pyecharts/docs/zh-cn/documentation.md

pyecharts 文档

pyecharts 是一个用于生成 Echarts 图表的类库。实际上就是 Echarts 与 Python 的对接。

• 开始使用

• 通用配置项

  • xyAxis：直角坐标系中的 x、y 轴(Line、Bar、Scatter、EffectScatter、Kline)
  • dataZoom：dataZoom 组件 用于区域缩放，从而能自由关注细节的数据信息，或者概览数据整体，或者去除离群点的影响。(Line、Bar、Scatter、EffectScatter、Kline、Boxplot)
  • legend：图例组件。图例组件展现了不同系列的标记(symbol)，颜色和名字。可以通过点击图例控制哪些系列不显示。
  • label：图形上的文本标签，可用于说明图形的一些数据信息，比如值，名称等。
  • lineStyle：带线图形的线的风格选项(Line、Polar、Radar、Graph、Parallel)
  • grid3D：3D笛卡尔坐标系组配置项，适用于 3D 图形。（Bar3D, Line3D, Scatter3D)
  • axis3D：3D 笛卡尔坐标系 X，Y，Z 轴配置项，适用于 3D 图形。（Bar3D, Line3D, Scatter3D)
  • visualMap：是视觉映射组件，用于进行『视觉编码』，也就是将数据映射到视觉元素（视觉通道）
  • markLine&markPoint：图形标记组件，用于标记指定的特殊数据，又标记线和标记点两种。（Bar、Line、Kline）
  • tooltip：提示框组件，用于移动或点击鼠标时弹出数据内容

• 图表详细

  • Bar（柱状图/条形图）
  • Bar3D（3D 柱状图）
  • Boxplot（箱形图）
  • EffectScatter（带有涟漪特效动画的散点图）
  • Funnel（漏斗图）
  • Gauge（仪表盘）
  • Geo（地理坐标系）
  • Graph（关系图）
  • HeatMap（热力图）
  • Kline（K线图）
  • Line（折线/面积图）
  • Line3D（3D 折线图）
  • Liquid（水球图）
  • Map（地图）
  • Parallel（平行坐标系）
  • Pie（饼图）
  • Polar（极坐标系）
  • Radar（雷达图）
  • Sankey（桑基图）
  • Scatter（散点图）
  • Scatter3D（3D 散点图）
  • ThemeRiver（主题河流图）
  • TreeMap（树图）
  • WordCloud（词云图）

• 用户自定义

  • Grid 类：并行显示多张图
  • Overlap 类：结合不同类型图表叠加画在同张图上
  • Page 类：同一网页按顺序展示多图
  • Timeline 类：提供时间线轮播多张图

• 使用技巧

• 集成Flask&Django

• 更多示例

• 关于项目

开始使用

确认你已安装了最新版本的 pyecharts

print(pyecharts.__version__) 可查看当前 pyecharts 版本，更多版本信息请查看 changelog.md

首先开始来绘制你的第一个图表

from pyecharts import Bar

bar = Bar("我的第一个图表", "这里是副标题")
bar.add("服装", ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"], [5, 20, 36, 10, 75, 90])
bar.show_config()
bar.render()

Note： 可以按右边的下载按钮将图片下载到本地，如果想要提供更多实用工具按钮，请在 add() 中设置 is_more_utils 为 True

• add()
  主要方法，用于添加图表的数据和设置各种配置项
• show_config()
  打印输出图表的所有配置项
• render()
  默认将会在根目录下生成一个 render.html 的文件，支持 path 参数，设置文件保存位置，如 render(r"e:\my_first_chart.html")，文件用浏览器打开。

使用 pyecharts-snapshot 插件

如果想直接将图片保存为 png 或者 pdf 格式的文件，可以使用 pyecharts-snapshot。使用该插件请确保你的系统上已经安装了 node.js 环境，如果没有，请到这里下载 https://nodejs.org/en/download/

1. 安装 phantomjs
   npm install -g phantomjs-prebuilt
2. 安装 pyecharts-snapshot
   pip install pyecharts-snapshot
3. 引入 pyecharts-snapshot
   from pyecharts_snapshot.main import make_a_snapshot
4. 调用方法
   make_a_snapshot('render.html', 'snapshot.png')
   make_a_snapshot() 第一个参数为生成的 .html 文件，第二个参数为要保存的文件，可以为 png/pdf

更多内容请移步至 pyecharts-snapshot

Jupyter notebook 小贴士

对本库的现有用户来说，0.1.9.5 版本的离线模式要求： 1）老版本已完全卸载 2）您现有的 notebook 文档需要刷新并重新运行。

离线模式工作原理：pyecharts 自动把 echarts 脚本文件装在了 jupyter nbextensions 文件夹下面。以下代码可以告诉你 pyecharts 网页脚本是否装到了 Jupyter 里面：

$ jupyter nbextension list
Known nbextensions:
  config dir: /Users/jaska/.jupyter/nbconfig
    notebook section
      echarts/main  enabled 
      - Validating: OK

在特殊的情况下，如果你想要 pyecharts 更新所有的脚本文件的话，你可以运行下面的命令：

$ git clone https://github.com/chfw/jupyter-echarts.git
$ cd jupyter-echarts
$ jupyter nbextension install echarts --user

在下一个画图动作的时候，您的脚本文件会被更新。

下面这个删除命令估计只有参与 pyecharts 开发者才会用到

$ jupyter nbextension uninstall echarts --user

jupyter-notebook 输出问题

自 0.1.9.7 起，pyecharts 已经进入全部离线模式，也就是没有网络，也能画图。jupyter notebook 输出后，你的 notebook 离开了本地 jupyter 环境，图片就不能显示了。 为了解决这个问题，再画图之前，你可以多加两个语句：

...
from pyecharts import online

online()
...

这样，所有的脚本会从 http://chfw.github.io/jupyter-echarts/echarts 下载。如果你联不上 Github, 你可以先把 https://github.com/chfw/jupyter-echarts 克隆一下。然后在你自己的服务器上，把整个 echarts 挂上去。

下面我简单示范一下

$ cd jupyter-echarts/echarts
$ python -m http.server # for python 2, use python -m SimpleHTTPServer
Serving HTTP on 0.0.0.0 port 8000 ...

然后，再把本地服务器加进前面的语句：

...
from pyecharts import online

online(host="http://localhost:8000)
...

Python2 编码问题

默认的编码类型为 UTF-8，在 Python3 中是没什么问题的，Python3 对中文的支持好很多。但是在 Python2 中，请应用下面的语句，保证没有编码问题:

#!/usr/bin/python
#coding=utf-8
from __future__ import unicode_literals

前两句告知你的编辑器你用 UTF-8 (PEP-0263). 最后一句告知 Python 所有字符是 UTF-8 (unicode literals)

