Python入门教程丨3.7 数据可视化

我们之前提到了一款可视化神器ECharts，但那是基于JS的来开发和使用的，现在我们有了pyecharts库，就可以在python中方便的调用！

1. Pyecharts 库

1.1 什么是 Pyecharts？

Pyecharts是 ECharts 的 Python 接口，通过 API 生成交互式图表

Pyecharts输出结果为HTML页面，可以方便的嵌入网站中。

Note

开发时推荐使用 Python 3.6+ 环境，低版本可能不受支持

2. 快速上手

2.1 安装

直接pip即可安装，无需其他操作

pip install pyecharts

2.2 基础语法

2.2.1 基础数据格式

x轴数据：通过 .add_xaxis() 传入列表，支持数值、字符串或时间类型。

line.add_xaxis(["一月", "二月", "三月", "四月"])

y轴数据：通过 .add_yaxis() 传入列表，与x轴一一对应。

line.add_yaxis("销售额", [150, 230, 224, 218])

2.2.2 多系列数据

可多次调用 .add_yaxis() 添加多个数据系列：

line.add_yaxis("系列A", [10, 20, 30])
line.add_yaxis("系列B", [15, 25, 35])

2.2.3 空值处理

若数据中存在空值，用 None 占位，并设置 is_connect_nones=True 连接断点：

line.add_yaxis("数据", [10, None, 30], is_connect_nones=True)

2.3 代码结构

我们在使用Pyecharts库时，一般将其划分为3个部分
1.图表部分：设置图表类型
2.数据部分：添加图表中的数据，设置数据样式
3.配置部分：添加图表标题、名称、注释、插件等
下面是一个较为完整的代码结构：

from pyecharts.charts import Line
from pyecharts import options as opts# 1. 初始化图表对象
line = Line(init_opts=opts.InitOpts(theme="light", width="800px", height="400px"))# 2. 添加数据
line.add_xaxis(x_data_list)  # x轴数据
line.add_yaxis(series_name="系列名称", y_axis=y_data_list,       # y轴数据is_smooth=True,           # 平滑曲线is_step=False,            # 阶梯线图symbol="circle",          # 数据点形状linestyle_opts=opts.LineStyleOpts(width=2, type_="solid")  # 线条样式
)# 3. 全局配置
line.set_global_opts(title_opts=opts.TitleOpts(title="主标题", subtitle="副标题"),xaxis_opts=opts.AxisOpts(name="月份", axislabel_rotate=45),  # x轴标签旋转yaxis_opts=opts.AxisOpts(name="销售额（万元）"),tooltip_opts=opts.TooltipOpts(trigger="axis"),  # 提示框触发方式datazoom_opts=opts.DataZoomOpts(),              # 缩放组件toolbox_opts=opts.ToolboxOpts(is_show=True)     # 显示工具箱（保存、缩放等）
)# 4. 生成HTML文件
line.render("line_chart.html")

2.4 一个比较完整的示例

接下来我们随便写一点数据，比如工作日的网站访问量，来生成一个折线图。

from pyecharts.charts import Line
from pyecharts import options as opts# 数据准备
x_data = ["周一", "周二", "周三", "周四", "周五"]
y_data = [120, 200, 150, 80, 70]# 构建图表
line = (Line().add_xaxis(x_data).add_yaxis("访问量", y_data,is_smooth=True,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")]),linestyle_opts=opts.LineStyleOpts(width=3, color="#d48265")).set_global_opts(title_opts=opts.TitleOpts(title="网站访问趋势", pos_left="center"),yaxis_opts=opts.AxisOpts(name="访问次数"),toolbox_opts=opts.ToolboxOpts(is_show=True))
)
line.render("website_trend.html")

