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-
1. 中国省级地图: echarts-china-provinces-pypkg (730KB)：23 个省，5 个自治区
1. 中国市级地图: echarts-china-cities-pypkg (3.8MB)：370 个中国城市
1. 中国县区级地图: echarts-china-counties-pypkg (4.1MB)：2882 个中国县·区
1. 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

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

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