基本上所有的图表类型都是这样绘制的：

1. chart_name = Type() 初始化具体类型图表。
2. add() 添加数据及配置项。
3. render() 生成 .html 文件。

add() 数据一般为两个列表（长度一致）。
如果你的数据是字典或者是带元组的字典。可利用 cast() 方法转换。

@staticmethod
cast(seq)
``` 转换数据序列，将带字典和元组类型的序列转换为 k_lst,v_lst 两个列表 ``` 

1. 元组列表
   [(A1, B1), (A2, B2), (A3, B3), (A4, B4)] --> k_lst[ A[i1, i2...] ], v_lst[ B[i1, i2...] ]
2. 字典列表
   [{A1: B1}, {A2: B2}, {A3: B3}, {A4: B4}] --> k_lst[ A[i1, i2...] ], v_lst[ B[i1, i2...] ]
3. 字典
   {A1: B1, A2: B2, A3: B3, A4: B4} -- > k_lst[ A[i1, i2...] ], v_lst[ B[i1, i2...] ]

Pandas&Numpy 简单示例

如果使用的是 Numpy 或者 Pandas，可以参考这个示例

Note： 使用 Pandas&Numpy 时，整数类型请确保为 int，而不是 numpy.int32

当然你也可以采用更加酷炫的方式，使用 Jupyter Notebook 来展示图表，matplotlib 有的，pyecharts 也会有的
Note： 从 0.1.9.2 版本开始，废弃 render_notebook() 方法，现已采用更加 pythonic 的做法。直接调用本身实例就可以了。

比如这样

还有这样

如果使用的是自定义类，直接调用自定义类示例即可

更多 Jupyter notebook 的例子请参考 notebook-use-cases。可下载后运行看看。

如需使用 Jupyter Notebook 来展示图表，只需要调用自身实例即可，同时兼容 Python2 和 Python3 的 Jupyter Notebook 环境。所有图表均可正常显示，与浏览器一致的交互体验，这下展示报告连 PPT 都省了！！

图表类初始化所接受的参数（所有类型的图表都一样）。

• title -> str
  主标题文本，支持 \n 换行，默认为 ""
• subtitle -> str
  副标题文本，支持 \n 换行，默认为 ""
• width -> int
  画布宽度，默认为 800（px）
• height -> int
  画布高度，默认为 400（px）
• title_pos -> str/int
  标题距离左侧距离，默认为'left'，有'auto', 'left', 'right', 'center'可选，也可为百分比或整数
• title_top -> str/int
  标题距离顶部距离，默认为'top'，有'top', 'middle', 'bottom'可选，也可为百分比或整数
• title_color -> str
  主标题文本颜色，默认为 '#000'
• subtitle_color -> str
  副标题文本颜色，默认为 '#aaa'
• title_text_size -> int
  主标题文本字体大小，默认为 18
• subtitle_text_size -> int
  副标题文本字体大小，默认为 12
• background_color -> str
  画布背景颜色，默认为 '#fff'
• page_title -> str
  指定生成的 html 文件中 <title> 标签的值。默认为'Echarts'
• jshost-> str
  自定义每个实例的 JavaScript host

通用配置项

通用配置项均在 add() 中设置

xyAxis：直角坐标系中的 x、y 轴(Line、Bar、Scatter、EffectScatter、Kline)

• is_convert -> bool
  是否交换 x 轴与 y 轴
• is_xaxislabel_align -> bool
  x 轴刻度线和标签是否对齐，默认为 False
• is_yaxislabel_align -> bool
  y 轴刻度线和标签是否对齐，默认为 False
• is_xaxis_inverse -> bool
  是否反向 x 坐标轴，默认为 False
• is_yaxis_inverse -> bool
  是否反向 y 坐标轴，默认为 False
• is_xaxis_boundarygap -> bool
  x 轴两边留白策略，适用于类目轴。类目轴中 boundaryGap 可以配置为 True 和 False。默认为 True，这时候刻度只是作为分隔线，标签和数据点都会在两个刻度之间的带(band)中间，即两边留白。
• is_yaxis_boundarygap -> bool
  y 轴两边留白策略，适用于类目轴。类目轴中 boundaryGap 可以配置为 True 和 False。默认为 True，这时候刻度只是作为分隔线，标签和数据点都会在两个刻度之间的带(band)中间，即两边留白。
• is_xaxis_show -> bool
  是否显示 x 轴
• is_yaxis_show -> bool
  是否显示 y 轴
• x_axis -> list
  x 轴数据项
• xaxis_interval -> int
  x 轴刻度标签的显示间隔，在类目轴中有效。默认会采用标签不重叠的策略间隔显示标签。
  设置成 0 强制显示所有标签。设置为 1，表示『隔一个标签显示一个标签』，如果值为 2，表示隔两个标签显示一个标签，以此类推
• xaxis_force_interval -> int/str
  强制设置 x 坐标轴分割间隔。如设置为 50 则刻度为 [0, 50, 150, ...]，设置为 "auto" 则只显示两个刻度。一般情况下不建议设置这个参数！！
  因为 splitNumber 是预估的值，实际根据策略计算出来的刻度可能无法达到想要的效果，这时候可以使用 interval 配合 min、max 强制设定刻度划分。在类目轴中无效。
• xaxis_margin -> int
  x 轴刻度标签与轴线之间的距离。默认为 8
• xaxis_name -> str
  x 轴名称
• xaxis_name_size -> int
  x 轴名称体大小，默认为 14
• xaxis_name_gap -> int
  x 轴名称与轴线之间的距离，默认为 25
• xaxis_name_pos -> str
  x 轴名称位置，有'start'，'middle'，'end'可选
• xaxis_min -> int/float
  x 坐标轴刻度最小值，默认为自适应。使用特殊值 "dataMin" 可自定以数据中最小值为 x 轴最小值。
• xaxis_max -> int/float
  x 坐标轴刻度最大值，默认为自适应。使用特殊值 "dataMax" 可自定以数据中最小值为 x 轴最大值。
• xaxis_pos -> str
  x 坐标轴位置，有'top','bottom'可选
• xaxis_type -> str
  x 坐标轴类型
  • 'value'：数值轴，适用于连续数据。
  • 'category'：类目轴，适用于离散的类目数据。
  • 'log'：对数轴。适用于对数数据。
• xaxis_rotate -> int
  x 轴刻度标签旋转的角度，在类目轴的类目标签显示不下的时候可以通过旋转防止标签之间重叠。默认为 0，即不旋转。旋转的角度从 -90 度到 90 度。
• y_axis -> list
  y 坐标轴数据
• yaxis_interval -> int
  y 轴刻度标签的显示间隔，在类目轴中有效。默认会采用标签不重叠的策略间隔显示标签。
  设置成 0 强制显示所有标签。设置为 1，表示『隔一个标签显示一个标签』，如果值为 2，表示隔两个标签显示一个标签，以此类推
• yaxis_force_interval -> int/str
  强制设置 y 坐标轴分割间隔。如设置为 50 则刻度为 [0, 50, 150, ...]，设置为 "auto" 则只显示两个刻度。一般情况下不建议设置这个参数！！
  因为 splitNumber 是预估的值，实际根据策略计算出来的刻度可能无法达到想要的效果，这时候可以使用 interval 配合 min、max 强制设定刻度划分。在类目轴中无效。
• yaxis_margin -> int
  y 轴刻度标签与轴线之间的距离。默认为 8
• yaxis_formatter -> str
  y 轴标签格式器，如 '天'，则 y 轴的标签为数据加'天'(3 天，4 天),默认为 ""
• yaxis_name -> str
  y 轴名称
• yaxis_name_size -> int
  y 轴名称体大小，默认为 14
• yaxis_name_gap -> int
  y 轴名称与轴线之间的距离，默认为 25
• yaxis_name_pos -> str
  y 轴名称位置，有'start', 'middle'，'end'可选
• yaxis_min -> int/float
  y 坐标轴刻度最小值，默认为自适应。使用特殊值 "dataMin" 可自定以数据中最小值为 y 轴最小值。
• yaxis_max -> int/float
  y 坐标轴刻度最大值，默认为自适应。使用特殊值 "dataMax" 可自定以数据中最小值为 y 轴最大值。
• yaxis_pos -> str
  y 坐标轴位置，有'left','right'可选
• yaxis_type -> str
  y 坐标轴类型
  • 'value'：数值轴，适用于连续数据。
  • 'category'：类目轴，适用于离散的类目数据。
  • 'log'：对数轴。适用于对数数据。
• yaxis_rotate -> int
  y 轴刻度标签旋转的角度，在类目轴的类目标签显示不下的时候可以通过旋转防止标签之间重叠。默认为 0，即不旋转。旋转的角度从 -90 度到 90 度。

dataZoom：dataZoom 组件 用于区域缩放，从而能自由关注细节的数据信息，或者概览数据整体，或者去除离群点的影响。(Line、Bar、Scatter、EffectScatter、Kline)

• is_datazoom_show -> bool
  是否使用区域缩放组件，默认为 False
• datazoom_type -> str
  区域缩放组件类型，默认为'slider'，有'slider', 'inside', 'both'可选
• datazoom_range -> list
  区域缩放的范围，默认为[50, 100]
• datazoom_orient -> str
  datazoom 组件在直角坐标系中的方向，默认为 'horizontal'，效果显示在 x 轴。如若设置为 'vertical' 的话效果显示在 y 轴。
• datazoom_xaxis_index -> int/list
  datazoom 组件控制的 x 轴索引
  默认控制第一个 x 轴，如没特殊需求无须显示指定。单个为 int 类型而控制多个为 list 类型，如 [0, 1] 表示控制第一个和第二个 x 轴。
• datazoom_yaxis_index -> int/list
  datazoom 组件控制的 y 轴索引
  默认控制第一个 y 轴，如没特殊需求无须显示指定。单个为 int 类型而控制多个为 list 类型，如 [0, 1] 表示控制第一个和第二个 x 轴。

legend：图例组件。图例组件展现了不同系列的标记(symbol)，颜色和名字。可以通过点击图例控制哪些系列不显示。

• is_legend_show -> bool
  是否显示顶端图例，默认为 True
• legend_orient -> str
  图例列表的布局朝向，默认为'horizontal'，有'horizontal', 'vertical'可选
• legend_pos -> str
  图例组件离容器左侧的距离，默认为'center'，有'left', 'center', 'right'可选
• legend_top -> str
  图例组件离容器上侧的距离，默认为'top'，有'top', 'center', 'bottom'可选
• legend_selectedmode -> str/bool
  图例选择的模式，控制是否可以通过点击图例改变系列的显示状态。默认为'multiple'，可以设成 'single' 或者 'multiple' 使用单选或者多选模式。也可以设置为 False 关闭显示状态。
• legend_text_size -> int
  图例名称字体大小
• legend_text_color -> str
  图例名称字体颜色

label：图形上的文本标签，可用于说明图形的一些数据信息，比如值，名称等。

• is_label_show -> bool
  是否正常显示标签，默认不显示。标签即各点的数据项信息
• is_label_emphasis -> bool
  是否高亮显示标签，默认显示。高亮标签即选中数据时显示的信息项。
• label_pos -> str
  标签的位置，Bar 图默认为'top'。有'top', 'left', 'right', 'bottom', 'inside','outside'可选
• label_emphasis_pos -> str
  高亮标签的位置，Bar 图默认为'top'。有'top', 'left', 'right', 'bottom', 'inside','outside'可选
• label_text_color -> str
  标签字体颜色，默认为 "#000"
• label_emphasis_textcolor -> str
  高亮标签字体颜色，默认为 "#fff"
• label_text_size -> int
  标签字体大小，默认为 12
• label_emphasis_textsize -> int
  高亮标签字体大小，默认为 12
• is_random -> bool
  是否随机排列颜色列表，默认为 False
• label_color -> list
  自定义标签颜色。全局颜色列表，所有图表的图例颜色均在这里修改。如 Bar 的柱状颜色，Line 的线条颜色等等。
• label_formatter -> str
  模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等。使用示例，如 label_formatter='{a}'
  在 trigger 为 'axis' 的时候，会有多个系列的数据，此时可以通过 {a0}, {a1}, {a2} 这种后面加索引的方式表示系列的索引。不同图表类型下的 {a}，{b}，{c}，{d} 含义不一样。 其中变量 {a}, {b}, {c}, {d} 在不同图表类型下代表数据含义为：
  • 折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）
  • 散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）
  • 地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）
  • 饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）

Note： is_random 可随机打乱图例颜色列表，算是切换风格？建议试一试！

lineStyle：带线图形的线的风格选项(Line、Polar、Radar、Graph、Parallel)

• line_width -> int
  线的宽度，默认为 1
• line_opacity -> float
  线的透明度，0 为完全透明，1 为完全不透明。默认为 1
• line_curve -> float
  线的弯曲程度，0 为完全不弯曲，1 为最弯曲。默认为 0
• line_type -> str
  线的类型，有'solid', 'dashed', 'dotted'可选。默认为'solid'
• line_color -> str
  线的颜色

grid3D：3D 笛卡尔坐标系组配置项，适用于 3D 图形。（Bar3D, Line3D, Scatter3D)

• grid3d_width -> int
  三维笛卡尔坐标系组件在三维场景中的高度。默认为 100
• grid3d_height -> int
  三维笛卡尔坐标系组件在三维场景中的高度。默认为 100
• grid3d_depth -> int
  三维笛卡尔坐标系组件在三维场景中的高度。默认为 100
• is_grid3d_rotate -> bool
  是否开启视角绕物体的自动旋转查看。默认为 False
• grid3d_rotate_speed -> int
  物体自传的速度。单位为角度 / 秒，默认为 10 ，也就是 36 秒转一圈。
• grid3d_rotate_sensitivity -> int
  旋转操作的灵敏度，值越大越灵敏。默认为 1, 设置为 0 后无法旋转。

axis3D：3D 笛卡尔坐标系 X，Y，Z 轴配置项

X 轴

• xaxis3d_name -> str
  x 轴名称，默认为 ""
• xaxis3d_name_size -> int
  x 轴名称体大小，默认为 16
• xaxis3d_name_gap -> int
  x 轴名称与轴线之间的距离，默认为 25
• xaxis3d_min -> int/float
  x 坐标轴刻度最小值，默认为自适应。
• xaxis3d_max -> int/float
  x 坐标轴刻度最大值，默认为自适应。
• xaxis3d_interval -> int
  x 轴刻度标签的显示间隔，在类目轴中有效。默认会采用标签不重叠的策略间隔显示标签。
  设置成 0 强制显示所有标签。设置为 1，表示『隔一个标签显示一个标签』，如果值为 2，表示隔两个标签显示一个标签，以此类推
• xaxis3d_margin -> int
  x 轴刻度标签与轴线之间的距离。默认为 8

Y 轴

• yaxis3d_name -> str
  y 轴名称，默认为 ""
• yaxis3d_name_size -> int
  y 轴名称体大小，默认为 16
• yaxis3d_name_gap -> int
  y 轴名称与轴线之间的距离，默认为 25
• yaxis3d_min -> int/float
  y 坐标轴刻度最小值，默认为自适应。
• yaxis3d_max -> int/float
  y 坐标轴刻度最大值，默认为自适应。
• yaxis3d_interval -> int
  y 轴刻度标签的显示间隔，在类目轴中有效。默认会采用标签不重叠的策略间隔显示标签。
  设置成 0 强制显示所有标签。设置为 1，表示『隔一个标签显示一个标签』，如果值为 2，表示隔两个标签显示一个标签，以此类推
• yaxis3d_margin -> int
  y 轴刻度标签与轴线之间的距离。默认为 8

Z 轴

• zaxis3d_name -> str
  z 轴名称，默认为 ""
• zaxis3d_name_size -> int
  z 轴名称体大小，默认为 16
• zaxis3d_name_gap -> int
  z 轴名称与轴线之间的距离，默认为 25
• zaxis3d_min -> int/float
  z 坐标轴刻度最小值，默认为自适应。
• zaxis3d_max -> int/float
  z 坐标轴刻度最大值，默认为自适应。
• zaxis3d_margin -> int
  z 轴刻度标签与轴线之间的距离。默认为 8

visualMap：是视觉映射组件，用于进行『视觉编码』，也就是将数据映射到视觉元素（视觉通道）

• is_visualmap -> bool
  是否使用视觉映射组件
• visual_type -> str
  制定组件映射方式，默认为'color‘，即通过颜色来映射数值。有'color', 'size'可选。'szie'通过数值点的大小，也就是图形点的大小来映射数值。
• visual_range -> list
  指定组件的允许的最小值与最大值。默认为 [0, 100]
• visual_text_color -> list
  两端文本颜色。
• visual_range_text -> list
  两端文本。默认为 ['low', 'hight']
• visual_range_color -> list
  过渡颜色。默认为 ['#50a3ba', '#eac763', '#d94e5d']
• visual_range_size -> list
  数值映射的范围，也就是图形点大小的范围。默认为 [20, 50]
• visual_orient -> str
  visualMap 组件条的方向，默认为'vertical'，有'vertical', 'horizontal'可选。
• visual_pos -> str/int
  visualmap 组件条距离左侧的位置，默认为'left'。有'right', 'center', 'right'可选，也可为百分数或整数。
• visual_top -> str/int
  visualmap 组件条距离顶部的位置，默认为'top'。有'top', 'center', 'bottom'可选，也可为百分数或整数。
• visual_split_number -> int
  分段型中分割的段数，在设置为分段型时生效。默认分为 5 段。
• visual_dimension -> int
  指定用数据的『哪个维度』，映射到视觉元素上。默认映射到最后一个维度。索引从 0 开始。
  在直角坐标系中，x 轴为第一个维度（0），y 轴为第二个维度（1）。
• is_calculable -> bool
  是否显示拖拽用的手柄（手柄能拖拽调整选中范围）。默认为 True
• is_piecewise -> bool
  是否将组件转换为分段型（默认为连续型），默认为 False

tooltip：提示框组件，用于移动或点击鼠标时弹出数据内容

• tooltip_tragger -> str
  触发类型。默认为 'item'
  • 'item': 数据项图形触发，主要在散点图，饼图等无类目轴的图表中使用。
  • 'axis': 坐标轴触发，主要在柱状图，折线图等会使用类目轴的图表中使用。
  • 'none': 什么都不触发。
• tooltip_tragger_on -> str
  提示框触发的条件。默认为 "mousemove|click"
  • 'mousemove': 鼠标移动时触发。
  • 'click': 鼠标点击时触发。
  • 'mousemove|click': 同时鼠标移动和点击时触发。
  • 'none': 不在 'mousemove' 或 'click' 时触发
• tooltip_axispointer_type -> str
  指示器类型。默认为 "line"
  • 'line': 直线指示器
  • 'shadow': 阴影指示器
  • 'cross': 十字准星指示器。其实是种简写，表示启用两个正交的轴的 axisPointer。
• tooltip_formatter -> str
  模板变量有 {a}, {b}，{c}，{d}，{e}，分别表示系列名，数据名，数据值等。
  在 trigger 为 'axis' 的时候，会有多个系列的数据，此时可以通过 {a0}, {a1}, {a2} 这种后面加索引的方式表示系列的索引。不同图表类型下的 {a}，{b}，{c}，{d} 含义不一样。 其中变量 {a}, {b}, {c}, {d} 在不同图表类型下代表数据含义为：
