Python数据可视化利器：pyecharts入门与实战-代码聚汇网

Python数据可视化利器：pyecharts入门与实战

我投三分·2026-08-12·阅读 23 GEO检测（免费）

Python数据可视化pyecharts

|难度：普通|阅读约 32 分钟

1. 为什么选择pyecharts进行数据可视化？

在Python生态系统中，数据可视化工具的选择非常丰富，从基础的Matplotlib到更现代的Plotly和Bokeh。但pyecharts凭借其独特的优势，在特定场景下成为了我的首选工具。

pyecharts是ECharts的Python接口，而ECharts是百度开源的一个强大的JavaScript可视化库。这意味着我们可以在Python环境中使用ECharts的所有功能，同时避免了直接编写JavaScript代码的复杂性。我特别喜欢它的链式调用语法，这让代码看起来非常简洁明了。

与其他可视化库相比，pyecharts有几个显著优势：

交互性：默认支持缩放、拖拽、悬停查看数值等交互功能
丰富的图表类型：支持超过30种图表类型，包括热力图、关系图等特殊图表
主题定制：内置多种主题，也可以自定义主题
输出灵活：可以生成HTML文件，也支持Jupyter Notebook内嵌展示

提示：如果你需要制作需要展示给非技术人员的报告，pyecharts生成的交互式图表会比静态图片更受欢迎。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 环境准备与安装指南

2.1 Python环境配置

在开始使用pyecharts之前，确保你已经安装了Python 3.6或更高版本。我推荐使用虚拟环境来管理项目依赖：

bash复制# 创建虚拟环境
python -m venv pyecharts_env

# 激活虚拟环境
# Windows:
pyecharts_env\Scripts\activate
# macOS/Linux:
source pyecharts_env/bin/activate

2.2 安装pyecharts

安装pyecharts非常简单，使用pip即可完成：

bash复制pip install pyecharts

但为了获得完整功能，我建议安装以下附加包：

bash复制pip install pyecharts[all]

这个[all]选项会安装所有可选依赖，包括：

pyecharts-jupyter-installer：用于Jupyter Notebook支持
pyecharts-snapshot：用于将图表保存为图片
pyecharts-map：包含地图数据文件

注意：如果你在中国大陆，可能会遇到安装速度慢的问题。可以尝试使用国内镜像源：
bash复制pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyecharts[all]

2.3 验证安装

安装完成后，可以通过以下代码验证是否安装成功：

python复制import pyecharts
print(pyecharts.__version__)

如果能看到版本号输出（如1.9.1），说明安装成功。

3. 基础图表绘制实战

3.1 你的第一个柱状图

让我们从一个简单的柱状图开始，这是最基础也是最常用的图表类型之一：

python复制from pyecharts.charts import Bar

# 创建柱状图实例
bar = Bar()

# 添加x轴数据
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])

# 添加y轴数据
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])

# 渲染图表到HTML文件
bar.render("my_first_bar.html")

这段代码会生成一个简单的柱状图，并保存为HTML文件。用浏览器打开这个文件，你将看到一个可交互的图表，可以悬停查看数值、缩放等。

3.2 折线图绘制

折线图非常适合展示数据随时间变化的趋势：

python复制from pyecharts.charts import Line

line = Line()
line.add_xaxis(["周一", "周二", "周三", "周四", "周五", "周六", "周日"])
line.add_yaxis("最高温度", [11, 11, 15, 13, 12, 13, 10])
line.add_yaxis("最低温度", [1, -2, 2, 5, 3, 2, 0])

# 设置全局配置
line.set_global_opts(
    title_opts={"text": "一周温度变化"},
    tooltip_opts={"trigger": "axis"}
)

line.render("temperature_line.html")

3.3 饼图制作

饼图适合展示各部分占整体的比例：

python复制from pyecharts.charts import Pie

pie = Pie()
pie.add("", [("A", 25), ("B", 30), ("C", 45)])
pie.set_global_opts(title_opts={"text": "市场份额分布"})
pie.render("market_share_pie.html")

