每日五个pyecharts可视化图表-bars（4）-EW帮帮网

欢迎来到每日五个pyecharts可视化图表系列的第四篇文章！在本文中，我们将继续探索柱状图的更多高级用法，包括不同系列柱间距离、自定义柱状颜色、多Y轴组合展示、标记点添加以及Y轴格式化等实用技巧。pyecahts源码

无论是数据分析、报告制作还是数据可视化展示，这些技巧都能让你的图表更加专业、美观且富有洞察力。让我们开始学习吧！

1. 不同系列柱间距离的柱状图

在柱状图中，我们可以通过调整不同系列之间的距离来优化图表的视觉效果。适当的间距可以使图表更加清晰易读，突出数据之间的对比关系。

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


c = (
    Bar()
    .add_xaxis(Faker.choose())
    .add_yaxis("商家A", Faker.values(), gap="0%")
    .add_yaxis("商家B", Faker.values(), gap="0%")
    .set_global_opts(title_opts=opts.TitleOpts(title="Bar-不同系列柱间距离"))
    #.render("bar_different_series_gap.html")
    
)
c.render_notebook()

代码解析

导入必要的模块：我们导入了options、Bar和Faker模块。Faker模块用于生成模拟数据，方便我们快速创建图表。
创建柱状图对象：通过Bar()创建一个柱状图实例。
添加X轴数据：使用add_xaxis()方法添加X轴数据，这里使用Faker.choose()生成一组随机分类数据。
添加Y轴数据：使用add_yaxis()方法添加Y轴数据，这里我们添加了两组数据（商家A和商家B），每组数据都使用Faker.values()生成随机数值。
- 关键参数gap="0%"：设置了同一分类下不同系列柱子之间的距离为0%，使柱子紧密排列在一起，增强数据对比效果。
设置全局选项：title_opts设置图表标题为"Bar-不同系列柱间距离"
渲染图表：使用render_notebook()方法在Jupyter Notebook中渲染图表，也可以使用render()方法将图表保存为HTML文件。

图表特点与应用场景

在这里插入图片描述

紧密排列：通过设置gap="0%"，使同一分类下的不同系列柱子紧密排列，便于直观比较
数据对比：两组数据并列展示，清晰呈现不同商家在各个分类下的业绩差异
空间优化：适合在有限空间内展示多组数据，提高信息密度
适用场景：适合业务报告、销售数据分析、市场份额比较等需要同时展示多组数据的场景

通过调整柱间距离，我们可以根据实际需求优化图表的布局和视觉效果，使数据展示更加清晰有效。

2. 自定义柱状颜色的柱状图

在数据可视化中，颜色是传递信息的重要工具。通过自定义柱状图的颜色，我们可以根据数据值的大小或范围来直观地区分不同的数据点，增强图表的可读性和信息传达效果。

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.commons.utils import JsCode
from pyecharts.faker import Faker


color_function = """
         function (params) {
             if (params.value > 0 && params.value < 50) {
                 return 'red';
             } else if (params.value > 50 && params.value < 100) {
                 return 'blue';
             }
             return 'green';
         }
         """
c = (
    Bar()
    .add_xaxis(Faker.choose())
    .add_yaxis(
        "商家A",
        Faker.values(),
        itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_function)),
    )
    .add_yaxis(
        "商家B",
        Faker.values(),
        itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_function)),
    )
    .add_yaxis(
        "商家C",
        Faker.values(),
        itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_function)),
    )
    .set_global_opts(title_opts=opts.TitleOpts(title="Bar-自定义柱状颜色"))
    #.render("bar_custom_bar_color.html")
    
)
c.render_notebook()