生成文件可通过浏览器打开交互查看，支持缩放、数据点悬停提示等交互功能。

3. 基础图表示例

Note

Pyecharts库的官方文档提供了非常多的示例，我们挑选其中的常用图表做讲解，需要查看完整的文档内容请访问以下链接。

• 传送门：https://gallery.pyecharts.org/#/README

3.1 折线图（Line）

完整代码：

import pyecharts.options as opts
from pyecharts.charts import Lineweek_name_list = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
high_temperature = [11, 11, 15, 13, 12, 13, 10]
low_temperature = [1, -2, 2, 5, 3, 2, 0](Line().add_xaxis(xaxis_data=week_name_list).add_yaxis(series_name="最高气温",y_axis=high_temperature,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max", name="最大值"),opts.MarkPointItem(type_="min", name="最小值"),]),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average", name="平均值")]),).add_yaxis(series_name="最低气温",y_axis=low_temperature,markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(value=-2, name="周最低", x=1, y=-1.5)]),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average", name="平均值"),opts.MarkLineItem(symbol="none", x="90%", y="max"),opts.MarkLineItem(symbol="circle", type_="max", name="最高点"),]),).set_global_opts(title_opts=opts.TitleOpts(title="未来一周气温变化", subtitle="纯属虚构"),tooltip_opts=opts.TooltipOpts(trigger="axis"),toolbox_opts=opts.ToolboxOpts(is_show=True),xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),).render("temperature.html")
)

3.2 柱状图（Bar）

完整代码：

from pyecharts.charts import Bar  
from pyecharts import options as opts  x_data = [f"11月{str(i)}日" for i in range(1, 12)]  
y_total = [0, 900, 1245, 1530, 1376, 1376, 1511, 1689, 1856, 1495, 1292]  
y_in = [900, 345, 393, "-", "-", 135, 178, 286, "-", "-", "-"]  
y_out = ["-", "-", "-", 108, 154, "-", "-", "-", 119, 361, 203]  bar = (  Bar()    .add_xaxis(xaxis_data=x_data)  .add_yaxis(        series_name="",  y_axis=y_total,  stack="总量",  itemstyle_opts=opts.ItemStyleOpts(color="rgba(0,0,0,0)"),  ) .add_yaxis(series_name="收入", y_axis=y_in, stack="总量")  .add_yaxis(series_name="支出", y_axis=y_out, stack="总量")  .set_global_opts(yaxis_opts=opts.AxisOpts(type_="value"))  .render("bar_waterfall_plot.html")  
)

完整代码：

 from pyecharts import options as opts  from pyecharts.charts import Bar  c = (  Bar()    .add_xaxis(        [            "名字很长的X轴标签1",  "名字很长的X轴标签2",  "名字很长的X轴标签3",  "名字很长的X轴标签4",  "名字很长的X轴标签5",  "名字很长的X轴标签6",  ]).add_yaxis("商家A", [10, 20, 30, 40, 50, 40])  .add_yaxis("商家B", [20, 10, 40, 30, 40, 50])  .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),  title_opts=opts.TitleOpts(title="Bar-旋转X轴标签", subtitle="解决标签名字过长的问题"),  )    .render("bar_rotate_xaxis_label.html")  
)

3.3 饼图

完整代码：

from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Fakerc = (Pie().add("",[list(z) for z in zip(Faker.choose(), Faker.values())],radius=["40%", "55%"],label_opts=opts.LabelOpts(position="outside",formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c}  {per|{d}%}  ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"a": {"color": "#999", "lineHeight": 22, "align": "center"},"abg": {"backgroundColor": "#e3e3e3","width": "100%","align": "right","height": 22,"borderRadius": [4, 4, 0, 0],},"hr": {"borderColor": "#aaa","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(title_opts=opts.TitleOpts(title="Pie-富文本示例")).render("pie_rich_label.html")
)