4. 高级图表与自定义配置

4.1 地图可视化

pyecharts对地理数据可视化有很好的支持。让我们创建一个展示中国各省份数据的地图：

python复制from pyecharts.charts import Map

data = [
    ("广东", 100), ("北京", 80), ("上海", 90),
    ("江苏", 70), ("浙江", 60), ("四川", 50)
]

map_chart = Map()
map_chart.add("", data, "china")
map_chart.set_global_opts(
    title_opts={"text": "中国各省份数据分布"},
    visualmap_opts={
        "min": 0,
        "max": 100,
        "text": ["高", "低"],
        "in_range": {"color": ["#50a3ba", "#eac736", "#d94e5d"]}
    }
)
map_chart.render("china_map.html")

注意：使用地图功能需要额外安装地图数据包：
bash复制pip install echarts-countries-pypkg echarts-china-provinces-pypkg echarts-china-cities-pypkg

4.2 组合图表

pyecharts允许将不同类型的图表组合在一起展示：

python复制from pyecharts.charts import Bar, Line, Grid

# 创建柱状图
bar = Bar()
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("系列1", [10, 20, 30, 40, 50])
bar.add_yaxis("系列2", [20, 10, 40, 30, 50])

# 创建折线图
line = Line()
line.add_xaxis(["A", "B", "C", "D", "E"])
line.add_yaxis("系列3", [15, 25, 35, 45, 55])

# 使用Grid组合图表
grid = Grid()
grid.add(bar, grid_opts={"right": "55%"})
grid.add(line, grid_opts={"left": "55%"})
grid.render("combined_chart.html")

4.3 主题定制

pyecharts内置了多种主题，可以轻松改变图表外观：

python复制from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.globals import ThemeType

bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
bar.add_xaxis(["A", "B", "C", "D", "E"])
bar.add_yaxis("系列1", [10, 20, 30, 40, 50])
bar.render("dark_theme_bar.html")

可用主题包括：

ThemeType.LIGHT（默认）
ThemeType.DARK
ThemeType.CHALK
ThemeType.ESSOS
ThemeType.INFOGRAPHIC
ThemeType.MACARONS
ThemeType.PURPLE_PASSION
ThemeType.ROMA
ThemeType.ROMANTIC
ThemeType.SHINE
ThemeType.VINTAGE
ThemeType.WALDEN
ThemeType.WESTEROS
ThemeType.WONDERLAND

5. 实战技巧与常见问题

5.1 数据预处理技巧

在实际项目中，原始数据往往需要预处理才能用于可视化。我常用的几个技巧：

使用Pandas进行数据清洗和转换：

python复制import pandas as pd

# 从CSV读取数据
df = pd.read_csv("sales_data.csv")

# 数据聚合
sales_by_region = df.groupby("region")["sales"].sum().reset_index()

# 转换为pyecharts需要的格式
data_for_chart = list(zip(sales_by_region["region"], sales_by_region["sales"]))

处理日期数据：

python复制# 将字符串日期转换为datetime
df["date"] = pd.to_datetime(df["date"])

# 按月份聚合
df["month"] = df["date"].dt.to_period("M")
monthly_sales = df.groupby("month")["sales"].sum()

5.2 性能优化

当处理大量数据时，图表可能会变得缓慢。以下是一些优化建议：

数据采样：对于时间序列数据，可以定期采样而不是使用所有数据点
使用更高效的图表类型：散点图比折线图更适合大数据量
关闭不必要的动画效果：

python复制line = Line(init_opts=opts.InitOpts(animation_opts=opts.AnimationOpts(animation=False)))

5.3 常见错误与解决方案

图表不显示或空白：
- 检查数据格式是否正确
- 确保调用了render()方法
- 查看浏览器控制台是否有JavaScript错误
地图显示不正确：
- 确保安装了正确的地图包
- 检查地区名称是否与pyecharts内置的名称一致
Jupyter Notebook中图表不显示：
- 确保安装了pyecharts-jupyter-installer
- 在Notebook开头运行：from pyecharts.globals import CurrentConfig; CurrentConfig.NOTEBOOK_TYPE = "jupyter"