代码解析

导入必要的模块：我们导入了options、Bar、JsCode和Faker模块。JsCode模块用于在Python代码中嵌入JavaScript代码，实现自定义颜色逻辑。
定义颜色函数：使用JavaScript代码定义了一个颜色函数，根据数据值的范围返回不同的颜色：
- 数据值在0到50之间：红色
- 数据值在50到100之间：蓝色
- 其他数据值：绿色
创建柱状图对象：通过Bar()创建一个柱状图实例。
添加X轴数据：使用add_xaxis()方法添加X轴数据，这里使用Faker.choose()生成一组随机分类数据。
添加Y轴数据：使用add_yaxis()方法添加三组Y轴数据（商家A、商家B和商家C），每组数据都使用Faker.values()生成随机数值。
- 关键参数itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_function))：应用自定义颜色函数到每个柱子。
设置全局选项：title_opts设置图表标题为"Bar-自定义柱状颜色"
渲染图表：使用render_notebook()方法在Jupyter Notebook中渲染图表，也可以使用render()方法将图表保存为HTML文件。

图表特点与应用场景

在这里插入图片描述

动态颜色编码：根据数据值的大小自动分配不同颜色，直观反映数据分布特征
多系列展示：同时展示三组数据，便于比较不同商家的业绩表现
JavaScript集成：通过JsCode模块无缝集成JavaScript代码，实现复杂的颜色逻辑
适用场景：适合数据分布分析、业绩评估、风险预警等需要根据数值范围区分数据的场景

通过自定义柱状颜色，我们可以让图表更加直观地传达数据背后的信息，帮助读者快速理解数据的分布特征和规律。

3. 多Y轴组合柱状图与折线图

在实际数据分析中，我们经常需要同时展示不同类型的数据，这些数据可能具有不同的量纲和范围。多Y轴图表可以帮助我们在同一个图表中展示多种数据类型，同时保持数据的可读性。下面我们创建一个包含柱状图和折线图的多Y轴组合图表。

import pyecharts.options as opts
from pyecharts.charts import Bar, Line


"""
Gallery 使用 pyecharts 1.0.0
参考地址: `https://echarts.apache.org/examples/editor.html?c=multiple-y-axis` 

目前无法实现的功能:

1、暂无
"""

colors = ["#5793f3", "#d14a61", "#675bba"]
x_data = ["1月", "2月", "3月", "4月", "5月", "6月", "7月", "8月", "9月", "10月", "11月", "12月"]
legend_list = ["蒸发量", "降水量", "平均温度"]
evaporation_capacity = [
    2.0,
    4.9,
    7.0,
    23.2,
    25.6,
    76.7,
    135.6,
    162.2,
    32.6,
    20.0,
    6.4,
    3.3,
]
rainfall_capacity = [
    2.6,
    5.9,
    9.0,
    26.4,
    28.7,
    70.7,
    175.6,
    182.2,
    48.7,
    18.8,
    6.0,
    2.3,
]
average_temperature = [2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2]


bar = (
    Bar(init_opts=opts.InitOpts(width="1260px", height="720px"))
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(
        series_name="蒸发量", y_axis=evaporation_capacity, yaxis_index=0, color=colors[1]
    )
    .add_yaxis(
        series_name="降水量", y_axis=rainfall_capacity, yaxis_index=1, color=colors[0]
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="蒸发量",
            type_="value",
            min_=0,
            max_=250,
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color=colors[1])
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value} ml"),
        )
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            type_="value",
            name="温度",
            min_=0,
            max_=25,
            position="left",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color=colors[2])
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value} °C"),
            splitline_opts=opts.SplitLineOpts(
                is_show=True, linestyle_opts=opts.LineStyleOpts(opacity=1)
            ),
        )
    )
    .set_global_opts(
        yaxis_opts=opts.AxisOpts(
            type_="value",
            name="降水量",
            min_=0,
            max_=250,
            position="right",
            offset=80,
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color=colors[0])
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value} ml"),
        ),
        tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
    )
)

line = (
    Line()
    .add_xaxis(xaxis_data=x_data)
    .add_yaxis(
        series_name="平均温度", y_axis=average_temperature, yaxis_index=2, color=colors[2]
    )
)

#bar.overlap(line).render("multiple_y_axes.html")
bar.overlap(line).render_notebook()

