21世界学术界最缺的是什么?当然是图片,有了图片,就有了图片误用的本钱,发表CNS迎娶白富美走上人生巅峰指日可待。
图片怎么来?当然是撸出来的。
今天整理硬盘的时候,偶然发现了很久以前保存的一段数据可视化代码。心想不能浪费了,于是填充新的数据看看图形,毕竟数据画图是科研人的必备技能,图片误用也得有图片才能误用不是。
这段图形可视化代码利用的是pyecharts。
画图用的数据为公众号关注者的城市分布分布,这里以热力图形式进行显示。先上代码再放图。
from pyecharts import options as opts
from pyecharts.charts import Geo
from pyecharts.globals import ChartType
import pandas as pd
# 基础数据
txt = pd.read_csv('text.txt', header=None)
keys = txt.loc[:, 0].tolist()
values = txt.loc[:, 1].tolist()
c = (
Geo()
.add_schema(maptype="china")
.add(
"粉丝分布热力图",
[list(z) for z in zip(keys, values)],
type_=ChartType.SCATTER,
# blur_size=20,
# point_size=30,
symbol_size=6,
is_selected=True
)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="分布图"),
visualmap_opts=opts.VisualMapOpts(
orient='horizontal',
pos_left='center',
is_piecewise=True,
pieces=[
{'min': 0, 'max': 500},
{'min': 501, 'max': 2000},
{'min': 2001, 'max': 5000},
{'min': 5001}
]
)
)
.render()
)
# 打开html
# os.system("render.html")
这图特别有意思,基本与咱们国家教育资源分布相等同,与地域经济发展程度貌似关联性也比较大。
再来张关注者来自的省份分布图。代码如下所示。
from pyecharts.charts import Map
from pyecharts import options as opts
import os
import pandas as pd
# 基础数据
txt = pd.read_csv('province.txt', header=None)
keys = txt.loc[:, 0].tolist()
values = txt.loc[:, 1].tolist()
print(keys)
print(values)
c = (
Map()
.add(
"粉丝分布热力图",
[list(z) for z in zip(keys, values)],
maptype='china',
is_map_symbol_show=False
)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="分布图"),
visualmap_opts=opts.VisualMapOpts(
orient='horizontal', pos_left='center', is_piecewise=True,
pieces=[
{'min': 0, 'max': 500},
{'min': 501, 'max': 2000},
{'min': 2001, 'max': 4000},
{'min': 4001, 'max': 6000},
{'min': 6001}
]
)
)
.render()
)
# 打开html
os.system("render.html")
图形如下所示。
本篇文章来源于微信公众号: CFD之道
评论前必须登录!
注册