  • 折线（区域）图、柱状（条形）图、K线图 : {a}（系列名称），{b}（类目值），{c}（数值）, {d}（无）
  • 散点图（气泡）图 : {a}（系列名称），{b}（数据名称），{c}（数值数组）, {d}（无）
  • 地图 : {a}（系列名称），{b}（区域名称），{c}（合并数值）, {d}（无）
  • 饼图、仪表盘、漏斗图: {a}（系列名称），{b}（数据项名称），{c}（数值）, {d}（百分比）
• tooltip_text_color -> str
  提示框字体颜色，默认为 '#fff'
• tooltip_font_size -> int
  提示框字体大小，默认为 14

markLine&markPoint：图形标记组件，用于标记指定的特殊数据，又标记线和标记点两种（Bar、Line、Kline）

• mark_point -> list
  标记点，默认有'min', 'max', 'average'可选。支持自定义标记点，具体使用如下
  [{"coord": [a1, b1], "name": "first markpoint"}, {"coord": [a2, b2], "name": "second markpoint"}]
  需自己传入标记点字典，共有两个键值对，'coord' 对应为 x y 轴坐标， 'name' 为标记点名称
• mark_point_symbol -> str
  标记点图形，，默认为'pin'，有'circle', 'rect', 'roundRect', 'triangle', 'diamond', 'pin', 'arrow'可选
• mark_point_symbolsize -> int
  标记点图形大小，默认为 50
• mark_point_textcolor -> str
  标记点字体颜色，默认为'#fff'
• mark_line -> list
  标记线，默认有'min', 'max', 'average'可选
• mark_line_symbolsize -> int
  标记线图形大小，默认为 15
• mark_line_valuedim -> str
  指定在哪个维度上指定最大值最小值。这可以是维度的直接名称，Line 时可以是 x、angle 等、Kline 图时可以是 open、close、highest、lowest。

toolbox：设置 is_more_utils 为 True 可以提供更多的实用工具按钮。默认只提供『数据视图』和『下载』按钮

图表详细

Bar（柱状图/条形图）

柱状/条形图，通过柱形的高度/条形的宽度来表现数据的大小。

Bar.add() 方法签名

add(name, x_axis, y_axis, is_stack=False, bar_category_gap='20%', **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> list
  y 坐标轴数据
• is_stack -> bool
  数据堆叠，同个类目轴上系列配置相同的 stack 值可以堆叠放置
• bar_category_gap -> int/str
  类目轴的柱状距离，当设置为 0 时柱状是紧挨着（直方图类型），默认为 '20%'

from pyecharts import Bar

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("柱状图数据堆叠示例")
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True)
bar.render()

Note： 全局配置项要在最后一个 add() 上设置，否侧设置会被冲刷掉。

from pyecharts import Bar

bar = Bar("标记线和标记点示例")
bar.add("商家A", attr, v1, mark_point=["average"])
bar.add("商家B", attr, v2, mark_line=["min", "max"])
bar.render()

from pyecharts import Bar

bar = Bar("x 轴和 y 轴交换")
bar.add("商家A", attr, v1)
bar.add("商家B", attr, v2, is_convert=True)
bar.render()

dataZoom 效果，'slider' 类型

import random

attr = ["{}天".format(i) for i in range(30)]
v1 = [random.randint(1, 30) for _ in range(30)]
bar = Bar("Bar - datazoom - slider 示例")
bar.add("", attr, v1, is_label_show=True, is_datazoom_show=True)
bar.render()

'inside' 类型

attr = ["{}天".format(i) for i in range(30)]
v1 = [random.randint(1, 30) for _ in range(30)]
bar = Bar("Bar - datazoom - inside 示例")
bar.add("", attr, v1, is_datazoom_show=True, datazoom_type='inside', datazoom_range=[10, 25])
bar.render()

'both' 类型

attr = ["{}天".format(i) for i in range(30)]
v1 = [random.randint(1, 30) for _ in range(30)]
bar = Bar("Bar - datazoom - inside 示例")
bar.add("", attr, v1, is_datazoom_show=True, datazoom_type='both', datazoom_range=[10, 25])
bar.render()

Note： datazoom 适合所有平面直角坐标系图形，也就是(Line、Bar、Scatter、EffectScatter、Kline)

当 x 轴或者 y 轴的标签因为过于密集而导致全部显示出来会重叠的话，可采用使标签旋转的方法。

attr = ["{}天".format(i) for i in range(20)]
v1 = [random.randint(1, 20) for _ in range(20)]
bar = Bar("坐标轴标签旋转示例")
bar.add("", attr, v1, xaxis_interval=0, xaxis_rotate=30, yaxis_rotate=30)
bar.render()

Note： 可通过设置 xaxis_min/xaxis_max/yaxis_min/yaxis_max 来调整 x 轴和 y 轴上的最大最小值。针对数值轴有效！
Note： 可以通过 label_color 来设置柱状的颜色，如 ['#eee', '#000']，所有的图表类型的图例颜色都可通过 label_color 来修改。

瀑布图示例

from pyecharts import Bar

attr = ["{}月".format(i) for i in range(1, 8)]
v1 = [0, 100, 200, 300, 400, 220, 250]
v2 = [1000, 800, 600, 500, 450, 400, 300]
bar = Bar("瀑布图示例")
# 利用第一个 add() 图例的颜色为透明，即 'rgba(0,0,0,0)'，并且设置 is_stack 标志为 True
bar.add("", attr, v1, label_color=['rgba(0,0,0,0)'], is_stack=True)
bar.add("月份", attr, v2, is_label_show=True, is_stack=True, label_pos='inside')
bar.render()

直方图示例

from pyecharts import Bar

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("直方图示例")
bar.add("", attr * 2, v1 + v2, bar_category_gap=0)
bar.render()

Bar3D（3D 柱状图）

Bar3D.add() 方法签名

add(name, x_axis, y_axis, data, grid3d_opacity=1, grid3d_shading='color', **kwargs)

• name -> str
  图例名称
• x_axis -> str
  x 坐标轴数据。需为类目轴，也就是不能是数值。
• y_axis -> str
  y 坐标轴数据。需为类目轴，也就是不能是数值。
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』
• grid3d_opacity -> int
  3D 笛卡尔坐标系组的透明度（柱状的透明度），默认为 1，完全不透明。
• grid3d_shading -> str
  三维柱状图中三维图形的着色效果。
  • color：只显示颜色，不受光照等其它因素的影响。
  • lambert：通过经典的 lambert 着色表现光照带来的明暗。
  • realistic：真实感渲染，配合 light.ambientCubemap 和 postEffect 使用可以让展示的画面效果和质感有质的提升。ECharts GL 中使用了基于物理的渲染（PBR) 来表现真实感材质。

from pyecharts import Bar3D

bar3d = Bar3D("3D 柱状图示例", width=1200, height=600)
x_axis = ["12a", "1a", "2a", "3a", "4a", "5a", "6a", "7a", "8a", "9a", "10a", "11a",
          "12p", "1p", "2p", "3p", "4p", "5p", "6p", "7p", "8p", "9p", "10p", "11p"]
y_axis = ["Saturday", "Friday", "Thursday", "Wednesday", "Tuesday", "Monday", "Sunday"]
data = [
    [0, 0, 5], [0, 1, 1], [0, 2, 0], [0, 3, 0], [0, 4, 0], [0, 5, 0],
    [0, 6, 0], [0, 7, 0], [0, 8, 0], [0, 9, 0], [0, 10, 0], [0, 11, 2],
    [0, 12, 4], [0, 13, 1], [0, 14, 1], [0, 15, 3], [0, 16, 4], [0, 17, 6],
    [0, 18, 4], [0, 19, 4], [0, 20, 3], [0, 21, 3], [0, 22, 2], [0, 23, 5],
    [1, 0, 7], [1, 1, 0], [1, 2, 0], [1, 3, 0], [1, 4, 0], [1, 5, 0],
    [1, 6, 0], [1, 7, 0], [1, 8, 0], [1, 9, 0], [1, 10, 5], [1, 11, 2],
    [1, 12, 2], [1, 13, 6], [1, 14, 9], [1, 15, 11], [1, 16, 6], [1, 17, 7],
    [1, 18, 8], [1, 19, 12], [1, 20, 5], [1, 21, 5], [1, 22, 7], [1, 23, 2],
    [2, 0, 1], [2, 1, 1], [2, 2, 0], [2, 3, 0], [2, 4, 0], [2, 5, 0],
    [2, 6, 0], [2, 7, 0], [2, 8, 0], [2, 9, 0], [2, 10, 3], [2, 11, 2],
    [2, 12, 1], [2, 13, 9], [2, 14, 8], [2, 15, 10], [2, 16, 6], [2, 17, 5],
    [2, 18, 5], [2, 19, 5], [2, 20, 7], [2, 21, 4], [2, 22, 2], [2, 23, 4],
    [3, 0, 7], [3, 1, 3], [3, 2, 0], [3, 3, 0], [3, 4, 0], [3, 5, 0],
    [3, 6, 0], [3, 7, 0], [3, 8, 1], [3, 9, 0], [3, 10, 5], [3, 11, 4],
    [3, 12, 7], [3, 13, 14], [3, 14, 13], [3, 15, 12], [3, 16, 9], [3, 17, 5],
    [3, 18, 5], [3, 19, 10], [3, 20, 6], [3, 21, 4], [3, 22, 4], [3, 23, 1],
    [4, 0, 1], [4, 1, 3], [4, 2, 0], [4, 3, 0], [4, 4, 0], [4, 5, 1],
    [4, 6, 0], [4, 7, 0], [4, 8, 0], [4, 9, 2], [4, 10, 4], [4, 11, 4],
    [4, 12, 2], [4, 13, 4], [4, 14, 4], [4, 15, 14], [4, 16, 12], [4, 17, 1],
    [4, 18, 8], [4, 19, 5], [4, 20, 3], [4, 21, 7], [4, 22, 3], [4, 23, 0],
    [5, 0, 2], [5, 1, 1], [5, 2, 0], [5, 3, 3], [5, 4, 0], [5, 5, 0],
    [5, 6, 0], [5, 7, 0], [5, 8, 2], [5, 9, 0], [5, 10, 4], [5, 11, 1],
    [5, 12, 5], [5, 13, 10], [5, 14, 5], [5, 15, 7], [5, 16, 11], [5, 17, 6],
    [5, 18, 0], [5, 19, 5], [5, 20, 3], [5, 21, 4], [5, 22, 2], [5, 23, 0],
    [6, 0, 1], [6, 1, 0], [6, 2, 0], [6, 3, 0], [6, 4, 0], [6, 5, 0],
    [6, 6, 0], [6, 7, 0], [6, 8, 0], [6, 9, 0], [6, 10, 1], [6, 11, 0],
    [6, 12, 2], [6, 13, 1], [6, 14, 3], [6, 15, 4], [6, 16, 0], [6, 17, 0],
    [6, 18, 0], [6, 19, 0], [6, 20, 1], [6, 21, 2], [6, 22, 2], [6, 23, 6]
    ]
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
bar3d.add("", x_axis, y_axis, [[d[1], d[0], d[2]] for d in data], is_visualmap=True,
          visual_range=[0, 20], visual_range_color=range_color, grid3d_width=200, grid3d_depth=80)
bar3d.render()

data 中，如 [1, 2, 3] 表示 x 轴的索引为 1，即 "1a"；y 轴的索引为 2，即 "Thursday"；z 轴的数值为 3

设置 grid3d_shading 可以让柱状更真实

bar3d = Bar3D("3D 柱状图示例", width=1200, height=600)
bar3d.add("", x_axis, y_axis, [[d[1], d[0], d[2]] for d in data], is_visualmap=True,
          visual_range=[0, 20], visual_range_color=range_color, grid3d_width=200,
          grid3d_depth=80, grid3d_shading='lambert')
bar3d.render()

设置 is_grid3d_rotate 启动自动旋转功能

bar3d = Bar3D("3D 柱状图示例", width=1200, height=600)
bar3d.add("", x_axis, y_axis, [[d[1], d[0], d[2]] for d in data], is_visualmap=True,
          visual_range=[0, 20], visual_range_color=range_color, grid3d_width=200,
          grid3d_depth=80, is_grid3d_rotate=True)
bar3d.render()

设置 grid3d_rotate_speed 调节旋转速度

bar3d = Bar3D("3D 柱状图示例", width=1200, height=600)
bar3d.add("", x_axis, y_axis, [[d[1], d[0], d[2]] for d in data], is_visualmap=True,
          visual_range=[0, 20], visual_range_color=range_color, grid3d_width=200,
          grid3d_depth=80, is_grid3d_rotate=True, grid3d_rotate_speed=180)
bar3d.render()

Note： 关于 gird3D 部分的设置，请参照通用配置项中的介绍 通用配置项

Boxplot（箱形图）

箱形图是一种用作显示一组数据分散情况资料的统计图。它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数。

Boxplot.add() 方法签名

add(name, x_axis, y_axis, **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> [list], 包含列表的列表
  y 坐标轴数据，二维数组的每一数组项（上例中的每行）是渲染一个 box，它含有五个量值，依次是：
  [min, Q1, median (or Q2), Q3, max]

可自行计算出所需五个数值，也可通过内置 prepare_data() 转换，prepare_data() 会将传入的嵌套列表中的数据转换为嵌套的 [min, Q1, median (or Q2), Q3, max]，如下所示：

from pyecharts import Boxplot

boxplot = Boxplot("箱形图")
x_axis = ['expr1', 'expr2', 'expr3', 'expr4', 'expr5']
y_axis = [
    [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880,
    1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],
    [960, 940, 960, 940, 880, 800, 850, 880, 900, 840,
    830, 790, 810, 880, 880, 830, 800, 790, 760, 800],
    [880, 880, 880, 860, 720, 720, 620, 860, 970, 950,
    880, 910, 850, 870, 840, 840, 850, 840, 840, 840],
    [890, 810, 810, 820, 800, 770, 760, 740, 750, 760,
    910, 920, 890, 860, 880, 720, 840, 850, 850, 780],
    [890, 840, 780, 810, 760, 810, 790, 810, 820, 850,
    870, 870, 810, 740, 810, 940, 950, 800, 810, 870]
]
_yaxis = boxplot.prepare_data(y_axis)       # 转换数据
boxplot.add("boxplot", x_axis, _yaxis)
boxplot.render()

或者直接在 add() 中转换

from pyecharts import Boxplot

boxplot = Boxplot("箱形图")
x_axis = ['expr1', 'expr2']
y_axis1 = [
    [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880,
    1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],
    [960, 940, 960, 940, 880, 800, 850, 880, 900, 840,
    830, 790, 810, 880, 880, 830, 800, 790, 760, 800],
]
y_axis2 = [
    [890, 810, 810, 820, 800, 770, 760, 740, 750, 760,
    910, 920, 890, 860, 880, 720, 840, 850, 850, 780],
    [890, 840, 780, 810, 760, 810, 790, 810, 820, 850,
    870, 870, 810, 740, 810, 940, 950, 800, 810, 870]
]
boxplot.add("category1", x_axis, boxplot.prepare_data(y_axis1))
boxplot.add("category2", x_axis, boxplot.prepare_data(y_axis2))
boxplot.render()

EffectScatter（带有涟漪特效动画的散点图）

利用动画特效可以将某些想要突出的数据进行视觉突出。

EffectScatter.add() 方法签名

add(name, x_axis, y_axis, symbol_size=10, **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> list
  y 坐标轴数据
• symbol_size -> int
  标记图形大小，默认为 10

from pyecharts import EffectScatter

v1 = [10, 20, 30, 40, 50, 60]
v2 = [25, 20, 15, 10, 60, 33]
es = EffectScatter("动态散点图示例")
es.add("effectScatter", v1, v2)