代码解析

导入必要的模块：我们导入了options、Bar和Line模块。
定义数据：
- colors：定义了三种颜色，分别用于降水量、蒸发量和平均温度
- x_data：定义了X轴的月份数据
- evaporation_capacity：定义了蒸发量数据
- rainfall_capacity：定义了降水量数据
- average_temperature：定义了平均温度数据
创建柱状图对象：通过Bar()创建一个柱状图实例，并设置了图表的宽度和高度。
添加X轴和Y轴数据：
- 使用add_xaxis()方法添加X轴数据
- 使用add_yaxis()方法添加两组Y轴数据（蒸发量和降水量），并指定了对应的Y轴索引
扩展Y轴：
- 使用extend_axis()方法添加了两个额外的Y轴：右侧的蒸发量轴和左侧的温度轴
- 为每个Y轴设置了名称、范围、位置、颜色和标签格式
设置全局选项：
- 设置了主Y轴（降水量）的选项
- 设置了tooltip选项，启用了坐标轴交叉指针
创建折线图对象：通过Line()创建一个折线图实例，用于展示平均温度数据
叠加图表：使用overlap()方法将折线图叠加在柱状图上
渲染图表：使用render_notebook()方法在Jupyter Notebook中渲染图表，也可以使用render()方法将图表保存为HTML文件

图表特点与应用场景

在这里插入图片描述

多数据类型展示：同时展示柱状图（蒸发量、降水量）和折线图（平均温度），适合对比不同类型的数据
多Y轴设计：左侧和右侧分别设置不同的Y轴，解决了不同量纲数据展示的问题
数据关联分析：便于观察温度与降水量、蒸发量之间的关系
自定义样式：为不同的数据系列设置了独特的颜色，增强了图表的可读性
适用场景：适合气象数据分析、环境监测、工业生产数据监控等需要同时展示多种相关数据的场景

通过多Y轴组合图表，我们可以在一个视图中同时观察多种数据的变化趋势和相互关系，提高数据分析的效率和洞察力。

4. 带有标记点的柱状图

在数据可视化中，标记点是一种有效的数据强调方式。通过在图表中添加最大值、最小值或平均值等标记点，我们可以快速捕捉到数据的关键特征，提高图表的信息传达效率。

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

c = (
    Bar() 
    .add_xaxis(Faker.choose()) 
    .add_yaxis("商家A", Faker.values()) 
    .add_yaxis("商家B", Faker.values()) 
    .set_global_opts(title_opts=opts.TitleOpts(title="Bar-MarkPoint（指定类型）")) 
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False), 
        markpoint_opts=opts.MarkPointOpts(
            data=[
                opts.MarkPointItem(type_="max", name="最大值"), 
                opts.MarkPointItem(type_="min", name="最小值"), 
                opts.MarkPointItem(type_="average", name="平均值"), 
            ] 
        ), 
    ) 
    #.render("bar_markpoint_type.html") 
) 
c.render_notebook()

代码解析

导入必要的模块：我们导入了options、Bar和Faker模块。
创建柱状图对象：通过Bar()创建一个柱状图实例。
添加X轴数据：使用add_xaxis()方法添加X轴数据，这里使用Faker.choose()生成一组随机分类数据。
添加Y轴数据：使用add_yaxis()方法添加两组Y轴数据（商家A和商家B），每组数据都使用Faker.values()生成随机数值。
设置全局选项：title_opts设置图表标题为"Bar-MarkPoint（指定类型）"
设置系列选项：
- label_opts=opts.LabelOpts(is_show=False)：隐藏数据标签，使图表更加简洁
- markpoint_opts=opts.MarkPointOpts()：设置标记点选项
  - data参数中添加了三个标记点：最大值、最小值和平均值
渲染图表：使用render_notebook()方法在Jupyter Notebook中渲染图表，也可以使用render()方法将图表保存为HTML文件。

图表特点与应用场景

在这里插入图片描述

数据强调：通过标记点直观展示数据的最大值、最小值和平均值，帮助快速把握数据特征
双系列对比：同时展示两组数据，便于比较不同商家在各个分类下的表现
简洁清晰：隐藏了数据标签，避免图表过于拥挤，同时通过标记点保留了关键信息
适用场景：适合销售数据分析、业绩评估、质量控制等需要突出数据极值和中心趋势的场景

