))

#做第二个图
f2=Bar()
f2.add_xaxis(p0.index.tolist())
f2.add_yaxis("米兰多格商场", p0[1].tolist())
f2.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"), legend_opts=opts.LegendOpts(pos_right="25%"))

#把两个图合并
g1 = Grid()
g1.add(f1,grid_opts=opts.GridOpts(pos_left="55%"))
g1.add(f2,grid_opts=opts.GridOpts(pos_right="55%"))
g1.render_notebook()

结果如下：

图形选项卡

用选项卡的形式做两个图，点哪个选项就出现什么图。实现的逻辑就是先把每一个图做出来，然后用tab函数来运行。

from pyecharts.charts import Tab#导入Tab
from pyecharts.components import Table

f1=Bar()
f1.add_xaxis(p0.index.tolist())
f1.add_yaxis("意尔康皮鞋旗舰店", p0[0].tolist())
f1.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"))

f2=Bar()
f2.add_xaxis(p0.index.tolist())
f2.add_yaxis("米兰多格商场", p0[1].tolist())
f2.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"))

tab = Tab()
tab.add(f1, "意尔康皮鞋旗舰店")
tab.add(f2, "米兰多格商场")
tab.render_notebook()

结果如下：

时间线轮播

时间线轮播也是多图的形式，以滚动呈现。

from pyecharts.charts import Timeline

f1=Bar()
f1.add_xaxis(p0.index.tolist())
f1.add_yaxis("意尔康皮鞋旗舰店", p0[0].tolist())
f1.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"))

f2=Bar()
f2.add_xaxis(p0.index.tolist())
f2.add_yaxis("米兰多格商场", p0[1].tolist())
f2.set_global_opts(title_opts=opts.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"))

tl = Timeline()
tl.add(f1, "意尔康皮鞋旗舰店")
tl.add(f2, "米兰多格商场")
tl.render_notebook()

结果如下：

3d柱状图与热图

• 对于多维数据，3d图是非常形象的表现方法，x,y轴通常表示两个条件限定，z轴（柱的高度）通常表示在这样限定下的数量
• 注意pyecharts3d柱状图的数据格式，x,y分别对应有哪些类别，通常是一个列表，而data是一个三元列表，前两个为确定哪两个类别，通过序号指代，最后一个为数量
  导包：

from pyecharts.faker import Faker
from pyecharts import options as opts
from pyecharts.charts import Bar3D
import random

3d柱状图

根据例子来理解3d柱状图，求出"info.鞋面材质","info.风格"这两个特征下商品的数量

#因为x、y有很多重复的，所有需要进行一定的处理
x=[]
y=[]
data=[]#data是放x、y 的索引的
n=0
for i in p0.items():
    if i[0][0] not in x:
        x.append(i[0][0])
    if i[0][1] not in y:
        y.append(i[0][1])
    data.append([x.index(i[0][0]),y.index(i[0][1]),i[1]])

f3=Bar3D()
f3.add("",data,
       xaxis3d_opts=opts.Axis3DOpts(x, type_="category"),
       yaxis3d_opts=opts.Axis3DOpts(y, type_="category"),
       zaxis3d_opts=opts.Axis3DOpts(type_="value")
      ).set_global_opts(
        visualmap_opts=opts.VisualMapOpts(max_=20),
        title_opts=opts.TitleOpts(title="Bar3D-基本示例"),
        )
f3.render_notebook()

结果如下：

热图

import random
from pyecharts.faker import  Faker
from pyecharts import options as opts
from pyecharts.charts import HeatMap

f4=HeatMap()
f4.add_xaxis(x)
f4.add_yaxis("series0", y, data)
f4.set_global_opts(
            title_opts=opts.TitleOpts(title="HeatMap-基本示例"),
            visualmap_opts=opts.VisualMapOpts(),
        )
f4.render_notebook()

结果如下：

店铺特征矩阵的构建

#把商品销量提取出来，并把对应列表的类型转化为数
a.sales=a.sales.str.split("人",expand=True)[0]
a.sales = a.sales.astype(np.int64)#转换列的类型为整数
a.price = a.price.astype(np.float)

#求出各个商品的销售额并把它并入到原始数据框中去
z1=a.sales*a.price#算出商品的销售额
z1.name="xse"
a1=pd.concat([a,z1],axis=1)#给序列命名之后添加入数据框就会直接以序列名作为列标

先做成字典，把各个特征放入字典中
te_zheng={
    
    "nick":[],"z_xse":[],"z_num":[],"p_sales":[],"p_bdj":[],"p_price":[]}
for i in a1.groupby("nick"):#循环i对应的是店铺的名称，分组里面每一组的商品都属于同一个店的
    te_zheng["nick"].append(i[0])
    te_zheng["z_xse"].append(i[1].xse.sum())
    te_zheng["z_num"].append(len(i[1]))
    te_zheng["p_sales"].append(round(i[1].sales.mean(),1))
    if i[1].sales.sum()==0:#存在除零的情况，所以做判断
        te_zheng["p_bdj"].append(0)
    else:
        te_zheng["p_bdj"].append(round(i[1].xse.sum()/i[1].sales.sum(),1))
    te_zheng["p_price"].append(round(i[1].price.mean(),1))

# 把字典转化为数据框，并基于销售额排序
df_te_zheng=pd.DataFrame(te_zheng)
df_te_zheng.sort_values(by="z_xse",ascending=False,inplace=True)
df_te_zheng.head()

结果如下：

散点图

from pyecharts.charts import Scatter#导入散点图的包
f1=Scatter()
f1.add_xaxis(df_te_zheng[0:20].z_xse.tolist())
f1.add_yaxis("商家A",df_te_zheng[0:20].p_bdj.tolist())
f1.set_global_opts(xaxis_opts=opts.AxisOpts(type_='value'))#注意pyechart的x轴通常默认为类别轴，需要重新设定为数值轴
f1.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
f1.render_notebook()

平行坐标系

• 平行坐标系是能够展示数据维度最自由的图形，但是最好对象不要太多
• 注意平行坐标系的数据格式

利用商家的特征矩阵，做出排名前五的商家的平行坐标系，并基于适当的分析

from pyecharts import options as opts
from pyecharts.charts import Page, Parallel
z1=df_te_zheng.head(5)
z1
for i in z1.iterrows():
    print(i[1].tolist()[1:])

data1=[]
for i in z1.iterrows():
    data1.append(i[1].tolist()[1:])
data1

f2=Parallel().add_schema(
            [
                {
    
    "dim": 0, "name": "z_xse"},#注意这里的序号对应于data1中列表的索引
                {
    
    "dim": 1, "name": "z_num"},
                {
    
    "dim": 2, "name": "p_sales"},
                {
    
    "dim": 3, "name": "p_bdj"},
                {
    
    "dim": 4, "name": "p_price"},
            ]
        )
f2.add("parallel", data1)
f2.set_global_opts(title_opts=opts.TitleOpts(title="Parallel-基本示例"))
f2.render_notebook()

结果如下：