es.render()

es = EffectScatter("动态散点图各种图形示例")
es.add("", [10], [10], symbol_size=20, effect_scale=3.5, effect_period=3, symbol="pin")
es.add("", [20], [20], symbol_size=12, effect_scale=4.5, effect_period=4,symbol="rect")
es.add("", [30], [30], symbol_size=30, effect_scale=5.5, effect_period=5,symbol="roundRect")
es.add("", [40], [40], symbol_size=10, effect_scale=6.5, effect_brushtype='fill',symbol="diamond")
es.add("", [50], [50], symbol_size=16, effect_scale=5.5, effect_period=3,symbol="arrow")
es.add("", [60], [60], symbol_size=6, effect_scale=2.5, effect_period=3,symbol="triangle")
es.render()

• symbol -> str
  标记图形，有'rect', 'roundRect', 'triangle', 'diamond', 'pin', 'arrow'可选
• effect_brushtype -> str
  波纹绘制方式，有'stroke', 'fill'可选。默认为'stroke'
• effect_scale -> float
  动画中波纹的最大缩放比例。默认为 2.5
• effect_period -> float
  动画持续的时间。默认为 4（s）

Funnel（漏斗图）

Funnel.add() 方法签名

add(self, name, attr, value, **kwargs)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list
  属性所对应的值

from pyecharts import Funnel

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
value = [20, 40, 60, 80, 100, 120]
funnel = Funnel("漏斗图示例")
funnel.add("商品", attr, value, is_label_show=True, label_pos="inside", label_text_color="#fff")
funnel.render()

funnel = Funnel("漏斗图示例", width=600, height=400, title_pos='center')
funnel.add("商品", attr, value, is_label_show=True, label_pos="outside",
           legend_orient='vertical', legend_pos='left')
funnel.render()

Gauge（仪表盘）

Gauge.add() 方法签名

add(name, attr, value, scale_range=None, angle_range=None, **kwargs)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list 属性所对应的值
• scale_range -> list
  仪表盘数据范围。默认为 [0, 100]
• angle_range -> list
  仪表盘角度范围。默认为 [225, -45]

from pyecharts import Gauge

gauge = Gauge("仪表盘示例")
gauge.add("业务指标", "完成率", 66.66)
gauge.render()

gauge = Gauge("仪表盘示例")
gauge.add("业务指标", "完成率", 166.66, angle_range=[180, 0], scale_range=[0, 200],
          is_legend_show=False)
gauge.render()

Geo（地理坐标系）

地理坐标系组件用于地图的绘制，支持在地理坐标系上绘制散点图，线集。

Geo.add() 方法签名

add(name, attr, value, type="scatter", maptype='china', symbol_size=12, border_color="#111",
    geo_normal_color="#323c48", geo_emphasis_color="#2a333d", geo_cities_coords=None, **kwargs)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list
  属性所对应的值
• type -> str
  图例类型，有'scatter', 'effectscatter', 'heatmap'可选。默认为 'scatter'
• maptype -> str
  地图类型。 支持 china、world、安徽、澳门、北京、重庆、福建、福建、甘肃、广东，广西、广州、海南、河北、黑龙江、河南、湖北、湖南、江苏、江西、吉林、辽宁、内蒙古、宁夏、青海、山东、上海、陕西、山西、四川、台湾、天津、香港、新疆、西藏、云南、浙江，以及 363个二线城市地图。提醒：在画市级地图的时候，城市名字后面的‘市’要省去了，比如，石家庄市的‘市’不要提，即‘石家庄’就可以了。
• symbol_size -> int
  标记图形大小。默认为 12
• border_color -> str
  地图边界颜色。默认为 '#111'
• geo_normal_color -> str
  正常状态下地图区域的颜色。默认为 '#323c48'
• geo_emphasis_color -> str
  高亮状态下地图区域的颜色。默认为 '#2a333d'
• geo_cities_coords -> dict
  用户自定义地区经纬度，类似如 {'阿城': [126.58, 45.32],} 这样的字典，当用于提供了该参数时，将会覆盖原有预存的区域坐标信息。

Scatter 类型（连续型）

from pyecharts import Geo

data = [
    ("海门", 9),("鄂尔多斯", 12),("招远", 12),("舟山", 12),("齐齐哈尔", 14),("盐城", 15),
    ("赤峰", 16),("青岛", 18),("乳山", 18),("金昌", 19),("泉州", 21),("莱西", 21),
    ("日照", 21),("胶南", 22),("南通", 23),("拉萨", 24),("云浮", 24),("梅州", 25),
    ("文登", 25),("上海", 25),("攀枝花", 25),("威海", 25),("承德", 25),("厦门", 26),
    ("汕尾", 26),("潮州", 26),("丹东", 27),("太仓", 27),("曲靖", 27),("烟台", 28),
    ("福州", 29),("瓦房店", 30),("即墨", 30),("抚顺", 31),("玉溪", 31),("张家口", 31),
    ("阳泉", 31),("莱州", 32),("湖州", 32),("汕头", 32),("昆山", 33),("宁波", 33),
    ("湛江", 33),("揭阳", 34),("荣成", 34),("连云港", 35),("葫芦岛", 35),("常熟", 36),
    ("东莞", 36),("河源", 36),("淮安", 36),("泰州", 36),("南宁", 37),("营口", 37),
    ("惠州", 37),("江阴", 37),("蓬莱", 37),("韶关", 38),("嘉峪关", 38),("广州", 38),
    ("延安", 38),("太原", 39),("清远", 39),("中山", 39),("昆明", 39),("寿光", 40),
    ("盘锦", 40),("长治", 41),("深圳", 41),("珠海", 42),("宿迁", 43),("咸阳", 43),
    ("铜川", 44),("平度", 44),("佛山", 44),("海口", 44),("江门", 45),("章丘", 45),
    ("肇庆", 46),("大连", 47),("临汾", 47),("吴江", 47),("石嘴山", 49),("沈阳", 50),
    ("苏州", 50),("茂名", 50),("嘉兴", 51),("长春", 51),("胶州", 52),("银川", 52),
    ("张家港", 52),("三门峡", 53),("锦州", 54),("南昌", 54),("柳州", 54),("三亚", 54),
    ("自贡", 56),("吉林", 56),("阳江", 57),("泸州", 57),("西宁", 57),("宜宾", 58),
    ("呼和浩特", 58),("成都", 58),("大同", 58),("镇江", 59),("桂林", 59),("张家界", 59),
    ("宜兴", 59),("北海", 60),("西安", 61),("金坛", 62),("东营", 62),("牡丹江", 63),
    ("遵义", 63),("绍兴", 63),("扬州", 64),("常州", 64),("潍坊", 65),("重庆", 66),
    ("台州", 67),("南京", 67),("滨州", 70),("贵阳", 71),("无锡", 71),("本溪", 71),
    ("克拉玛依", 72),("渭南", 72),("马鞍山", 72),("宝鸡", 72),("焦作", 75),("句容", 75),
    ("北京", 79),("徐州", 79),("衡水", 80),("包头", 80),("绵阳", 80),("乌鲁木齐", 84),
    ("枣庄", 84),("杭州", 84),("淄博", 85),("鞍山", 86),("溧阳", 86),("库尔勒", 86),
    ("安阳", 90),("开封", 90),("济南", 92),("德阳", 93),("温州", 95),("九江", 96),
    ("邯郸", 98),("临安", 99),("兰州", 99),("沧州", 100),("临沂", 103),("南充", 104),
    ("天津", 105),("富阳", 106),("泰安", 112),("诸暨", 112),("郑州", 113),("哈尔滨", 114),
    ("聊城", 116),("芜湖", 117),("唐山", 119),("平顶山", 119),("邢台", 119),("德州", 120),
    ("济宁", 120),("荆州", 127),("宜昌", 130),("义乌", 132),("丽水", 133),("洛阳", 134),
    ("秦皇岛", 136),("株洲", 143),("石家庄", 147),("莱芜", 148),("常德", 152),("保定", 153),
    ("湘潭", 154),("金华", 157),("岳阳", 169),("长沙", 175),("衢州", 177),("廊坊", 193),
    ("菏泽", 194),("合肥", 229),("武汉", 273),("大庆", 279)]

geo = Geo("全国主要城市空气质量", "data from pm2.5", title_color="#fff", title_pos="center",
width=1200, height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, visual_range=[0, 200], visual_text_color="#fff",
        symbol_size=15, is_visualmap=True)
geo.render()

Note： 请配合 通用配置项 中的 Visualmap 使用

Scatter 类型（分段型）

geo = Geo("全国主要城市空气质量", "data from pm2.5", title_color="#fff", title_pos="center",
width=1200, height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, visual_range=[0, 200], visual_text_color="#fff",
        symbol_size=15, is_visualmap=True, is_piecewise=True, visual_split_number=6)
geo.render()

HeatMap 类型

geo = Geo("全国主要城市空气质量", "data from pm2.5", title_color="#fff", title_pos="center",
          width=1200, height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, type="heatmap", is_visualmap=True, visual_range=[0, 300],
        visual_text_color='#fff')
geo.render()

EffectScatter 类型（全国）

from pyecharts import Geo

data = [("海门", 9), ("鄂尔多斯", 12), ("招远", 12), ("舟山", 12), ("齐齐哈尔", 14), ("盐城", 15)]
geo = Geo("全国主要城市空气质量", "data from pm2.5", title_color="#fff", title_pos="center",
          width=1200, height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, type="effectScatter", is_random=True, effect_scale=5)
geo.render()

EffectScatter 类型（广东）

from pyecharts import Geo

data =[
    ('汕头市', 50), ('汕尾市', 60), ('揭阳市', 35), ('阳江市', 44), ('肇庆市', 72)
]
geo = Geo("广东城市空气质量", "data from pm2.5", title_color="#fff", title_pos="center",
            width=1200, height=600, background_color='#404a59')
attr, value = geo.cast(data)
geo.add("", attr, value, maptype='广东', type="effectScatter",
        is_random=True, effect_scale=5, is_legend_show=False)
geo.render()

Graph（关系图）

用于展现节点以及节点之间的关系数据。

Graph.add() 方法签名

add(name, nodes, links, categories=None, is_focusnode=True, is_roam=True, is_rotatelabel=False,
    layout="force", graph_edge_length=50, graph_gravity=0.2, graph_repulsion=50, **kwargs)

• name -> str
  图例名称
• nodes -> dict
  关系图结点，包含的数据项有
  • name：结点名称（必须有！）
  • x：节点的初始 x 值
  • y：节点的初始 y 值
  • value：结点数值
  • category：结点类目
  • symbol：标记图形
  • symbolSize：标记图形大小
• links -> dict
  结点间的关系数据，包含的数据项有
  • source：边的源节点名称的字符串，也支持使用数字表示源节点的索引（必须有！）
  • target：边的目标节点名称的字符串，也支持使用数字表示源节点的索引（必须有！）
  • vaule：边的数值，可以在力引导布局中用于映射到边的长度
• categories -> list
  结点分类的类目，结点可以指定分类，也可以不指定。
  如果节点有分类的话可以通过 nodes[i].category 指定每个节点的类目，类目的样式会被应用到节点样式上
• is_focusnode -> bool
  是否在鼠标移到节点上的时候突出显示节点以及节点的边和邻接节点。默认为 True
• is_roam -> bool/str
  是否开启鼠标缩放和平移漫游。默认为 True
  如果只想要开启缩放或者平移，可以设置成'scale'或者'move'。设置成 True 为都开启
• is_rotatelabel -> bool
  是否旋转标签，默认为 False
• graph_layout -> str
  关系图布局，默认为 'force'
  • none：不采用任何布局，使用节点中必须提供的 x， y 作为节点的位置。
  • circular：采用环形布局
  • force：采用力引导布局
• graph_edge_length -> int
  力布局下边的两个节点之间的距离，这个距离也会受 repulsion 影响。默认为 50
  支持设置成数组表达边长的范围，此时不同大小的值会线性映射到不同的长度。值越小则长度越长
• graph_gravity -> int
  节点受到的向中心的引力因子。该值越大节点越往中心点靠拢。默认为 0.2
• graph_repulsion -> int
  节点之间的斥力因子。默认为 50
  支持设置成数组表达斥力的范围，此时不同大小的值会线性映射到不同的斥力。值越大则斥力越大
• graph_edge_symbol -> str/list
  边两端的标记类型，可以是一个数组分别指定两端，也可以是单个统一指定。默认不显示标记，常见的可以设置为箭头，如下：edgeSymbol: ['circle', 'arrow']
• graph_edge_symbolsize -> int/list
  边两端的标记大小，可以是一个数组分别指定两端，也可以是单个统一指定。

from pyecharts import Graph

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')})
graph = Graph("关系图-力引导布局示例")
graph.add("", nodes, links, repulsion=8000)
graph.render()

graph = Graph("关系图-环形布局示例")
graph.add("", nodes, links, is_label_show=True,
          graph_repulsion=8000, graph_layout='circular', label_text_color=None)
graph.render()

from pyecharts import Graph

import json
with open("..\json\weibo.json", "r", encoding="utf-8") as f:
    j = json.load(f)
    nodes, links, categories, cont, mid, userl = j
graph = Graph("微博转发关系图", width=1200, height=600)
graph.add("", nodes, links, categories, label_pos="right", graph_repulsion=50,
          is_legend_show=False, line_curve=0.2, label_text_color=None)
graph.render()

Note： 可配置 lineStyle 参数

HeatMap（热力图）

热力图主要通过颜色去表现数值的大小，必须要配合 visualMap 组件使用。直角坐标系上必须要使用两个类目轴。

HeatMap.add() 方法签名

add(*args, **kwargs)

如果指定了 is_calendar_heatmap（使用日历热力图）为 True，则参数为

• name -> str
  图例名称
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』
• calendar_date_range -> str/list
  日历热力图的日期, "2016" 表示 2016 年, ["2016-5-5", "2017-5-5"] 表示 2016 年 5 月 5 日至 2017 年 5 月 5 日
• calendar_cell_size -> list
  日历每格框的大小，可设置单值 或数组 第一个元素是宽 第二个元素是高，支持设置自适应 "auto"。默认为 ["auto", 20]

默认为不指定，参数为

• name -> str
  图例名称
• x_axis -> str
  x 坐标轴数据。需为类目轴，也就是不能是数值。
• y_axis -> str
  y 坐标轴数据。需为类目轴，也就是不能是数值。
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』

默认情况，不指定 is_calendar_heatmap

import random
from pyecharts import HeatMap

x_axis = ["12a", "1a", "2a", "3a", "4a", "5a", "6a", "7a", "8a", "9a", "10a", "11a",
          "12p", "1p", "2p", "3p", "4p", "5p", "6p", "7p", "8p", "9p", "10p", "11p"]
y_axis = ["Saturday", "Friday", "Thursday", "Wednesday", "Tuesday", "Monday", "Sunday"]
data = [[i, j, random.randint(0, 50)] for i in range(24) for j in range(7)]
heatmap = HeatMap()
heatmap.add("热力图直角坐标系", x_axis, y_axis, data, is_visualmap=True,
            visual_text_color="#000", visual_orient='horizontal')
heatmap.render()

使用日历热力图，指定 is_calendar_heatmap 为 True

import datetime
import random