通过添加标记点，我们可以使图表更加直观地传达数据的重要特征，帮助读者快速理解数据的分布和规律。

5. Y轴格式化的柱状图

在数据可视化中，Y轴的格式化是一个重要的细节。通过自定义Y轴标签的格式，我们可以使图表更加清晰地传达数据的含义，特别是当数据具有特定单位或需要特殊格式展示时。

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


c = (
    Bar() 
    .add_xaxis(Faker.choose()) 
    .add_yaxis("商家A", Faker.values()) 
    .add_yaxis("商家B", Faker.values()) 
    .set_global_opts( 
        title_opts=opts.TitleOpts(title="Bar-Y 轴 formatter"), 
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value} /月")), 
    ) 
    #.render("bar_yaxis_formatter.html") 
) 
c.render_notebook()

代码解析

导入必要的模块：我们导入了options、Bar和Faker模块。
创建柱状图对象：通过Bar()创建一个柱状图实例。
添加X轴数据：使用add_xaxis()方法添加X轴数据，这里使用Faker.choose()生成一组随机分类数据。
添加Y轴数据：使用add_yaxis()方法添加两组Y轴数据（商家A和商家B），每组数据都使用Faker.values()生成随机数值。
设置全局选项：
- title_opts设置图表标题为"Bar-Y 轴 formatter"
- yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value} /月"))：设置Y轴标签格式，在每个数值后添加"/月"单位
渲染图表：使用render_notebook()方法在Jupyter Notebook中渲染图表，也可以使用render()方法将图表保存为HTML文件。

图表特点与应用场景

在这里插入图片描述

单位清晰：通过Y轴格式化，明确标注数据的单位，避免歧义
双系列对比：同时展示两组数据，便于比较不同商家在各个分类下的表现
自定义格式：可以根据需求灵活设置Y轴标签的格式，如添加单位、百分比等
适用场景：适合月度销售额、月度产量、月度用户增长等需要明确时间单位的场景

通过Y轴格式化，我们可以使图表更加专业和清晰，帮助读者准确理解数据的含义和单位。

总结与展望

在本文中，我们学习了五种不同风格和功能的柱状图可视化技巧，这些技巧能够显著提升你的数据可视化效果：

不同系列柱间距离的柱状图：通过调整gap参数，优化同一分类下不同系列柱子之间的距离，让数据对比更加清晰直观。
自定义柱状颜色的柱状图：使用JavaScript函数实现根据数据值范围自动分配颜色，让数据分布特征一目了然。
多Y轴组合柱状图与折线图：通过多Y轴设计，在同一图表中展示不同类型和量纲的数据，揭示数据间的隐藏关系。
带有标记点的柱状图：通过添加最大值、最小值和平均值标记点，快速捕捉数据的关键特征和趋势。
Y轴格式化的柱状图：通过自定义Y轴标签格式，明确标注数据单位，避免数据解读歧义。

这些技巧从数据对比优化、颜色编码、多数据类型展示，到数据特征强调和单位格式化，全面覆盖了柱状图的高级应用场景。无论是制作数据分析报告、业务展示图表还是学术研究可视化，这些技巧都能让你的图表更加专业、美观且富有洞察力。

希望本文对你有所帮助！如果你有任何问题或建议，欢迎在评论区留言讨论。后续我们还将探索更多pyecharts可视化技巧，敬请期待！

每日五个pyecharts可视化图表-bars（4）

目录

1. 不同系列柱间距离的柱状图

代码解析

图表特点与应用场景

2. 自定义柱状颜色的柱状图

代码解析

图表特点与应用场景

3. 多Y轴组合柱状图与折线图

代码解析

图表特点与应用场景

4. 带有标记点的柱状图

代码解析

图表特点与应用场景

5. Y轴格式化的柱状图

代码解析

图表特点与应用场景

总结与展望

网站公告

今日签到

热门文章

最新发布