内容纲要
这图表看着不直观啊，反正闲来无事，正巧最近在学习数据可视化库EChart，顺便就拿这数据练练手。
懒得去爬之前的历史数据了，要装一堆乱七八糟的库，太过于麻烦。反正数据也不多，手敲进去得了。
Echarts 是一个由百度开源的数据可视化js库，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。安装pyecharts很简单，利用pip install pyecharts即可，详情可见官方文档http://pyecharts.org/。
以前一直用matplotlib和seaborn绘制图表，不过总觉得配置太过麻烦，而且颜值不太符合我的审美观。pyecharts默认设置绘制的图形图表颜值还凑合。下面的代码是依照官方案例随便撸出来的。
程序代码极为简单，如下：
from pyecharts.charts import Map
from pyecharts import options as opts
from pyecharts.charts import Bar
# 各个县市现存确诊数据，这数据是从图中口算得到的
illPeople = [['黄州区', 188], ['团风县', 27], ['红安县', 19],
['罗田县', 6], ['英山县', 0],
['浠水县', 32], ['蕲春县', 18], ['黄梅县', 65],
['麻城市', 6], ['武穴市', 19]]
cityName = ['黄州区', '团风县', '红安县', '罗田县', '英山县',
'浠水县', '蕲春县', '黄梅县', '麻城市', '武穴市']
confirmedCount = [968, 173, 316, 69, 62, 303, 265, 284, 243, 224]
curedCount = [721, 140, 284, 60, 61, 263, 241, 210, 229, 197]
deadCount = [59, 6, 13, 3, 1, 8, 6, 9, 8, 8]
bar = (
Bar(init_opts=opts.InitOpts(bg_color="#FFFFFF", width=300))
.add_xaxis(cityName)
.add_yaxis('确诊人数', confirmedCount)
.add_yaxis('治愈人数', curedCount)
.add_yaxis('死亡人数', deadCount)
)
bar.render('柱形图.html')
map = (
# 初始化配置项中可以设置画布宽高，背景色和主题
Map(init_opts=opts.InitOpts(bg_color="#FFFFFF", width=300))
.add("现存确诊人数", illPeople, "黄冈", is_map_symbol_show=True, )
.set_global_opts(
title_opts=opts.TitleOpts(title="黄冈市现存确诊人数分布图（截至2020-3-3）", pos_left="left"),
visualmap_opts=opts.VisualMapOpts(
is_piecewise=True, # 设置是否为分段显示
# 自定义的每一段的范围，以及每一段的文字，以及每一段的特别的样式。例如：
pieces=[
{"min": 71, "label": '>70人', "color": "#FF1C00"},
{"min": 51, "max": 70, "label": '51-70人', "color": "#FF5d00"},
{"min": 31, "max": 50, "label": '31-50人', "color": "#FFA800"},
{"min": 10, "max": 30, "label": '10-30人', "color": "#FFFD00"},
{"min": 1, "max": 9, "label": '1-9人', "color": "#BBFF00"},
{"min": 0, "max": 0, "label": '0人', "color": "#2CFF00"},
],
# 两端的文本，如['High', 'Low']。
range_text=['高', '低'],
),
)
)
map.render('地图.html')
生成现存确诊地图。
正在逐渐转绿，这不比官方公众号冷冰冰的数据来的亲切么？
今天有太阳，还是上天台晒一晒好了，人都要发霉了~
本篇文章来源于微信公众号: CFD之道
评论前必须登录！
注册