3.4 雷达图

完整代码：

from pyecharts import options as opts
from pyecharts.charts import Radarv1 = [[4300, 10000, 28000, 35000, 50000, 19000]]
v2 = [[5000, 14000, 28000, 31000, 42000, 21000]]
c = (Radar().add_schema(schema=[opts.RadarIndicatorItem(name="销售", max_=6500),opts.RadarIndicatorItem(name="管理", max_=16000),opts.RadarIndicatorItem(name="信息技术", max_=30000),opts.RadarIndicatorItem(name="客服", max_=38000),opts.RadarIndicatorItem(name="研发", max_=52000),opts.RadarIndicatorItem(name="市场", max_=25000),]).add("预算分配", v1).add("实际开销", v2).set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(legend_opts=opts.LegendOpts(selected_mode="single"),title_opts=opts.TitleOpts(title="Radar-单例模式"),).render("radar_selected_mode.html")
)

3.5 K线图

完整代码：

from pyecharts import options as opts
from pyecharts.charts import Klinedata = [[2320.26, 2320.26, 2287.3, 2362.94],[2300, 2291.3, 2288.26, 2308.38],[2295.35, 2346.5, 2295.35, 2345.92],[2347.22, 2358.98, 2337.35, 2363.8],[2360.75, 2382.48, 2347.89, 2383.76],[2383.43, 2385.42, 2371.23, 2391.82],[2377.41, 2419.02, 2369.57, 2421.15],[2425.92, 2428.15, 2417.58, 2440.38],[2411, 2433.13, 2403.3, 2437.42],[2432.68, 2334.48, 2427.7, 2441.73],[2430.69, 2418.53, 2394.22, 2433.89],[2416.62, 2432.4, 2414.4, 2443.03],[2441.91, 2421.56, 2418.43, 2444.8],[2420.26, 2382.91, 2373.53, 2427.07],[2383.49, 2397.18, 2370.61, 2397.94],[2378.82, 2325.95, 2309.17, 2378.82],[2322.94, 2314.16, 2308.76, 2330.88],[2320.62, 2325.82, 2315.01, 2338.78],[2313.74, 2293.34, 2289.89, 2340.71],[2297.77, 2313.22, 2292.03, 2324.63],[2322.32, 2365.59, 2308.92, 2366.16],[2364.54, 2359.51, 2330.86, 2369.65],[2332.08, 2273.4, 2259.25, 2333.54],[2274.81, 2326.31, 2270.1, 2328.14],[2333.61, 2347.18, 2321.6, 2351.44],[2340.44, 2324.29, 2304.27, 2352.02],[2326.42, 2318.61, 2314.59, 2333.67],[2314.68, 2310.59, 2296.58, 2320.96],[2309.16, 2286.6, 2264.83, 2333.29],[2282.17, 2263.97, 2253.25, 2286.33],[2255.77, 2270.28, 2253.31, 2276.22],
]c = (Kline().add_xaxis(["2017/7/{}".format(i + 1) for i in range(31)]).add_yaxis("kline", data).set_global_opts(yaxis_opts=opts.AxisOpts(is_scale=True),xaxis_opts=opts.AxisOpts(is_scale=True),title_opts=opts.TitleOpts(title="Kline-基本示例"),).render("kline_base.html")
)

4.可视化进阶

4.1 组件

Pyecharts库提供了大量的组件，我们可以自由选择实现更加高级的效果。

4.1.1 Tab 组件：多图表标签切换

适用场景：需在同一页面展示不同类型图表（如柱状图与折线图对比），通过标签切换实现空间复用

实现方法：

from pyecharts.charts import Tab, Bar, Linetab = Tab()
# 创建柱状图
bar = Bar().add_xaxis(["A", "B", "C"]).add_yaxis("销量", [10, 20, 30])
# 创建折线图
line = Line().add_xaxis(["A", "B", "C"]).add_yaxis("增长率", [0.05, 0.1, 0.8])
# 组合到Tab
tab.add(bar, "销售趋势")
tab.add(line, "增长分析")
tab.render("tab_demo.html")

特性：

• 支持无限添加子图表
• 每个标签页独立配置标题和样式
• 通过 tab.add(图表对象, 标签名称) 动态扩展

4.1.2 Page 组件：多图表垂直布局

适用场景：需将多个图表纵向排列形成完整报告（如数据看板）
实现方法：

from pyecharts.charts import Page, Bar, Piepage = Page(layout=Page.SimpleLayoutType)  # 简单纵向布局
# 添加多个图表
page.add(Bar().add_xaxis(...),Pie().add(...),Line().add(...)
)
page.render("report.html")

