pyecharts

import pandas as pd from pyecharts import options as opts from pyecharts.charts import Radar df1=ts.get_hist_data('600132',start='2018-01-03',end='2018-01-03')#获取2018-01-03的600132股票数据 name=list(df1)#获取列名 v1=[list(df1.ix[0])] df2=ts.get_hist_data('600132',start='2018-01-02',end='2018-01-02')#获取2018-01-02的600132股票数据 v2=[list(df2.ix[0])] df=pd.concat([df1,df2],axis=0) up=list(df.describe().ix['max']*1.1)#设置上限 c = ( Radar() .add_schema( schema=[ opts.RadarIndicatorItem(name=name[i], max_=up[i]) for i in range(len(name)) ] ) .add("2018-01-03", v1) .add("2018-01-02", v2,color="#0004a1") .set_series

from pyecharts import options as opts from pyecharts.charts import Graph, Page nodes = [ {"name": "结点1", "symbolSize": 10}, {"name": "结点2", "symbolSize": 20}, {"name": "结点3", "symbolSize": 30}, {"name": "结点4", "symbolSize": 40}, {"name": "结点5", "symbolSize": 50}, {"name": "结点6", "symbolSize": 40}, {"name": "结点7", "symbolSize": 30}, {"name": "结点8", "symbolSize": 20}, ] links = [] for i in nodes: for j in nodes: links.append({"source": i.get("name"), "target": j.get("name")}) c = ( Graph() .add("", nodes, links,repulsion=8000,layout='circular')#layout='force'或'circular' .set_global_opts(title

开发工具 **Python版本：**3.6.4 相关模块： itchat模块； pandas模块； pyecharts模块。 环境搭建 安装Python并添加到环境变量，pip安装需要的相关模块即可。 相关文件 点赞转化此文后关注公众号：python工程狮，私信回复:“好友”即可获取 额外说明： pyecharts模块安装时请依次执行以下命令： pip install echarts-countries-pypkg pip install echarts-china-provinces-pypkg pip install echarts-china-cities-pypkg pip install pyecharts 若安装过程中出现： 'utf-8' codec can't decode byte 0xb6 或者类似的编码错误提示。 可尝试修改Python安装文件夹下如下图所示路径下的**__init__.py**文件的第75行代码： 修改为下图所示内容： 主要思路 微信好友数据通过itchat模块获取； 利用pandas模块进行简单的数据分析； 最后利用pyecharts模块将分析结果可视化。 具体实现过程详见源代码。 使用演示 在cmd窗口运行 Analysis_Wechat.py 文件即可。 和之前一样，需要 扫码登录微信 （这就不截图了吧）。 程序运行完后所有图都保存在

折线图 折线图 基本demo import pyecharts.options as opts from pyecharts.charts import Line c = ( Line() .add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"]) .add_yaxis('商家A', [114, 55, 27, 101, 125, 27, 105]) .add_yaxis('商家B',[57, 134, 137, 129, 145, 60, 49]) .set_global_opts(title_opts=opts.TitleOpts(title="Line-基本示例")) ) c.render_notebook() 折线图 如果有空数据连接 import pyecharts.options as opts from pyecharts.charts import Line c = ( Line() .add_xaxis([ " 衬衫 " , " 毛衣 " , " 领带 " , " 裤子 " , " 风衣 " , " 高跟鞋 " , " 袜子 " ]) .add_yaxis( ' 商家A ' , [114, 55, 27, 101, 125, None, 105],is_connect_nones= True) .add

仪表盘可用于表示（达成率）完成率等指标的数据呈现。 具体操作如下： # 先安装pyecharts库和Gauge库（最好是安装最新版的） pip install pyecharts pip install Gauge #导入相关模块 import pyecharts.options as opts from pyecharts.charts import Gauge Gaug_1=( #创建仪表盘对象，并设置大小，也可以不设置，直接使用默认大小即可 Gauge(init_opts=opts.InitOpts(width="800px", height="400px")) #设置数据系列名称及数据 .add(series_name="达成率", data_pair=[["达成率", 96.8]]) .set_global_opts( # 设置图表标题及位置 title_opts=opts.TitleOpts(title="蔬菜部门销售进度",pos_left="center"), # 设置不显示图例，饼图不建议使用图例，不方便读图 legend_opts=opts.LegendOpts(is_show=False), #设置提示框数据标签显示格式 tooltip_opts=opts.TooltipOpts(is_show=True, formatter="{a} <br/>{b} :