from pyecharts import HeatMap

begin = datetime.date(2017, 1, 1)
end = datetime.date(2017, 12, 31)
data = [[str(begin + datetime.timedelta(days=i)),
        random.randint(1000, 25000)] for i in range((end - begin).days + 1)]
heatmap = HeatMap("日历热力图示例", "某人 2017 年微信步数情况", width=1100)
heatmap.add("", data, is_calendar_heatmap=True,
            visual_text_color='#000', visual_range_text=['', ''],
            visual_range=[1000, 25000], calendar_cell_size=['auto', 30],
            is_visualmap=True, calendar_date_range="2017",
            visual_orient="horizontal", visual_pos="center",
            visual_top="80%", is_piecewise=True)
heatmap.render()

Note： 热力图必须配合 通用配置项 中的 VisualMap 使用才有效果。

Kline（K线图）

红涨蓝跌

Kline.add() 方法签名

add(name, x_axis, y_axis, **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> [list], 包含列表的列表
  y 坐标轴数据。数据中，每一行是一个『数据项』，每一列属于一个『维度』。 数据项具体为 [open, close, lowest, highest] （即：[开盘值, 收盘值, 最低值, 最高值]）

from pyecharts import Kline

v1 = [[2320.26, 2320.26, 2287.3, 2362.94], [2300, 2291.3, 2288.26, 2308.38],
      [2295.35, 2346.5, 2295.35, 2345.92], [2347.22, 2358.98, 2337.35, 2363.8],
      [2360.75, 2382.48, 2347.89, 2383.76], [2383.43, 2385.42, 2371.23, 2391.82],
      [2377.41, 2419.02, 2369.57, 2421.15], [2425.92, 2428.15, 2417.58, 2440.38],
      [2411, 2433.13, 2403.3, 2437.42], [2432.68, 2334.48, 2427.7, 2441.73],
      [2430.69, 2418.53, 2394.22, 2433.89], [2416.62, 2432.4, 2414.4, 2443.03],
      [2441.91, 2421.56, 2418.43, 2444.8], [2420.26, 2382.91, 2373.53, 2427.07],
      [2383.49, 2397.18, 2370.61, 2397.94], [2378.82, 2325.95, 2309.17, 2378.82],
      [2322.94, 2314.16, 2308.76, 2330.88], [2320.62, 2325.82, 2315.01, 2338.78],
      [2313.74, 2293.34, 2289.89, 2340.71], [2297.77, 2313.22, 2292.03, 2324.63],
      [2322.32, 2365.59, 2308.92, 2366.16], [2364.54, 2359.51, 2330.86, 2369.65],
      [2332.08, 2273.4, 2259.25, 2333.54], [2274.81, 2326.31, 2270.1, 2328.14],
      [2333.61, 2347.18, 2321.6, 2351.44], [2340.44, 2324.29, 2304.27, 2352.02],
      [2326.42, 2318.61, 2314.59, 2333.67], [2314.68, 2310.59, 2296.58, 2320.96],
      [2309.16, 2286.6, 2264.83, 2333.29], [2282.17, 2263.97, 2253.25, 2286.33],
      [2255.77, 2270.28, 2253.31, 2276.22]]
kline = Kline("K 线图示例")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1)
kline.render()

Kline + dataZoom

kline = Kline("K 线图示例")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1,
          mark_point=["max"], is_datazoom_show=True)
kline.render()

dataZoom 效果加在纵坐标轴上

kline = Kline("K 线图示例")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1, mark_point=["max"],
          is_datazoom_show=True, datazoom_orient='vertical')
kline.render()

指定 markLine 位于开盘或者收盘上

kline = Kline("K 线图示例")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)],
          v1, mark_line=["max"], mark_line_symbolsize=0,
          datazoom_orient='vertical', mark_line_valuedim='close')
kline.render()

Line（折线/面积图）

折线图是用折线将各个数据点标志连接起来的图表，用于展现数据的变化趋势。

Line.add() 方法签名

add(name, x_axis, y_axis, is_symbol_show=True, is_smooth=False, is_stack=False,
    is_step=False, is_fill=False, **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> list
  y 坐标轴数据
• is_symbol_show -> bool
  是否显示标记图形，默认为 True
• is_smooth -> bool
  是否平滑曲线显示，默认为 False
• is_stack -> bool
  数据堆叠，同个类目轴上系列配置相同的 stack 值可以堆叠放置。默认为 False
• is_step -> bool/str
  是否是阶梯线图。可以设置为 True 显示成阶梯线图。默认为 False
  也支持设置成'start', 'middle', 'end'分别配置在当前点，当前点与下个点的中间下个点拐弯。
• is_fill -> bool
  是否填充曲线所绘制面积，默认为 False

from pyecharts import Line

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 10, 100]
v2 = [55, 60, 16, 20, 15, 80]
line = Line("折线图示例")
line.add("商家A", attr, v1, mark_point=["average"])
line.add("商家B", attr, v2, is_smooth=True, mark_line=["max", "average"])
line.render()

标记点其他配置

line = Line("折线图示例")
line.add("商家A", attr, v1, mark_point=["average", "max", "min"],
         mark_point_symbol='diamond', mark_point_textcolor='#40ff27')
line.add("商家B", attr, v2, mark_point=["average", "max", "min"],
         mark_point_symbol='arrow', mark_point_symbolsize=40)
line.render()

line = Line("折线图示例")
line.add("商家A", attr, v1,
            mark_point=["average", {
                "coord": ["裤子", 10], "name": "这是我想要的第一个标记点"}])
line.add("商家B", attr, v2, is_smooth=True,
            mark_point=[{
                "coord": ["袜子", 80], "name": "这是我想要的第二个标记点"}])
line.render()

line = Line("折线图-数据堆叠示例")
line.add("商家A", attr, v1, is_stack=True, is_label_show=True)
line.add("商家B", attr, v2, is_stack=True, is_label_show=True)
line.render()

line = Line("折线图-阶梯图示例")
line.add("商家A", attr, v1, is_step=True, is_label_show=True)
line.render()

line = Line("折线图-面积图示例")
line.add("商家A", attr, v1, is_fill=True, line_opacity=0.2, area_opacity=0.4, symbol=None)
line.add("商家B", attr, v2, is_fill=True, area_color='#000', area_opacity=0.3, is_smooth=True)
line.render()

• area_opacity -> float
  填充区域透明度
• area_color -> str
  填充区域颜色

Note： 可配置 lineStyle 参数
Note： 可以通过 label_color 来设置线条颜色，如 ['#eee', '#000']，所有的图表类型的图例颜色都可通过 label_color 来修改。

如果是对数数据，推荐使用 yaxis_type 参数来设置 y 坐标轴为对数轴

import math, random
line = Line("折线图示例")
line.add("商家A", attr, [math.log10(random.randint(1, 99999)) for _ in range(6)])
line.add("商家B", attr, [math.log10(random.randint(1, 99999999)) for _ in range(6)],
         yaxis_type="log")
line.render()

Line3D（3D 折线图）

Line3D.add() 方法签名

add(name, data, grid3d_opacity=1, **kwargs)

• name -> str
  图例名称
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』
• grid3d_opacity -> int
  3D 笛卡尔坐标系组的透明度（线的透明度），默认为 1，完全不透明。

画个弹簧

from pyecharts import Line3D

import math
_data = []
for t in range(0, 25000):
    _t = t / 1000
    x = (1 + 0.25 * math.cos(75 * _t)) * math.cos(_t)
    y = (1 + 0.25 * math.cos(75 * _t)) * math.sin(_t)
    z = _t + 2.0 * math.sin(75 * _t)
    _data.append([x, y, z])
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
line3d = Line3D("3D 折线图示例", width=1200, height=600)
line3d.add("", _data, is_visualmap=True, visual_range_color=range_color, visual_range=[0, 30],
           grid3d_rotate_sensitivity=5)
line3d.render()

旋转弹簧

from pyecharts import Line3D

import math
_data = []
for t in range(0, 25000):
    _t = t / 1000
    x = (1 + 0.25 * math.cos(75 * _t)) * math.cos(_t)
    y = (1 + 0.25 * math.cos(75 * _t)) * math.sin(_t)
    z = _t + 2.0 * math.sin(75 * _t)
    _data.append([x, y, z])
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
line3d = Line3D("3D 折线图示例", width=1200, height=600)
line3d.add("", _data, is_visualmap=True, visual_range_color=range_color, visual_range=[0, 30],
           is_grid3d_rotate=True, grid3d_rotate_speed=180)
line3d.render()

Note： 关于 gird3D 部分的设置，请参照通用配置项中的介绍 通用配置项

Liquid（水球图）

主要用来突出数据的百分比。

Liquid.add() 方法签名

add(name, data, shape='circle', liquid_color=None, is_liquid_animation=True,
    is_liquid_outline_show=True, **kwargs)

• name -> str
  图例名称
• data -> list
  数据项
• shape -> str
  水球外形，有'circle', 'rect', 'roundRect', 'triangle', 'diamond', 'pin', 'arrow'可选。默认'circle'
• liquid_color -> list
  波浪颜色，默认的颜色列表为['#294D99', '#156ACF', '#1598ED', '#45BDFF']。
• is_liquid_animation -> bool
  是否显示波浪动画，默认为 True。
• is_liquid_outline_show -> bool
  是否显示边框，默认为 True。

from pyecharts import Liquid

liquid = Liquid("水球图示例")
liquid.add("Liquid", [0.6])
liquid.render()

from pyecharts import Liquid

liquid = Liquid("水球图示例")
liquid.add("Liquid", [0.6, 0.5, 0.4, 0.3], is_liquid_outline_show=False)
liquid.render()

from pyecharts import Liquid

liquid = Liquid("水球图示例")
liquid.add("Liquid", [0.6, 0.5, 0.4, 0.3], is_liquid_animation=False, shape='diamond')
liquid.render()

Map（地图）

地图主要用于地理区域数据的可视化。

Map.add() 方法签名

add(name, attr, value, is_roam=True, maptype='china', **kwargs)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list
  属性所对应的值
• is_roam -> bool/str 是否开启鼠标缩放和平移漫游。默认为 True
  如果只想要开启缩放或者平移，可以设置成'scale'或者'move'。设置成 True 为都开启
• maptype -> str
  地图类型。 支持 china、world、安徽、澳门、北京、重庆、福建、福建、甘肃、广东，广西、广州、海南、河北、黑龙江、河南、湖北、湖南、江苏、江西、吉林、辽宁、内蒙古、宁夏、青海、山东、上海、陕西、山西、四川、台湾、天津、香港、新疆、西藏、云南、浙江，以及 363个二线城市地图。提醒：在画市级地图的时候，城市名字后面的‘市’要省去了，比如，石家庄市的‘市’不要提，即‘石家庄’就可以了。地图提供了自定义模式 用户如何自定义地图

from pyecharts import Map

value = [155, 10, 66, 78]
attr = ["福建", "山东", "北京", "上海"]
map = Map("全国地图示例", width=1200, height=600)
map.add("", attr, value, maptype='china')
map.render()

显示各区域名称

from pyecharts import Map

value = [155, 10, 66, 78]
attr = ["福建", "山东", "北京", "上海"]
map = Map("全国地图示例", width=1200, height=600)
map.add("", attr, value, maptype='china', is_label_show=True)
map.render()

from pyecharts import Map

value = [155, 10, 66, 78, 33, 80, 190, 53, 49.6]
attr = ["福建", "山东", "北京", "上海", "甘肃", "新疆", "河南", "广西", "西藏"]
map = Map("Map 结合 VisualMap 示例", width=1200, height=600)
map.add("", attr, value, maptype='china', is_visualmap=True, visual_text_color='#000')
map.render()

Note： 请配合 通用配置项 中的 Visualmap 使用

from pyecharts import Map

value = [20, 190, 253, 77, 65]
attr = ['汕头市', '汕尾市', '揭阳市', '阳江市', '肇庆市']
map = Map("广东地图示例", width=1200, height=600)
map.add("", attr, value, maptype='广东', is_visualmap=True, visual_text_color='#000')
map.render()

value = [95.1, 23.2, 43.3, 66.4, 88.5]
attr= ["China", "Canada", "Brazil", "Russia", "United States"]
map = Map("世界地图示例", width=1200, height=600)
map.add("", attr, value, maptype="world", is_visualmap=True, visual_text_color='#000')
map.render()

Parallel（平行坐标系）

平行坐标系是一种常用的可视化高维数据的图表。

Parallel.add() 方法签名

add(name, data, **kwargs)

• name -> str 图例名称
• data -> [list], 包含列表的列表
  数据项。数据中，每一行是一个『数据项』，每一列属于一个『维度』

Parallel.config() 方法签名

config(schema=None, c_schema=None)

• schema
  默认平行坐标系的坐标轴信息，如 ["dim_name1", "dim_name2", "dim_name3"]。
• c_schema
  用户自定义平行坐标系的坐标轴信息。
  • dim -> int
    维度索引
  • name > str
    维度名称
  • type -> str
    维度类型，有'value', 'category'可选
    value：数值轴，适用于连续数据。
    category： 类目轴，适用于离散的类目数据。
  • min -> int
    坐标轴刻度最小值。
  • max -> int
    坐标轴刻度最大值。
  • inverse - bool
    是否是反向坐标轴。默认为 False
  • nameLocation -> str
    坐标轴名称显示位置。有'start', 'middle', 'end'可选

from pyecharts import Parallel

schema = ["data", "AQI", "PM2.5", "PM10", "CO", "NO2"]
data = [
        [1, 91, 45, 125, 0.82, 34],
        [2, 65, 27, 78, 0.86, 45,],
        [3, 83, 60, 84, 1.09, 73],
        [4, 109, 81, 121, 1.28, 68],
        [5, 106, 77, 114, 1.07, 55],
        [6, 109, 81, 121, 1.28, 68],
        [7, 106, 77, 114, 1.07, 55],
        [8, 89, 65, 78, 0.86, 51, 26],
        [9, 53, 33, 47, 0.64, 50, 17],
        [10, 80, 55, 80, 1.01, 75, 24],
        [11, 117, 81, 124, 1.03, 45]
]
parallel = Parallel("平行坐标系-默认指示器")