5.4 将图表嵌入Web应用

pyecharts图表可以轻松嵌入到Flask或Django等Web框架中：

Flask示例：

python复制from flask import Flask
from pyecharts.charts import Bar

app = Flask(__name__)

@app.route("/")
def index():
    bar = Bar()
    bar.add_xaxis(["A", "B", "C"])
    bar.add_yaxis("系列", [1, 2, 3])
    return bar.render_embed()

Django示例：

python复制# views.py
from django.shortcuts import render
from pyecharts.charts import Bar

def chart_view(request):
    bar = Bar()
    bar.add_xaxis(["A", "B", "C"])
    bar.add_yaxis("系列", [1, 2, 3])
    chart_html = bar.render_embed()
    return render(request, "template.html", {"chart": chart_html})

html复制<!-- template.html -->
<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>图表展示</title>
    {{ chart|safe }}
</head>
<body>
</body>
</html>

6. 进阶应用与扩展

6.1 3D图表绘制

pyecharts支持多种3D图表，如3D柱状图、3D散点图等：

python复制from pyecharts.charts import Bar3D
import random

data = [(i, j, random.randint(0, 12)) for i in range(6) for j in range(24)]
bar3d = Bar3D()
bar3d.add(
    "",
    data,
    xaxis3d_opts=opts.Axis3DOpts(type_="category", data=["周一", "周二", "周三", "周四", "周五", "周六"]),
    yaxis3d_opts=opts.Axis3DOpts(type_="category", data=[str(i) for i in range(24)]),
    zaxis3d_opts=opts.Axis3DOpts(type_="value"),
)
bar3d.render("3d_bar.html")

6.2 动态数据更新

pyecharts支持动态数据更新，非常适合创建实时数据仪表盘：

python复制from pyecharts.charts import Line
from pyecharts import options as opts
import random
import time

line = Line()
line.add_xaxis([])
line.add_yaxis("随机数", [])

for i in range(10):
    line.extend_axis(
        xaxis_data=[str(i)],
        yaxis_data=[random.randint(0, 100)]
    )
    line.render("dynamic_line.html")
    time.sleep(1)

6.3 自定义主题

如果内置主题不满足需求，可以创建自定义主题：

首先创建一个主题JSON文件（如my_theme.json）：

json复制{
    "color": ["#c23531", "#2f4554", "#61a0a8", "#d48265", "#91c7ae"],
    "backgroundColor": "#f5f5f5",
    "textStyle": {},
    "title": {
        "textStyle": {
            "color": "#333"
        },
        "subtextStyle": {
            "color": "#aaa"
        }
    }
}

然后在代码中使用这个主题：

python复制from pyecharts.charts import Bar
from pyecharts.options import ThemeType

bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.CUSTOM_THEME, custom_theme_path="my_theme.json"))
bar.add_xaxis(["A", "B", "C"])
bar.add_yaxis("系列", [1, 2, 3])
bar.render("custom_theme_bar.html")

6.4 与其他库的集成

pyecharts可以与其他Python数据科学库无缝协作：

与Pandas集成：

python复制import pandas as pd
from pyecharts.charts import Bar

df = pd.DataFrame({
    "product": ["A", "B", "C"],
    "sales": [100, 200, 150]
})

bar = Bar()
bar.add_xaxis(df["product"].tolist())
bar.add_yaxis("销售额", df["sales"].tolist())
bar.render("pandas_bar.html")

与NumPy集成：

python复制import numpy as np
from pyecharts.charts import Scatter

x = np.random.randn(100)
y = np.random.randn(100)

scatter = Scatter()
scatter.add_xaxis(x.tolist())
scatter.add_yaxis("随机点", y.tolist())
scatter.render("numpy_scatter.html")