人生苦短，我用 Python 前文传送门： 小白学 Python 数据分析（1）：数据分析基础 小白学 Python 数据分析（2）：Pandas （一）概述 小白学 Python 数据分析（3）：Pandas （二）数据结构 Series 小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame 小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据 小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择 小白学 Python 数据分析（7）：Pandas （六）数据导入 小白学 Python 数据分析（8）：Pandas （七）数据预处理 小白学 Python 数据分析（9）：Pandas （八）数据预处理（2） 小白学 Python 数据分析（10）：Pandas （九）数据运算 小白学 Python 数据分析（11）：Pandas （十）数据分组 小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table） 小白学 Python 数据分析（13）：Pandas （十二）数据表拼接 小白学 Python 数据分析（14）：Pandas （十三）数据导出 小白学 Python 数据分析（15）：数据可视化概述 小白学 Python 数据分析（16）

最近参加了百度AI Studio的深度学习7日入门-CV疫情特辑课程，通过课程来入手学习深度学习框架-PaddlePaddle，同时学习深度学习的相关网络模型，本博客分享在学习过程中的一些心得。 1、通过对该课程的学习，首先了解了PaddlePaddle深度学习框架，然后在本地进行了安装使用；飞桨本地安装可参考飞桨官网：https://www.paddlepaddle.org.cn/documentation/docs/zh/install/index_cn.html 2、通过第一课学习到了百度的Pyecharts，可以进行各种类型的可视化图表绘制，Pycharts Api可参考：https://pyecharts.org/#/zh-cn/；本课程学会了如何爬取新冠肺炎疫情的全国数据，通过request和re模块进行数据爬取。 3、第二课通过手势识别项目，正式进入深度学习框架的使用，采用了一个DNN全连接神经网络进行手势识别图片的训练和预测，通过不断地调参和网络深度变化，最终提交了项目。 4、第三课通过车牌识别项目，学习了CNN神经网络，避免了DNN全连接带来的参数爆炸的问题，同时CNN利用了图片的位置信息，CNN采用了卷积层、池化层，能够更快更好的训练图片，从而更好的进行图片识别和分类。该项目采用了最经典的LeNet神经网络模型。 5、第四课通过口罩识别项目

今天在爬一个网站的时候，各个国家的名称是中文的，但要使用pyecharts.map绘图时要输入的国家名称却是英文的。 这时就需要一个字典来实现中英文名称的映射关系： nameMap = { ' Singapore Rep. ' : ' 新加坡 ' , ' Dominican Rep. ' : ' 多米尼加 ' , ' Palestine ' : ' 巴勒斯坦 ' , ' Bahamas ' : ' 巴哈马 ' , ' Timor-Leste ' : ' 东帝汶 ' , ' Afghanistan ' : ' 阿富汗 ' , ' Guinea-Bissau ' : ' 几内亚比绍 ' , " Côte d'Ivoire " : ' 科特迪瓦 ' , ' Siachen Glacier ' : ' 锡亚琴冰川 ' , " Br. Indian Ocean Ter. " : ' 英属印度洋领土 ' , ' Angola ' : ' 安哥拉 ' , ' Albania ' : ' 阿尔巴尼亚 ' , ' United Arab Emirates ' : ' 阿联酋 ' , ' Argentina ' : ' 阿根廷 ' , ' Armenia ' : ' 亚美尼亚 ' , ' French Southern and Antarctic Lands ' : ' 法属南半球和南极领地 ' ,

前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。 作者：小dull鸟 2020年高考已经落下帷幕，各地高考成绩近期陆续出来了，各大网站也都被各类高考信息刷屏，小编凑巧发现百度推出了“高考搜索大数据”网页，吸引了上亿人次浏览。 其中有一个高考报考迁移图很有意思，如下图所示： 第一步：整理数据 通过浏览器自带抓包工具得到数据接口： https://voice.baidu.com/api/commonkvapi?aid=gaokao&data={ "migration.list":{ "descId":6}}&= 返回的为json格式数据 接下来我们需要用python模拟爬取数据，原数据如上图，最后要把数据整理成字典格式，字典的键为省份，字典的值为该省考生最想去的前十个省份，格式如下： { '青海': [ '青海', '北京', '陕西', '江苏', '四川', '湖北', '上海', '甘肃', '山东', '重庆']} 实现这一过程的python代码如下： import requests import json url= 'https://voice.baidu.com/api/commonkvapi?aid=gaokao&data={"migration.list":{"descId":6}}&='

（转自： https://www.joinquant.com/community/post/detailMobile?postId=15186&page=&limit=20&replyId=&tag= ） 比如我想做个海通证券的收盘价走势图，然后保存成网页。 输入代码,去你保存的目录会发现html这个文件(比如'c:\数据\海通证券.html')，点击打开就会看到，可以下载图片和数据 from jqdatasdk import * import jqdatasdk import numpy as np jqdatasdk.auth("user", "password") from pyecharts import Bar, Line, Overlap, Page x = get_price('600837.XSHG', end_date='2018-11-09', frequency='daily', fields='close', skip_paused=False,fq='pre', count=70) x1=np.array(x['close']) t=x.index t=t.tolist() line = Line('海通证券') line.add("close", t,x1) line.render('c:\数据\海通证券.html') 要在C盘下先建立一个数据文件夹