parallel.config(schema) 
parallel.add("parallel", data, is_random=True)
parallel.render()

from pyecharts import Parallel

c_schema = [
    {"dim": 0, "name": "data"},
    {"dim": 1, "name": "AQI"},
    {"dim": 2, "name": "PM2.5"},
    {"dim": 3, "name": "PM10"},
    {"dim": 4, "name": "CO"},
    {"dim": 5, "name": "NO2"},
    {"dim": 6, "name": "CO2"},
    {"dim": 7, "name": "等级",
    "type": "category", "data": ['优', '良', '轻度污染', '中度污染', '重度污染', '严重污染']}
]
data = [
    [1, 91, 45, 125, 0.82, 34, 23, "良"],
    [2, 65, 27, 78, 0.86, 45, 29, "良"],
    [3, 83, 60, 84, 1.09, 73, 27, "良"],
    [4, 109, 81, 121, 1.28, 68, 51, "轻度污染"],
    [5, 106, 77, 114, 1.07, 55, 51, "轻度污染"],
    [6, 109, 81, 121, 1.28, 68, 51, "轻度污染"],
    [7, 106, 77, 114, 1.07, 55, 51, "轻度污染"],
    [8, 89, 65, 78, 0.86, 51, 26, "良"],
    [9, 53, 33, 47, 0.64, 50, 17, "良"],
    [10, 80, 55, 80, 1.01, 75, 24, "良"],
    [11, 117, 81, 124, 1.03, 45, 24, "轻度污染"],
    [12, 99, 71, 142, 1.1, 62, 42, "良"],
    [13, 95, 69, 130, 1.28, 74, 50, "良"],
    [14, 116, 87, 131, 1.47, 84, 40, "轻度污染"]
]
parallel = Parallel("平行坐标系-用户自定义指示器")
parallel.config(c_schema=c_schema)
parallel.add("parallel", data)
parallel.render()

Note： 可配置 lineStyle 参数

Pie（饼图）

饼图主要用于表现不同类目的数据在总和中的占比。每个的弧度表示数据数量的比例。

Pie.add() 方法签名

add(name, attr, value, radius=None, center=None, rosetype=None, **kwargs)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list
  属性所对应的值
• radius -> list
  饼图的半径，数组的第一项是内半径，第二项是外半径，默认为 [0, 75]
  默认设置成百分比，相对于容器高宽中较小的一项的一半
• center -> list
  饼图的中心（圆心）坐标，数组的第一项是横坐标，第二项是纵坐标，默认为 [50, 50]
  默认设置成百分比，设置成百分比时第一项是相对于容器宽度，第二项是相对于容器高度
• rosetype -> str
  是否展示成南丁格尔图，通过半径区分数据大小，有'radius'和'area'两种模式。默认为'radius'
  • radius：扇区圆心角展现数据的百分比，半径展现数据的大小
  • area：所有扇区圆心角相同，仅通过半径展现数据大小

from pyecharts import Pie

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [11, 12, 13, 10, 10, 10]
pie = Pie("饼图示例")
pie.add("", attr, v1, is_label_show=True)
pie.render()

from pyecharts import Pie

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [11, 12, 13, 10, 10, 10]
pie = Pie("饼图-圆环图示例", title_pos='center')
pie.add("", attr, v1, radius=[40, 75], label_text_color=None, is_label_show=True,
        legend_orient='vertical', legend_pos='left')
pie.render()

from pyecharts import Pie

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [11, 12, 13, 10, 10, 10]
v2 = [19, 21, 32, 20, 20, 33]
pie = Pie("饼图-玫瑰图示例", title_pos='center', width=900)
pie.add("商品A", attr, v1, center=[25, 50], is_random=True, radius=[30, 75], rosetype='radius')
pie.add("商品B", attr, v2, center=[75, 50], is_random=True, radius=[30, 75], rosetype='area',
        is_legend_show=False, is_label_show=True)
pie.render()

Polar（极坐标系）

可以用于散点图和折线图。

Polar.add() 方法签名

add(name, data, angle_data=None, radius_data=None, type='line', symbol_size=4, start_angle=90,
    rotate_step=0, boundary_gap=True, clockwise=True, **kwargs)

• name -> str
  图例名称
• data -> [list], 包含列表的列表
  数据项 [极径，极角 [数据值]]
• angle_data -> list
  角度类目数据
• radius_data -> list
  半径类目数据
• type -> str
  图例类型，有'line', 'scatter', 'effectScatter', 'barAngle', 'barRadius'可选。默认为 'line'
• symbol_size -> int
  标记图形大小，默认为 4。
• start_angle -> int
  起始刻度的角度，默认为 90 度，即圆心的正上方。0 度为圆心的正右方
• rotate_step -> int
  刻度标签旋转的角度，在类目轴的类目标签显示不下的时候可以通过旋转防止标签之间重叠
  旋转的角度从 -90 度到 90 度。默认为 0
• boundary_gap -> bool
  坐标轴两边留白策略
  默认为 True，这时候刻度只是作为分隔线，标签和数据点都会在两个刻度之间的带(band)中间
• clockwise -> bool
  刻度增长是否按顺时针，默认 True
• is_stack -> bool
  数据堆叠，同个类目轴上系列配置相同的 stack 值可以堆叠放置
• axis_range -> list
  坐标轴刻度范围。默认值为 [None, None]。
• is_angleaxis_show -> bool
  是否显示极坐标系的角度轴，默认为 True
• is_radiusaxis_show -> bool
  是否显示极坐标系的径向轴，默认为 True

from pyecharts import Polar

import random
data = [(i, random.randint(1, 100)) for i in range(101)]
polar = Polar("极坐标系-散点图示例")
polar.add("", data, boundary_gap=False, type='scatter', is_splitline_show=False,
          area_color=None, is_axisline_show=True)
polar.render()

• is_splitline_show -> bool
  是否显示分割线，默认为 True
• is_axisline_show -> bool
  是否显示坐标轴线，默认为 True
• area_opacity -> float
  填充区域透明度
• area_color -> str
  填充区域颜色

Note： 可配置 lineStyle 参数

from pyecharts import Polar

import random
data_1 = [(10, random.randint(1, 100)) for i in range(300)]
data_2 = [(11, random.randint(1, 100)) for i in range(300)]
polar = Polar("极坐标系-散点图示例", width=1200, height=600)
polar.add("", data_1, type='scatter')
polar.add("", data_2, type='scatter')
polar.render()

from pyecharts import Polar

import random
data = [(i, random.randint(1, 100)) for i in range(10)]
polar = Polar("极坐标系-动态散点图示例", width=1200, height=600)
polar.add("", data, type='effectScatter', effect_scale=10, effect_period=5)
polar.render()

from pyecharts import Polar

radius = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
polar = Polar("极坐标系-堆叠柱状图示例", width=1200, height=600)
polar.add("A", [1, 2, 3, 4, 3, 5, 1], radius_data=radius, type='barRadius', is_stack=True)
polar.add("B", [2, 4, 6, 1, 2, 3, 1], radius_data=radius, type='barRadius', is_stack=True)
polar.add("C", [1, 2, 3, 4, 1, 2, 5], radius_data=radius, type='barRadius', is_stack=True)
polar.render()

from pyecharts import Polar

radius = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
polar = Polar("极坐标系-堆叠柱状图示例", width=1200, height=600)
polar.add("", [1, 2, 3, 4, 3, 5, 1], radius_data=radius, type='barAngle', is_stack=True)
polar.add("", [2, 4, 6, 1, 2, 3, 1], radius_data=radius, type='barAngle', is_stack=True)
polar.add("", [1, 2, 3, 4, 1, 2, 5], radius_data=radius, type='barAngle', is_stack=True)
polar.render()

Radar（雷达图）

雷达图主要用于表现多变量的数据。

Radar.add() 方法签名

add(name, value, item_color=None, **kwargs)

• name -> list
  图例名称
• value -> [list], 包含列表的列表 数据项。数据中，每一行是一个『数据项』，每一列属于一个『维度』
• item_color -> str
  指定单图例颜色

Radar.config() 方法签名

config(schema=None, c_schema=None, shape="", rader_text_color="#000", **kwargs):

• schema -> list
  默认雷达图的指示器，用来指定雷达图中的多个维度，会对数据处理成 {name:xx, value:xx} 的字典
• c_schema -> dict
  用户自定义雷达图的指示器，用来指定雷达图中的多个维度
  • name: 指示器名称
  • min: 指示器最小值
  • max: 指示器最大值
• shape -> str
  雷达图绘制类型，有'polygon'（多边形）和'circle'可选
• rader_text_color -> str
  雷达图数据项字体颜色，默认为'#000'

from pyecharts import Radar

schema = [ 
    ("销售", 6500), ("管理", 16000), ("信息技术", 30000),
    ("客服", 38000), ("研发", 52000), ("市场", 25000)
]
v1 = [[4300, 10000, 28000, 35000, 50000, 19000]]
v2 = [[5000, 14000, 28000, 31000, 42000, 21000]]
radar = Radar()
radar.config(schema)
radar.add("预算分配", v1, is_splitline=True, is_axisline_show=True)
radar.add("实际开销", v2, label_color=["#4e79a7"], is_area_show=False,
          legend_selectedmode='single')
radar.render()

• is_area_show -> bool
  是否显示填充区域
• area_opacity -> float
  填充区域透明度
• area_color -> str
  填充区域颜色
• is_splitline_show -> bool
  是否显示分割线，默认为 True
• is_axisline_show -> bool
  是否显示坐标轴线，默认为 True

Note： 可配置 lineStyle 参数

value_bj = [
    [55, 9, 56, 0.46, 18, 6, 1], [25, 11, 21, 0.65, 34, 9, 2],
    [56, 7, 63, 0.3, 14, 5, 3], [33, 7, 29, 0.33, 16, 6, 4],
    [42, 24, 44, 0.76, 40, 16, 5], [82, 58, 90, 1.77, 68, 33, 6],
    [74, 49, 77, 1.46, 48, 27, 7], [78, 55, 80, 1.29, 59, 29, 8],
    [267, 216, 280, 4.8, 108, 64, 9], [185, 127, 216, 2.52, 61, 27, 10],
    [39, 19, 38, 0.57, 31, 15, 11], [41, 11, 40, 0.43, 21, 7, 12],
    [64, 38, 74, 1.04, 46, 22, 13], [108, 79, 120, 1.7, 75, 41, 14],
    [108, 63, 116, 1.48, 44, 26, 15], [33, 6, 29, 0.34, 13, 5, 16],
    [94, 66, 110, 1.54, 62, 31, 17], [186, 142, 192, 3.88, 93, 79, 18],
    [57, 31, 54, 0.96, 32, 14, 19], [22, 8, 17, 0.48, 23, 10, 20],
    [39, 15, 36, 0.61, 29, 13, 21], [94, 69, 114, 2.08, 73, 39, 22],
    [99, 73, 110, 2.43, 76, 48, 23], [31, 12, 30, 0.5, 32, 16, 24],
    [42, 27, 43, 1, 53, 22, 25], [154, 117, 157, 3.05, 92, 58, 26],
    [234, 185, 230, 4.09, 123, 69, 27],[160, 120, 186, 2.77, 91, 50, 28],
    [134, 96, 165, 2.76, 83, 41, 29], [52, 24, 60, 1.03, 50, 21, 30],
]
value_sh = [
    [91, 45, 125, 0.82, 34, 23, 1], [65, 27, 78, 0.86, 45, 29, 2],
    [83, 60, 84, 1.09, 73, 27, 3], [109, 81, 121, 1.28, 68, 51, 4],
    [106, 77, 114, 1.07, 55, 51, 5], [109, 81, 121, 1.28, 68, 51, 6],
    [106, 77, 114, 1.07, 55, 51, 7], [89, 65, 78, 0.86, 51, 26, 8],
    [53, 33, 47, 0.64, 50, 17, 9], [80, 55, 80, 1.01, 75, 24, 10],
    [117, 81, 124, 1.03, 45, 24, 11], [99, 71, 142, 1.1, 62, 42, 12],
    [95, 69, 130, 1.28, 74, 50, 13], [116, 87, 131, 1.47, 84, 40, 14],
    [108, 80, 121, 1.3, 85, 37, 15], [134, 83, 167, 1.16, 57, 43, 16],
    [79, 43, 107, 1.05, 59, 37, 17], [71, 46, 89, 0.86, 64, 25, 18],
    [97, 71, 113, 1.17, 88, 31, 19], [84, 57, 91, 0.85, 55, 31, 20],
    [87, 63, 101, 0.9, 56, 41, 21], [104, 77, 119, 1.09, 73, 48, 22],
    [87, 62, 100, 1, 72, 28, 23], [168, 128, 172, 1.49, 97, 56, 24],
    [65, 45, 51, 0.74, 39, 17, 25], [39, 24, 38, 0.61, 47, 17, 26],
    [39, 24, 39, 0.59, 50, 19, 27], [93, 68, 96, 1.05, 79, 29, 28],
    [188, 143, 197, 1.66, 99, 51, 29], [174, 131, 174, 1.55, 108, 50, 30],
]
c_schema= [{"name": "AQI", "max": 300, "min": 5},
           {"name": "PM2.5", "max": 250, "min": 20},
           {"name": "PM10", "max": 300, "min": 5},
           {"name": "CO", "max": 5},
           {"name": "NO2", "max": 200},
           {"name": "SO2", "max": 100}]
radar = Radar()
radar.config(c_schema=c_schema, shape='circle')
radar.add("北京", value_bj, item_color="#f9713c", symbol=None)
radar.add("上海", value_sh, item_color="#b3e4a1", symbol=None, legend_selectedmode='signle')
radar.render()

Note： symblo=None 可隐藏标记图形（小圆圈）

图例多例模式。

radar = Radar()
radar.config(c_schema=c_schema, shape='circle')
radar.add("北京", value_bj, item_color="#f9713c", symbol=None)
radar.add("上海", value_sh, item_color="#b3e4a1", symbol=None)
radar.render()

Sankey（桑基图）

是一种特殊的流图, 它主要用来表示原材料、能量等如何从初始形式经过中间过程的加工、转化到达最终形式。

Sankey.add() 方法签名

add(name, nodes, links, sankey_node_width=20, sankey_node_gap=8, **kwargs)

• name -> str
  图例名称
• nodes -> list
  桑基图结点，必须包含的数据项有：
  • name：数据项名称
  • value：数据项数值
• links -> list
  桑基图结点关系
  • source：边的源节点名称（必须有！）
  • target：边的目标节点名称（必须有！）
  • vaule：边的数值，决定边的宽度。
• sankey_node_width -> int
  图中每个矩形节点的宽度。默认为 20
• sankey_node_gap -> int
  图中每一列任意两个矩形节点之间的间隔。默认为 8

先来个简单示例

from pyecharts import Sankey

nodes = [
    {'name': 'category1'}, {'name': 'category2'}, {'name': 'category3'},
    {'name': 'category4'}, {'name': 'category5'}, {'name': 'category6'},
]

links = [
    {'source': 'category1', 'target': 'category2', 'value': 10},
    {'source': 'category2', 'target': 'category3', 'value': 15},
    {'source': 'category3', 'target': 'category4', 'value': 20},