7. 项目实战：销售数据分析仪表盘

让我们综合运用所学知识，构建一个完整的销售数据分析仪表盘：

python复制from pyecharts.charts import Bar, Line, Pie, Grid
from pyecharts import options as opts
import pandas as pd
import numpy as np

# 模拟销售数据
np.random.seed(42)
dates = pd.date_range("20230101", periods=90)
products = ["A", "B", "C", "D"]
regions = ["East", "West", "North", "South"]

data = {
    "date": np.random.choice(dates, 1000),
    "product": np.random.choice(products, 1000),
    "region": np.random.choice(regions, 1000),
    "sales": np.random.randint(10, 100, 1000)
}
df = pd.DataFrame(data)

# 1. 月度销售额趋势图
monthly_sales = df.groupby(df["date"].dt.to_period("M"))["sales"].sum().reset_index()
monthly_sales["date"] = monthly_sales["date"].astype(str)

line = Line()
line.add_xaxis(monthly_sales["date"].tolist())
line.add_yaxis("销售额", monthly_sales["sales"].tolist())
line.set_global_opts(
    title_opts=opts.TitleOpts(title="月度销售额趋势"),
    tooltip_opts=opts.TooltipOpts(trigger="axis")
)

# 2. 产品销售额分布
product_sales = df.groupby("product")["sales"].sum().reset_index()

pie = Pie()
pie.add(
    "",
    [list(z) for z in zip(product_sales["product"], product_sales["sales"])],
    radius=["30%", "75%"],
    center=["25%", "50%"]
)
pie.set_global_opts(
    title_opts=opts.TitleOpts(title="产品销售额占比"),
    legend_opts=opts.LegendOpts(pos_left="15%")
)

# 3. 区域销售额对比
region_sales = df.groupby("region")["sales"].sum().reset_index()

bar = Bar()
bar.add_xaxis(region_sales["region"].tolist())
bar.add_yaxis("销售额", region_sales["sales"].tolist())
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="区域销售额对比"),
    xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15))
)

# 组合图表
grid = Grid()
grid.add(
    line,
    grid_opts=opts.GridOpts(pos_left="55%", pos_right="5%", pos_top="10%", pos_bottom="60%")
)
grid.add(
    pie,
    grid_opts=opts.GridOpts(pos_left="5%", pos_right="55%", pos_top="10%", pos_bottom="60%")
)
grid.add(
    bar,
    grid_opts=opts.GridOpts(pos_left="5%", pos_right="55%", pos_top="60%", pos_bottom="5%")
)

grid.render("sales_dashboard.html")

这个仪表盘包含了三个主要组件：

月度销售额趋势折线图
产品销售额分布饼图
区域销售额对比柱状图

在实际项目中，你可以：

替换模拟数据为真实销售数据
添加更多图表类型
增加交互功能，如下钻分析
连接数据库实现自动数据更新

8. 资源推荐与学习路径

8.1 官方资源

官方文档：https://pyecharts.org/
GitHub仓库：https://github.com/pyecharts/pyecharts
示例库：https://gallery.pyecharts.org/

8.2 推荐学习路径

根据我的经验，建议按以下顺序学习pyecharts：

基础图表：柱状图、折线图、饼图
地图可视化：中国地图、世界地图、热力图
高级图表：雷达图、箱线图、桑基图
图表组合与布局：Grid、Tab、Timeline
自定义主题与样式
动态数据与交互
Web集成与部署

8.3 进阶学习建议

学习ECharts的JavaScript API，理解底层原理
研究优秀的可视化案例，学习设计原则
参与开源项目，贡献代码或文档
关注数据可视化领域的最新发展

我在实际项目中发现，pyecharts的学习曲线相对平缓，但要想精通并创建专业级的可视化作品，需要不断实践和积累经验。建议从简单项目开始，逐步增加复杂度，同时注意收集和整理自己的代码片段库，这对提高工作效率很有帮助。