当前位置：首页 > news >正文

箱形图之美：Pyecharts库的高级参数解析与炫酷样式实践

news 来源：原创 2024/9/29 3:33:45

Pyecharts绘制多种炫酷箱形图参数说明+代码实战

引言

箱形图（Box Plot），又称为盒须图，是一种用于显示一组数据分布情况的统计图表。Pyecharts是一个基于Echarts的Python库，可以轻松地绘制各种交互式图表，包括箱形图。本文将介绍Pyecharts库中绘制箱形图的多种炫酷样式，同时详细说明相关参数，并通过实际代码演示实战操作。

安装Pyecharts

在开始之前，确保已安装Pyecharts库。如果没有安装，可使用以下命令进行安装：

pip install pyecharts

绘制基本箱形图

首先，我们将演示如何绘制基本的箱形图。以下是一个简单的示例代码：

from pyecharts.charts import Boxplot
from pyecharts import options as optsdata = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]x_axis = ['Category A', 'Category B', 'Category C']boxplot = (Boxplot().add_xaxis(x_axis).add_yaxis("Boxplot", Boxplot.prepare_data(data)).set_global_opts(title_opts=opts.TitleOpts(title="Basic Boxplot Example"))
)boxplot.render("basic_boxplot.html")

在这个例子中，我们定义了三个类别（Category A、Category B、Category C）的数据，并使用Boxplot类绘制了基本的箱形图。通过add_xaxis设置x轴标签，通过add_yaxis添加数据，最后通过set_global_opts设置全局选项，包括标题。
在这里插入图片描述

炫酷箱形图样式

1. 渐变色箱形图

from pyecharts.charts import Boxplot
from pyecharts import options as optsdata = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]x_axis = ['Category A', 'Category B', 'Category C']gradient_boxplot = (Boxplot().add_xaxis(x_axis).add_yaxis("Gradient Boxplot", Boxplot.prepare_data(data)).set_global_opts(title_opts=opts.TitleOpts(title="Gradient Boxplot"),visualmap_opts=opts.VisualMapOpts(is_show=True,dimension=1,series_index=0,min_=min(min(data[0]), min(data[1]), min(data[2])),max_=max(max(data[0]), max(data[1]), max(data[2])),range_text=["High", "Low"],orient="horizontal",pos_top="top",pos_left="right",),)
)gradient_boxplot.render("gradient_boxplot.html")

在渐变色箱形图中，我们通过visualmap_opts设置了颜色渐变，使箱体的颜色根据数据的大小变化而变化。

2. 半透明箱形图

from pyecharts.charts import Boxplot
from pyecharts import options as optsdata = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]x_axis = ['Category A', 'Category B', 'Category C']transparent_boxplot = (Boxplot().add_xaxis(x_axis).add_yaxis("Transparent Boxplot", Boxplot.prepare_data(data)).set_global_opts(title_opts=opts.TitleOpts(title="Transparent Boxplot"),visualmap_opts=opts.VisualMapOpts(is_show=True,dimension=1,series_index=0,min_=min(min(data[0]), min(data[1]), min(data[2])),max_=max(max(data[0]), max(data[1]), max(data[2])),range_text=["High", "Low"],orient="horizontal",pos_top="top",pos_left="right",is_piecewise=True,pieces=[{"value": 800, "label": "800以下", "color": "rgba(0,71,255,0.5)"},{"value": 900, "label": "800-900", "color": "rgba(0,71,255,0.7)"},{"value": 1000, "label": "900-1000", "color": "rgba(0,71,255,0.9)"},{"value": 1100, "label": "1000-1100", "color": "rgba(0,71,255,1)"},],),)
)transparent_boxplot.render("transparent_boxplot.html")

在半透明箱形图中，我们通过设置color参数为带有透明度的rgba值，使箱体呈现半透明效果。同时，通过is_piecewise和pieces设置颜色分段，以更好地展示数据区间。

3. 自定义箱线位置

from pyecharts.charts import Boxplot
from pyecharts import options as optsdata = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]x_axis = ['Category A', 'Category B', 'Category C']custom_boxplot = (Boxplot().add_xaxis(x_axis).add_yaxis("Custom Boxplot", Boxplot.prepare_data(data), box_gap=10).set_global_opts(title_opts=opts.TitleOpts(title="Custom Boxplot"))
)custom_boxplot.render("custom_boxplot.html")

通过设置box_gap参数，我们可以调整箱线之间的间距，使箱体更加紧凑或者间隔开。

进阶应用：箱形图与其他图表的结合

在实际数据分析中，箱形图通常用于展示数据的中位数、上下四分位数等统计指标。然而，为了更全面地呈现数据特征，我们经常需要将箱形图与其他图表结合使用。以下是一个将箱形图与折线图结合的示例：

from pyecharts.charts import Boxplot, Line
from pyecharts import options as optsdata_box = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]data_line = [830, 850, 910, 940, 960, 920]x_axis = ['Category A', 'Category B', 'Category C']combined_chart = (Boxplot().add_xaxis(x_axis).add_yaxis("Boxplot", Boxplot.prepare_data(data_box)).set_global_opts(title_opts=opts.TitleOpts(title="Combined Boxplot and Line Chart")).extend_axis(yaxis=opts.AxisOpts(name="Line Chart",type_="value",min_=min(data_line),max_=max(data_line),position="right",axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(color="green")),))
)line_chart = (Line().add_xaxis(x_axis).add_yaxis("Line Chart", data_line, yaxis_index=1).set_series_opts(label_opts=opts.LabelOpts(is_show=False))
)combined_chart.overlap(line_chart).render("combined_chart.html")

在这个例子中，我们使用extend_axis方法在右侧添加了一个与箱形图共享x轴的折线图。通过设置yaxis_index=1，我们让折线图与右侧的y轴关联。这样，我们可以在同一图表中同时展示箱形图和折线图，更全面地了解数据的分布情况。

这种结合不同类型图表的方式可以根据实际需求灵活运用，例如结合散点图、柱状图等，以展示更多数据维度的信息。

在这里插入图片描述

交互式箱形图：添加工具与事件

Pyecharts不仅提供了丰富的图表样式，还支持添加各种交互式工具和事件，使得用户能够更灵活地进行数据探索。以下是一个例子，演示了如何添加工具和事件来增强箱形图的交互性：

from pyecharts.charts import Boxplot
from pyecharts import options as optsdata = [[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880],[960, 940, 960, 940, 880, 800, 850, 880, 900],[890, 810, 810, 820, 800, 770, 760, 740],
]x_axis = ['Category A', 'Category B', 'Category C']interactive_boxplot = (Boxplot().add_xaxis(x_axis).add_yaxis("Interactive Boxplot", Boxplot.prepare_data(data)).set_global_opts(title_opts=opts.TitleOpts(title="Interactive Boxplot"),toolbox_opts=opts.ToolboxOpts(is_show=True, feature={"saveAsImage": {}}),tooltip_opts=opts.TooltipOpts(is_show=True, trigger="item", formatter="{a} <br/>{b} : {c}"),).set_series_opts(markpoint_opts=opts.MarkPointOpts(data=[{"type": "max", "name": "最大值"},{"type": "min", "name": "最小值"},]),markline_opts=opts.MarkLineOpts(data=[{"type": "average", "name": "平均值"},]),)
)interactive_boxplot.render("interactive_boxplot.html")