布局模式：

布局类型	特性	适用场景
`SimpleLayoutType`	默认纵向排列，宽度100%	简单报告
`DraggableLayoutType`	允许用户拖拽调整位置	交互式看板
`CustomLayoutType`	通过 `pos_left`, `pos_top` 自定义坐标	复杂排版需求

4.1.3 Grid 组件：混合图表叠加

适用场景：需在同一坐标系叠加不同图表（如柱状图+折线图组合）

实现方法：

from pyecharts.charts import Grid, Bar, Linegrid = Grid()
# 创建基础图表
bar = Bar().add_yaxis(...)
line = Line().add_yaxis(...)
# 叠加组合
grid.add(bar, grid_opts=opts.GridOpts(pos_left="5%"))
grid.add(line, grid_opts=opts.GridOpts(pos_right="5%"))

叠加策略：
通过 Grid 控制叠加位置和比例：

grid.add(bar, grid_opts=opts.GridOpts(pos_bottom="60%"))  # 占据上半部分
grid.add(line, grid_opts=opts.GridOpts(pos_top="60%"))    # 占据下半部分

完整代码示例：

from pyecharts import options as opts
from pyecharts.charts import Bar, Grid, Linex_data = ["{}月".format(i) for i in range(1, 13)]
bar = (Bar().add_xaxis(x_data).add_yaxis("蒸发量",[2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3],yaxis_index=0,color="#d14a61",).add_yaxis("降水量",[2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3],yaxis_index=1,color="#5793f3",).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="#d14a61")),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="#675bba")),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(name="降水量",min_=0,max_=250,position="right",offset=80,axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(color="#5793f3")),axislabel_opts=opts.LabelOpts(formatter="{value} ml"),),title_opts=opts.TitleOpts(title="Grid-多 Y 轴示例"),tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),)
)line = (Line().add_xaxis(x_data).add_yaxis("平均温度",[2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2],yaxis_index=2,color="#675bba",label_opts=opts.LabelOpts(is_show=False),)
)bar.overlap(line)
grid = Grid()
grid.add(bar, opts.GridOpts(pos_left="5%", pos_right="20%"), is_control_axis_index=True)
grid.render("grid_multi_yaxis.html")

4.1.4 Timeline 组件：动态时间轴

适用场景：展示时间序列数据的动态变化，点击时间即可切换数据（如年度销售趋势演变）

代码实现：

from pyecharts import options as opts
from pyecharts.charts import Bar, Timeline
from pyecharts.faker import Fakerx = Faker.choose()
tl = Timeline()
for i in range(2015, 2020):bar = (Bar().add_xaxis(x).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values()).set_global_opts(title_opts=opts.TitleOpts("某商店{}年营业额".format(i))))tl.add(bar, "{}年".format(i))
tl.render("timeline_bar.html")

4.1.5 Overlap组件：同坐标系叠加

Overlap 组件用于在同一坐标系中叠加多个不同类型的图表（如折线图 + 柱状图、散点图 + 热力图），实现多维度数据的对比分析。

适用场景 :与 Grid 布局不同，Overlap 要求所有图表共享相同的坐标系，适合需要直接对比数据趋势的场景

实现方法：

from pyecharts.charts import Line, Bar, Overlap# 创建基础图表
line = Line().add_xaxis(x_data).add_yaxis(...)
bar = Bar().add_xaxis(x_data).add_yaxis(...)# 使用 Overlap 叠加
overlap = Overlap()
overlap.add(line)          # 添加第一个图表作为基础
overlap.add(bar)           # 叠加第二个图表
overlap.render("overlap.html")