    {'source': 'category5', 'target': 'category6', 'value': 25}
]
sankey = Sankey("桑基图示例", width=1200, height=600)
sankey.add("sankey", nodes, links, line_opacity=0.2,
           line_curve=0.5, line_color='source', is_label_show=True, label_pos='right')
sankey.render()

使用官方提供的 json 数据

import sys
import os
import json

from pyecharts import Sankey

PY2 = sys.version_info[0] == 2

if PY2:
    import codecs
    with codecs.open(os.path.join("..", "json", "energy.json"), "rb") as f:
        j = json.load(f)
else:
    with open(os.path.join("..", "json", "energy.json"), "r", encoding="utf-8") as f:
        j = json.load(f)
sankey = Sankey("桑基图示例", width=1200, height=600)
sankey.add("sankey", nodes=j['nodes'], links=j['links'], line_opacity=0.2,
           line_curve=0.5, line_color='source', is_label_show=True, label_pos='right')
sankey.render()

Scatter（散点图）

直角坐标系上的散点图可以用来展现数据的 x，y 之间的关系，如果数据项有多个维度，可以用颜色来表现，利用 geo 组件。

Scatter.add() 方法签名

add(name, x_axis, y_axis, extra_data=None, symbol_size=10, **kwargs)

• name -> str
  图例名称
• x_axis -> list
  x 坐标轴数据
• y_axis -> list
  y 坐标轴数据
• extra_data -> int
  第三维度数据，x 轴为第一个维度，y 轴为第二个维度。（可在 visualmap 中将视图元素映射到第三维度）
• symbol_size -> int
  标记图形大小，默认为 10

from pyecharts import Scatter

v1 = [10, 20, 30, 40, 50, 60]
v2 = [10, 20, 30, 40, 50, 60]
scatter = Scatter("散点图示例")
scatter.add("A", v1, v2)
scatter.add("B", v1[::-1], v2)
scatter.render()

利用 Visualmap 组件，通过颜色映射数值。

scatter = Scatter("散点图示例")
scatter.add("A", v1, v2)
scatter.add("B", v1[::-1], v2, is_visualmap=True)
scatter.render()

利用 Visualmap 组件，通过图形点大小映射数值。

scatter = Scatter("散点图示例")
scatter.add("A", v1, v2)
scatter.add("B", v1[::-1], v2, is_visualmap=True, visual_type='size', visual_range_size=[20, 80])
scatter.render()

利用 Visualmap 组件映射到第三维度数据

data = [
        [28604, 77, 17096869],
        [31163, 77.4, 27662440],
        [1516, 68, 1154605773],
        [13670, 74.7, 10582082],
        [28599, 75, 4986705],
        [29476, 77.1, 56943299],
        [31476, 75.4, 78958237],
        [28666, 78.1, 254830],
        [1777, 57.7, 870601776],
        [29550, 79.1, 122249285],
        [2076, 67.9, 20194354],
        [12087, 72, 42972254],
        [24021, 75.4, 3397534],
        [43296, 76.8, 4240375],
        [10088, 70.8, 38195258],
        [19349, 69.6, 147568552],
        [10670, 67.3, 53994605],
        [26424, 75.7, 57110117],
        [37062, 75.4, 252847810]
    ]

x_lst = [v[0] for v in data]
y_lst = [v[1] for v in data]
extra_data = [v[2] for v in data]
sc = Scatter()
sc.add("scatter", x_lst, y_lst, extra_data=extra_data, is_visualmap=True,
        visual_dimension=2, visual_orient='horizontal',
        visual_type='size', visual_range=[254830, 1154605773],
        visual_text_color='#000')
sc.render()

Note： 请配合 通用配置项 中的 Visualmap 使用

散点图默认的坐标轴都为数值轴，如果想实现横坐标为类目轴，可通过 xaxis_type 修改

scatter = Scatter("散点图示例")
scatter.add("A", ["a", "b", "c", "d", "e", "f"], v2)
scatter.add("B", ["a", "b", "c", "d", "e", "f"], v1[::-1], xaxis_type="category")
scatter.render()

Scatter 还内置了画画方法

draw(path, color=None)
''' 
将图片上的像素点转换为数组，如 color 为（255,255,255）时只保留非白色像素点的坐标信息  
返回两个 k_lst, v_lst 两个列表刚好作为散点图的数据项
'''

• path -> str
  转换图片的地址
• color -> str
  所要排除的颜色

首先你需要准备一张图片，如

from pyecharts import Scatter

scatter = Scatter("散点图示例")
v1, v2 = scatter.draw("../images/pyecharts-0.png")
scatter.add("pyecharts", v1, v2, is_random=True)
scatter.render()

Scatter3D（3D 散点图）

Scatter3D.add() 方法签名

add(name, data, grid3d_opacity=1, **kwargs)

• name -> str
  图例名称
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』
• grid3d_opacity -> int
  3D 笛卡尔坐标系组的透明度（点的透明度），默认为 1，完全不透明。

from pyecharts import Scatter3D

import random
data = [
    [random.randint(0, 100),
    random.randint(0, 100),
    random.randint(0, 100)] for _ in range(80)
]
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
scatter3D = Scatter3D("3D 散点图示例", width=1200, height=600)
scatter3D.add("", data, is_visualmap=True, visual_range_color=range_color)
scatter3D.render()

Note： 关于 gird3D 部分的设置，请参照通用配置项中的介绍 通用配置项

ThemeRiver（主题河流图）

ThemeRiver.add() 方法签名

add(name, data)

• name -> list
  图例名称，必须为 list 类型，list 中每个值为数据项中的种类。
• data -> [list], 包含列表的列表
  数据项，数据中，每一行是一个『数据项』，每一列属于一个『维度』。每个数据项至少需要三个维度，如 ['2015/11/08', 10, 'DQ']，分别为 [时间，数值，种类（图例名）]

from pyecharts import ThemeRiver

data = [
    ['2015/11/08', 10, 'DQ'], ['2015/11/09', 15, 'DQ'], ['2015/11/10', 35, 'DQ'],
    ['2015/11/14', 7, 'DQ'], ['2015/11/15', 2, 'DQ'], ['2015/11/16', 17, 'DQ'],
    ['2015/11/17', 33, 'DQ'], ['2015/11/18', 40, 'DQ'], ['2015/11/19', 32, 'DQ'],
    ['2015/11/20', 26, 'DQ'], ['2015/11/21', 35, 'DQ'], ['2015/11/22', 40, 'DQ'],
    ['2015/11/23', 32, 'DQ'], ['2015/11/24', 26, 'DQ'], ['2015/11/25', 22, 'DQ'],
    ['2015/11/08', 35, 'TY'], ['2015/11/09', 36, 'TY'], ['2015/11/10', 37, 'TY'],
    ['2015/11/11', 22, 'TY'], ['2015/11/12', 24, 'TY'], ['2015/11/13', 26, 'TY'],
    ['2015/11/14', 34, 'TY'], ['2015/11/15', 21, 'TY'], ['2015/11/16', 18, 'TY'],
    ['2015/11/17', 45, 'TY'], ['2015/11/18', 32, 'TY'], ['2015/11/19', 35, 'TY'],
    ['2015/11/20', 30, 'TY'], ['2015/11/21', 28, 'TY'], ['2015/11/22', 27, 'TY'],
    ['2015/11/23', 26, 'TY'], ['2015/11/24', 15, 'TY'], ['2015/11/25', 30, 'TY'],
    ['2015/11/26', 35, 'TY'], ['2015/11/27', 42, 'TY'], ['2015/11/28', 42, 'TY'],
    ['2015/11/08', 21, 'SS'], ['2015/11/09', 25, 'SS'], ['2015/11/10', 27, 'SS'],
    ['2015/11/11', 23, 'SS'], ['2015/11/12', 24, 'SS'], ['2015/11/13', 21, 'SS'],
    ['2015/11/14', 35, 'SS'], ['2015/11/15', 39, 'SS'], ['2015/11/16', 40, 'SS'],
    ['2015/11/17', 36, 'SS'], ['2015/11/18', 33, 'SS'], ['2015/11/19', 43, 'SS'],
    ['2015/11/20', 40, 'SS'], ['2015/11/21', 34, 'SS'], ['2015/11/22', 28, 'SS'],
    ['2015/11/14', 7, 'QG'], ['2015/11/15', 2, 'QG'], ['2015/11/16', 17, 'QG'],
    ['2015/11/17', 33, 'QG'], ['2015/11/18', 40, 'QG'], ['2015/11/19', 32, 'QG'],
    ['2015/11/20', 26, 'QG'], ['2015/11/21', 35, 'QG'], ['2015/11/22', 40, 'QG'],
    ['2015/11/23', 32, 'QG'], ['2015/11/24', 26, 'QG'], ['2015/11/25', 22, 'QG'],
    ['2015/11/26', 16, 'QG'], ['2015/11/27', 22, 'QG'], ['2015/11/28', 10, 'QG'],
    ['2015/11/08', 10, 'SY'], ['2015/11/09', 15, 'SY'], ['2015/11/10', 35, 'SY'],
    ['2015/11/11', 38, 'SY'], ['2015/11/12', 22, 'SY'], ['2015/11/13', 16, 'SY'],
    ['2015/11/14', 7, 'SY'], ['2015/11/15', 2, 'SY'], ['2015/11/16', 17, 'SY'],
    ['2015/11/17', 33, 'SY'], ['2015/11/18', 40, 'SY'], ['2015/11/19', 32, 'SY'],
    ['2015/11/20', 26, 'SY'], ['2015/11/21', 35, 'SY'], ['2015/11/22', 4, 'SY'],
    ['2015/11/23', 32, 'SY'], ['2015/11/24', 26, 'SY'], ['2015/11/25', 22, 'SY'],
    ['2015/11/26', 16, 'SY'], ['2015/11/27', 22, 'SY'], ['2015/11/28', 10, 'SY'],
    ['2015/11/08', 10, 'DD'], ['2015/11/09', 15, 'DD'], ['2015/11/10', 35, 'DD'],
    ['2015/11/11', 38, 'DD'], ['2015/11/12', 22, 'DD'], ['2015/11/13', 16, 'DD'],
    ['2015/11/14', 7, 'DD'], ['2015/11/15', 2, 'DD'], ['2015/11/16', 17, 'DD'],
    ['2015/11/17', 33, 'DD'], ['2015/11/18', 4, 'DD'], ['2015/11/19', 32, 'DD'],
    ['2015/11/20', 26, 'DD'], ['2015/11/21', 35, 'DD'], ['2015/11/22', 40, 'DD'],
    ['2015/11/23', 32, 'DD'], ['2015/11/24', 26, 'DD'], ['2015/11/25', 22, 'DD']
]
tr = ThemeRiver("主题河流图示例图")
tr.add(['DQ', 'TY', 'SS', 'QG', 'SY', 'DD'], data, is_label_show=True)
tr.render()

Note： 可以看到，每个数据项中的第三个数值就是该项的种类，而种类可以在 add() 第一个参数指定。

TreeMap（树图）

TreeMap.add() 方法签名

add(name, attr, value, shape="circle", word_gap=20, word_size_range=None, rotate_step=45)

• name -> str
  图例名称
• data -> list

  树图的数据项是 **一棵树**，每个节点包括`value`, `name`（可选）, `children`（也是树，可选）如下所示
  [
      {
          value: 1212,    # 数值
          # 子节点
          children: [
              {
                  # 子节点数值
                  value: 2323,
                  # 子节点名
                  name: 'description of this node',
                  children: [...],
              },
              {
                  value: 4545,
                  name: 'description of this node',
                  children: [
                      {
                          value: 5656,
                          name: 'description of this node',
                          children: [...]
                      },
                      ...
                  ]
              }
          ]
      },
      ...
  ]
  

• treemap_left_depth -> int
  leafDepth 表示『展示几层』，层次更深的节点则被隐藏起来。设置了 leafDepth 后，下钻（drill down）功能开启。drill down 功能即点击后才展示子层级。例如，leafDepth 设置为 1，表示展示一层节点。
• treemap_drilldown_icon -> str
  当节点可以下钻时的提示符。只能是字符。默认为 '▶'
• treemap_visible_min -> int
  如果某个节点的矩形的面积，小于这个数值（单位：px平方），这个节点就不显示。

from pyecharts import TreeMap

data = [
    {
        "value": 40,
        "name": "我是A",
    },
    {
        "value": 180,
        "name": "我是B",
        "children": [
            {
                "value": 76,
                "name": "我是B.children",
                "children": [
                    {
                        "value": 12,
                        "name": "我是B.children.a",
                    },
                    {
                        "value": 28,
                        "name": "我是B.children.b",
                    },
                    {
                        "value": 20,
                        "name": "我是B.children.c",
                    },
                    {
                        "value": 16,
                        "name": "我是B.children.d",
                    }]
            }]}
]

treemap = TreeMap("树图-默认示例", width=1200, height=600)
treemap.add("演示数据", data, is_label_show=True, label_pos='inside')
treemap.render()

treemap = TreeMap("树图-下钻示例", width=1200, height=600)
treemap.add("演示数据", data, is_label_show=True, label_pos='inside',
            treemap_left_depth=1)
treemap.render()

from pyecharts import TreeMap

treemap = TreeMap("树图示例", width=1200, height=600)
import os
import json
with open(os.path.join("..", "json", "treemap.json"), "r", encoding="utf-8") as f:
        data = json.load(f)
treemap.add("演示数据", data, is_label_show=True, label_pos='inside')
treemap.render()

WordCloud（词云图）

WordCloud.add() 方法签名

add(name, attr, value, shape="circle", word_gap=20, word_size_range=None, rotate_step=45)

• name -> str
  图例名称
• attr -> list
  属性名称
• value -> list
  属性所对应的值
• shape -> list
  词云图轮廓，有'circle', 'cardioid', 'diamond', 'triangle-forward', 'triangle', 'pentagon', 'star'可选
• word_gap -> int
  单词间隔，默认为 20。
• word_size_range -> list
  单词字体大小范围，默认为 [12, 60]。
• rotate_step -> int
  旋转单词角度，默认为 45

from pyecharts import WordCloud

