pyecharts做数据可视化(二)

当你拥有地域相关数据时，首先想到的制作工具是什么呢？Echarts、basemap（后期更新）、pyecharts、matplotlib、seaborn等等？不过今天我们先以pyecharts实现。

1.pyecharts 介绍

pyecharts用于生成Echarts图标的类库，Echarts是百度开源的一个数据可视化JS库
pyecharts 相关基础可参考 用python做数据可视化之pyecharts基础
pyecharts 官方文档可参考 pyecharts中文文档

2.地图底图下载

自从 v0.3.2 开始，为了缩减项目本身的体积以及维持 pyecharts 项目的轻量化运行，pyecharts 将不再自带地图 js 文件。如用户需要用到地图图表，可自行安装对应的地图文件包。下面介绍如何安装。

 pip install echarts-countries-pypkg
 pip install echarts-china-provinces-pypkg
 pip install echarts-china-cities-pypkg
 pip install echarts-china-counties-pypkg
 pip install echarts-china-misc-pypkg

• 1. 全球国家地图: echarts-countries-pypkg (1.9MB): 世界地图和 213 个国家，包括中国地图-
• 2. 中国省级地图: echarts-china-provinces-pypkg (730KB)：23 个省，5 个自治区
• 3. 中国市级地图: echarts-china-cities-pypkg (3.8MB)：370 个中国城市
• 4. 中国县区级地图: echarts-china-counties-pypkg (4.1MB)：2882 个中国县·区
• 5. 中国区域地图: echarts-china-misc-pypkg (148KB)：11 个中国区域地图，比如华南、华北。

3. pandas 相关知识点概述

• merge默认按相同字段合并，且取两个都有的。

  import pandas as pd
  df1=pd.DataFrame({'name':['kate','herz','catherine','sally'],
                'age':[25,28,39,35]})
  df2=pd.DataFrame({'name':['kate','herz','sally'],
                'score':[70,60,90]})
  # 1.merge默认按相同字段合并，且取两个都有的。
  pd.merge(df1,df2)
  # 2. 当左右连接字段不相同时，使用left_on,right_on
  pd.merge(df1,df2,left_on="name",right_on='call_name')
  # 3. 合并后，删除重复的列
  pd.merge(df1,df2,left_on='name',right_on='call_name').drop('name',axis=1)
  # 4.参数how的使用 1).默认：inner 内连接，取交集 2).outer 外连接，取并集，并用nan填充”
  pd.merge(df1,df2,on='name',how='inner')
  df3=pd.DataFrame({'name':['kate','herz','sally','cristin'],
                'score':[70,60,90,30]})
  pd.merge(df1,df3,on='name',how='outer')    
  

• set_index 可以设置单索引和复合索引。

  DataFrame.set_index(keys, drop=True, append=False, inplace=False, verify_integrity=False) 
  # append添加新索引，drop为False，inplace为True时，索引将会还原为列
  

• reset_index可以还原索引，从新变为默认的整型索引

  DataFrame.reset_index(level=None, drop=False, inplace=False, col_level=0, col_fill=”) 
  # level控制了具体要还原的那个等级的索引 
  # drop为False则索引列会被还原为普通列，否则会丢失
  

• loc、iloc、ix 区别

  # 如果你知道column names 和index，且两者都很好输入，可以选择 .loc
   df.loc[0, 'a']  
   df.loc[0:3, ['a', 'b']]  
   df.loc[[1, 5], ['b', 'c']]
  #   iloc 使得我们可以对column使用slice（切片）的方法对数据进行选取。
  df.iloc[1,1]  
  df.iloc[0:3, [0,1]]  
  df.iloc[[0, 3, 5], 0:2]    
  # ix 的功能就更强大了，它允许我们混合使用下标和名称进行选取
  

4.数据处理

• 整理全国部分城市2009-2018年平均房价数据anjuekefangjia.csv

5.实例展示

数据文件读取

df = pd.read_csv(csv文件)
local = df.set_value(index) 

• 1.全国部分城市2009-2018平均房价极坐标图

  from pyecharts import Polar
  radius = [u"2009年", u"2010年", u"2011年", u"2012年",
  u"2013年",u"2014年",u"2015年",u"2016年",u"2017年",u"2018年"]
  # polar = Polar(u"2009-2018部分城市房价变化趋势", width=1200, height=1100)
  polar = Polar( width=1200, height=1100)
  for name in df.city_name:
     if len(local.ix[name][2:])<5:
         continue
     polar.add(name, local.ix[name][2:], radius_data=radius,
             type='barRadius', is_stack=True)
  polar.render()
  

• 效果展示

  
  2009-2018部分城市平均房价极坐标图
• 2. 全国部分城市2018年平均房价热力图

  from pyecharts import Map
  map = Map("", width=1200, height=600)
  map.add("2018年全国主要城市房价均值", df.province, df.price,       maptype='china',visual_text_color='#000',is_visualmap=True, is_label_show=True)
  map.render()
  
  

• 效果展示

  
  全国部分城市2018年平均房价热力图
• 3.全国部分城市2009-2018房价均值趋势折线图

  from pyecharts import Line
  attr = [u"2009年", u"2010年", u"2011年", u"2012年",u"2013年",
         u"2014年",u"2015年",u"2016年",u"2017年",u"2018年"]
  line = Line(u"全国部分城市房价变化趋势",height=1000,width = 1200)
  for name in df.city_name:
      if len(local.ix[name][2:]) < 10:
          continue
      line.add(name, attr,local.ix[name][2:],
           mark_point=["max", "min"],  mark_line=["average"],
           yaxis_formatter="元/m²")
  line.render()
  

• 效果展示

  
  全国部分城市2009-2018房价变化趋势

详细代码和样例html文件后期整理及时更新，也可以私信哦