构建数据可视化（基于Echarts,python)

本文目录：

一、写在前面的题外话

二、数据可视化概念

三、用Python matplotlib库绘制数据可视化图

四、基于Echarts构建大数据可视化

4.1、安装echarts.js

4.2、数据可视化折线图制作

4.2.1、基础折线图

4.2.2、改善折线图

4.2.3、平滑折线图

4.2.4、虚线折线图

4.2.5、阶梯折线图

4.2.6、面积折线图

4.3、数据可视化柱状图制作

4.4、数据可视化极坐标柱状图制作

一、写在前面的题外话

我们无法决定一个人的出现，也无法决定一个人的离开，你或许能做的，就是珍惜不期而遇的惊喜。前世的缘分，今生的相遇，来生的回眸。

任何类型的关系（朋友、亲戚。。。），有心者，必有所累，无心者，亦无所谓。情出自愿，不谈亏欠，一念起，天涯咫尺；一念灭，咫尺天涯。

每个人性格不同，人生经历也不同，如果因为环境等因素造成无法正常相处，不如选择礼貌退场，找回原来的自己，把别人还于人海，互不打扰。

没有谁的人生是经过铺垫顺畅无阻的，都不容易，你觉得别人比你过得好，只是因为你不曾看见他（她）疲惫不堪却不得不坚持的另一面。半生风雨半身寒，一杯浊酒敬流年，回首过往半生路，七分酸楚三分甜。

世界上，每个人都是独一无二，无可替代的。所以我们才会在不知不觉中被某件微不足道的小事物牵引，记起某个人，某个声音，某个别人的故事。。。

《再无一人恰似我》作者：弘一法师李叔同旧人不知我近况，新人不知我过往。纵你阅人何其多，再无一人恰似我。

逆境清醒

2023.8.27

二、数据可视化概念

数据可视化：

数据可视化是指将数据转换为图表、图形或其它形式的视觉元素，以帮助人们更好地理解和分析数据。它可以展示数据的模式、趋势、关联性和规律，有助于人们从数据中发现埋藏的价值和见解，从而更好地做出决策和行动。数据可视化涉及到多种技术和工具，包括图表、地图、网络图、热力图等。它已经成为数据分析和商业智能领域中非常重要的一部分。

实现数据可视化需要注意的事项：

选择合适的图表类型：不同类型的数据要使用不同类型的图表来展示。比如，使用折线图来展示趋势数据，使用饼图来展示占比数据。确定数据的重点：为了呈现数据的重点，需要确保视觉元素的排列、颜色、和大小等符合数据的重点。保持简洁：不要在图表中添加太多的信息，将信息保持简洁，易于理解和阅读。使用色彩有效：对比色和相关色可以帮助读者更好地理解数据。不过，要避免使用过多的颜色，这会分散读者注意力。选择合适的字体：使用易于阅读的字体，并确保字体大小足够大，以便读者可以轻松地阅读数据。保持一致性：确保数据可视化的元素（如颜色、字体、大小）在整个视觉化项目中保持一致。

三、用Python matplotlib库绘制数据可视化图

#-*- coding: UTF-8 -*-

import matplotlib.pyplot as plt

import matplotlib as mpl

mpl.rcParams["font.sans-serif"]=["SimHei"]

mpl.rcParams["axes.unicode_minus"]=False

import matplotlib.pyplot as plt

labels = ['糯米糍', '雪梅娘', '八宝饭', '驴打滚', '甜薄撑']

values = [20, 30, 25, 15, 10]

colors = ['lightskyblue', 'yellowgreen', 'gold', 'orange', 'lightcoral']

plt.pie(values, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)

plt.axis('equal')

plt.show()

在上述代码中，我们使用了plt.pie()函数来绘制图形。

其中，

labels参数指定了每个扇形图的标签，

values参数指定了每个扇形图所占的值，

colors参数指定了每个扇形图的颜色，

autopct参数指定了每个扇形图所占的比例的显示方式，

startangle参数指定了起始角度。

最后，我们使用plt.axis('equal')来保证扇形图是一个正圆。

通过调用plt.show()来展示扇形图。

四、基于Echarts构建大数据可视化

4.1、安装echarts.js

我们需要先安装echarts,

下载地址：https://archive.apache.org/dist/echarts/5.4.3/

或者在页面代码里加入：

4.2、数据可视化折线图制作

4.2.1、基础折线图