完整代码：

from pyecharts import options as opts
from pyecharts.charts import Line, Scatter
from pyecharts.faker import Fakerx = Faker.choose()
line = (Line().add_xaxis(x).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values()).set_global_opts(title_opts=opts.TitleOpts(title="Overlap-line+scatter"))
)
scatter = (Scatter().add_xaxis(x).add_yaxis("商家A", Faker.values()).add_yaxis("商家B", Faker.values())
)
line.overlap(scatter)
line.render("overlap_line_scatter.html")

组合策略选择指南：

组合方式	优势	局限性	典型应用场景
Tab	空间利用率高，支持复杂类型对比	无法同时展示所有图表	多维度数据分析报告
Page	布局规整，适合打印输出	交互性较弱	PDF报告生成
Grid	支持精确坐标控制，可实现复杂布局	配置参数较多	数据大屏开发
Timeline	动态展示时间序列变化	数据量过大时性能下降	历史数据趋势演示
Overlap	快速实现简单图表叠加	坐标系类型必须一致	指标对比分析

4.2 地图可视化

Pyecharts库也可以很方便的调用地图库来实现数据展示，只需要引用其中的Map库即可。
省市级数据展示：

完整代码：

from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Fakerc = (Map().add("商家A", [list(z) for z in zip(Faker.guangdong_city, Faker.values())], "广东").set_global_opts(title_opts=opts.TitleOpts(title="Map-广东地图"), visualmap_opts=opts.VisualMapOpts()).render("map_guangdong.html")
)

国家级：

修改Map中的主要参数即可更换地图

Map() 
.add("商家A", [list(z) for z in zip(Faker.guangdong_city, Faker.values())], "广东")

可选参数："china-cities" "china" "城市名" "world"等。

4.3 3D 图表

Pyecharts 提供丰富的 3D 可视化能力，可以用鼠标直接拖动，缩放、查看，非常好用！

三维散点图代码：

from pyecharts.charts import Scatter3D, Bar3D, Surface3D  # 按需导入
from pyecharts import options as opts
from pyecharts.faker import Faker  # 内置测试数据# 生成三维数据 (示例)
data = [[x, y, random.randint(0, 100)] for x in range(10) for y in range(10)]# 初始化图表对象
chart = Scatter3D(init_opts=opts.InitOpts(width="1200px", height="800px"))# 添加数据与配置
chart.add(series_name="三维散点",data=data,grid3d_opts=opts.Grid3DOpts(width=200, depth=200),  # 调整坐标系尺寸itemstyle_opts=opts.ItemStyleOpts(color="#d14a61")  # 自定义颜色
)# 全局配置
chart.set_global_opts(title_opts=opts.TitleOpts(title="3D 散点图示例"),visualmap_opts=opts.VisualMapOpts(max_=100)  # 颜色映射范围
)# 渲染输出
chart.render("3d_scatter.html")  # 或 chart.render_notebook() 在 Jupyter 中显示

功能配置:

• 动态旋转
通过 Grid3DOpts 实现自动旋转效果：

chart.add(..., grid3d_opts=opts.Grid3DOpts(is_rotate=True,        # 启用自动旋转rotate_speed=10,       # 旋转速度（值越大越慢）rotate_sensitivity=1   # 鼠标拖拽灵敏度
))

• 多轴联动
双 Y 轴场景需扩展坐标系：

bar3d = Bar3D().extend_axis(yaxis=opts.Axis3DOpts(type_="value", name="次坐标轴")
)

5. 小结

Pyecharts 凭借其丰富的可视化类型和灵活的配置选项，已成为 Python 数据可视化生态中的重要工具。本文提供了从基础图表到复杂交互的一些实现方法，但受篇幅限制，无法面面俱到，还有数据整合、Flask整合等内容本文尚未提到，建议结合官方文档深入探索更多高级功能。

附录：资源推荐

📎 官方示例库：https://gallery.pyecharts.org
📎 官方文档：https://pyecharts.org/#/zh-cn/intro
📎 ECharts 配置项手册：https://echarts.apache.org/zh/option.html