name = ['Sam S Club', 'Macys', 'Amy Schumer', 'Jurassic World', 'Charter Communications',
        'Chick Fil A', 'Planet Fitness', 'Pitch Perfect', 'Express', 'Home', 'Johnny Depp',
        'Lena Dunham', 'Lewis Hamilton', 'KXAN', 'Mary Ellen Mark', 'Farrah Abraham',
        'Rita Ora', 'Serena Williams', 'NCAA baseball tournament', 'Point Break']
value = [10000, 6181, 4386, 4055, 2467, 2244, 1898, 1484, 1112, 965, 847, 582, 555,
         550, 462, 366, 360, 282, 273, 265]
wordcloud = WordCloud(width=1300, height=620)
wordcloud.add("", name, value, word_size_range=[20, 100])
wordcloud.render()

wordcloud = WordCloud(width=1300, height=620)
wordcloud.add("", name, value, word_size_range=[30, 100], shape='diamond')
wordcloud.render()

Note： 当且仅当 shape 为默认的'circle'时 rotate_step 参数才生效

用户自定义

Grid：并行显示多张图

用户可以自定义结合 Line/Bar/Kline/Scatter/EffectScatter/Pie/HeatMap/Boxplot 图表，将不同类型图表画在多张图上。第一个图需为 有 x/y 轴的图，即不能为 Pie，其他位置顺序任意。

Grid 类的使用：

1. 引入 Grid 类，from pyecharts import Grid
2. 实例化 Grid 类，grid = Grid() ，可指定 page_title, width, height, jhost 参数。
3. 使用 add() 向 grid 中添加图，至少需要设置一个 grid_top, grid_bottom, grid_left, grid_right 四个参数中的一个。grid_width 和 grid_height 一般不用设置，默认即可。
4. 使用 render() 渲染生成 .html 文件

Note： Overlap 可类放入 Grid 类中，不过有个前提，Overlap 不可为多 x 轴或者多 y 轴，否则会出现坐标轴索引混乱问题

Grid 类中其他方法：

• render_embed()：在 Flask&Django 中可以使用该方法渲染
• show_config()：打印输出所有配置项
• chart：chart 属性返回图形实例
• 在 Jupyter-notebook 中直接调用 Grid 实例即可显示图表

Grid.add() 方法签名

add(chart, grid_width=None, grid_height=None, grid_top=None, grid_bottom=None, grid_left=None, grid_right=None)

• chart -> chart instance
  图表示例
• grid_width -> str/int
  grid 组件的宽度。默认自适应。
• grid_height -> str/int
  grid 组件的高度。默认自适应。
• grid_top -> str/int
  grid 组件离容器顶部的距离。默认为 None, 有'top', 'center', 'middle'可选，也可以为百分数或者整数
• grid_bottom -> str/int
  grid 组件离容器底部的距离。默认为 None, 有'top', 'center', 'middle'可选，也可以为百分数或者整数
• grid_left -> str/int
  grid 组件离容器左侧的距离。默认为 None, 有'left', 'center', 'right'可选，也可以为百分数或者整数
• grid_right -> str/int
  grid 组件离容器右侧的距离。默认为 None, 有'left', 'center', 'right'可选，也可以为百分数或者整数

上下类型，Bar + Line

from pyecharts import Bar, Line, Grid

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("柱状图示例", height=720)
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True)
line = Line("折线图示例", title_top="50%")
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10],
         mark_point=["max", "min"], mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0], mark_point=["max", "min"],
         mark_line=["average"], legend_top="50%")

grid = Grid()
grid.add(bar, grid_bottom="60%")
grid.add(line, grid_top="60%")
grid.render()

左右类型，Scatter + EffectScatter

from pyecharts import Scatter, EffectScatter, Grid

v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
scatter = Scatter(width=1200)
scatter.add("散点图示例", v1, v2, legend_pos="70%")
es = EffectScatter()
es.add("动态散点图示例", [11, 11, 15, 13, 12, 13, 10], [1, -2, 2, 5, 3, 2, 0],
           effect_scale=6, legend_pos="20%")

grid = Grid()
grid.add(scatter, grid_left="60%")
grid.add(es, grid_right="60%")
grid.render()

上下左右类型，Bar + Line + Scatter + EffectScatter

from pyecharts import Bar, Line, Scatter, EffectScatter, Grid  

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("柱状图示例", height=720, width=1200, title_pos="65%")
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True, legend_pos="80%")
line = Line("折线图示例")
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10],
         mark_point=["max", "min"], mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0], mark_point=["max", "min"],
         mark_line=["average"], legend_pos="20%")
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
scatter = Scatter("散点图示例", title_top="50%", title_pos="65%")
scatter.add("scatter", v1, v2, legend_top="50%", legend_pos="80%")
es = EffectScatter("动态散点图示例", title_top="50%")
es.add("es", [11, 11, 15, 13, 12, 13, 10], [1, -2, 2, 5, 3, 2, 0], effect_scale=6,
        legend_top="50%", legend_pos="20%")

grid = Grid()
grid.add(bar, grid_bottom="60%", grid_left="60%")
grid.add(line, grid_bottom="60%", grid_right="60%")
grid.add(scatter, grid_top="60%", grid_left="60%")
grid.add(es, grid_top="60%", grid_right="60%")
grid.render()

Line + Pie

from pyecharts import Line, Pie, Grid

line = Line("折线图示例", width=1200)
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10], mark_point=["max", "min"],
         mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0], mark_point=["max", "min"],
         mark_line=["average"], legend_pos="20%")
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [11, 12, 13, 10, 10, 10]
pie = Pie("饼图示例", title_pos="55%")
pie.add("", attr, v1, radius=[45, 65], center=[65, 50], legend_pos="80%",
        legend_orient='vertical')

grid = Grid()
grid.add(line, grid_right="55%")
grid.add(pie, grid_left="60%")
grid.render()

Note： 可以通过设置 center 参数改变 Pie 图的位置，如 [v1, v2]， 要求 v1 > v2。

Line + Kline

from pyecharts import Line, Kline, Grid

line = Line("折线图示例", width=1200)
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10],
         mark_point=["max", "min"], mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0], mark_point=["max", "min"],
         mark_line=["average"], legend_pos="20%")
v1 = [[2320.26, 2320.26, 2287.3, 2362.94],
      [2300, 2291.3, 2288.26, 2308.38],
      [2295.35, 2346.5, 2295.35, 2345.92],
      [2347.22, 2358.98, 2337.35, 2363.8],
      [2360.75, 2382.48, 2347.89, 2383.76],
      [2383.43, 2385.42, 2371.23, 2391.82],
      [2377.41, 2419.02, 2369.57, 2421.15],
      [2425.92, 2428.15, 2417.58, 2440.38],
      [2411, 2433.13, 2403.3, 2437.42],
      [2432.68, 2334.48, 2427.7, 2441.73],
      [2430.69, 2418.53, 2394.22, 2433.89],
      [2416.62, 2432.4, 2414.4, 2443.03],
      [2441.91, 2421.56, 2418.43, 2444.8],
      [2420.26, 2382.91, 2373.53, 2427.07],
      [2383.49, 2397.18, 2370.61, 2397.94],
      [2378.82, 2325.95, 2309.17, 2378.82],
      [2322.94, 2314.16, 2308.76, 2330.88],
      [2320.62, 2325.82, 2315.01, 2338.78],
      [2313.74, 2293.34, 2289.89, 2340.71],
      [2297.77, 2313.22, 2292.03, 2324.63],
      [2322.32, 2365.59, 2308.92, 2366.16],
      [2364.54, 2359.51, 2330.86, 2369.65],
      [2332.08, 2273.4, 2259.25, 2333.54],
      [2274.81, 2326.31, 2270.1, 2328.14],
      [2333.61, 2347.18, 2321.6, 2351.44],
      [2340.44, 2324.29, 2304.27, 2352.02],
      [2326.42, 2318.61, 2314.59, 2333.67],
      [2314.68, 2310.59, 2296.58, 2320.96],
      [2309.16, 2286.6, 2264.83, 2333.29],
      [2282.17, 2263.97, 2253.25, 2286.33],
      [2255.77, 2270.28, 2253.31, 2276.22]]
kline = Kline("K 线图示例", title_pos="60%")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1, legend_pos="80%")

grid = Grid()
grid.add(line, grid_right="60%")
grid.add(kline, grid_left="55%")
grid.render()

HeatMap + Bar

import random
x_axis = ["12a", "1a", "2a", "3a", "4a", "5a", "6a", "7a", "8a", "9a", "10a", "11a",
          "12p", "1p", "2p", "3p", "4p", "5p", "6p", "7p", "8p", "9p", "10p", "11p"]
y_axis = ["Saturday", "Friday", "Thursday", "Wednesday", "Tuesday", "Monday", "Sunday"]
data = [[i, j, random.randint(0, 50)] for i in range(24) for j in range(7)]
heatmap = HeatMap("热力图示例", height=700)
heatmap.add("热力图直角坐标系", x_axis, y_axis, data, is_visualmap=True, visual_top="45%",
            visual_text_color="#000", visual_orient='horizontal')
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("柱状图示例", title_top="52%")
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True, legend_top="50%")

grid = Grid()
grid.add(heatmap, grid_bottom="60%")
grid.add(bar, grid_top="60%")
grid.render()

Bar 会受 HeatMap 影响，很有趣。

datazoom 组件同时控制多个图

line = Line("折线图示例", width=1200, height=700)
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10],
         mark_point=["max", "min"], mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0], mark_point=["max", "min"], legend_top="50%",
         mark_line=["average"], is_datazoom_show=True, datazoom_xaxis_index=[0, 1])

v1 = [[2320.26, 2320.26, 2287.3, 2362.94],
      [2300, 2291.3, 2288.26, 2308.38],
      [2295.35, 2346.5, 2295.35, 2345.92],
      [2347.22, 2358.98, 2337.35, 2363.8],
      [2360.75, 2382.48, 2347.89, 2383.76],
      [2383.43, 2385.42, 2371.23, 2391.82],
      [2377.41, 2419.02, 2369.57, 2421.15],
      [2425.92, 2428.15, 2417.58, 2440.38],
      [2411, 2433.13, 2403.3, 2437.42],
      [2432.68, 2334.48, 2427.7, 2441.73],
      [2430.69, 2418.53, 2394.22, 2433.89],
      [2416.62, 2432.4, 2414.4, 2443.03],
      [2441.91, 2421.56, 2418.43, 2444.8],
      [2420.26, 2382.91, 2373.53, 2427.07],
      [2383.49, 2397.18, 2370.61, 2397.94],
      [2378.82, 2325.95, 2309.17, 2378.82],
      [2322.94, 2314.16, 2308.76, 2330.88],
      [2320.62, 2325.82, 2315.01, 2338.78],
      [2313.74, 2293.34, 2289.89, 2340.71],
      [2297.77, 2313.22, 2292.03, 2324.63],
      [2322.32, 2365.59, 2308.92, 2366.16],
      [2364.54, 2359.51, 2330.86, 2369.65],
      [2332.08, 2273.4, 2259.25, 2333.54],
      [2274.81, 2326.31, 2270.1, 2328.14],
      [2333.61, 2347.18, 2321.6, 2351.44],
      [2340.44, 2324.29, 2304.27, 2352.02],
      [2326.42, 2318.61, 2314.59, 2333.67],
      [2314.68, 2310.59, 2296.58, 2320.96],
      [2309.16, 2286.6, 2264.83, 2333.29],
      [2282.17, 2263.97, 2253.25, 2286.33],
      [2255.77, 2270.28, 2253.31, 2276.22]]
kline = Kline("K 线图示例", title_top="50%")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1, is_datazoom_show=True)

grid = Grid()
grid.add(line, grid_top="60%")
grid.add(kline, grid_bottom="60%")
grid.render()

倒映直角坐标系

import random

attr = ['{}天'.format(i) for i in range(1, 31)]
line_top = Line("折线图示例", width=1200, height=700)
line_top.add("最高气温", attr, [random.randint(20, 100) for i in range(30)],
             mark_point=["max", "min"], mark_line=["average"], legend_pos='38%')
line_bottom = Line()
line_bottom.add("最低气温", attr, [random.randint(20, 100) for i in range(30)],
                mark_point=["max", "min"], mark_line=["average"],
                is_yaxis_inverse=True, xaxis_pos='top')

grid = Grid()
grid.add(line_top, grid_bottom='60%')
grid.add(line_bottom, grid_top='50%')
grid.render()

Grid+Overlap

from pyecharts import Overlap, Bar, Line, Grid

grid = Grid()

attr = ["{}月".format(i) for i in range(1, 13)]
v1 = [2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]
v2 = [2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]
v3 = [2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2]

bar = Bar(width=1200, height=600, title="Overlap+Grid 示例", title_pos="40%")
bar.add("蒸发量", attr, v1)
bar.add("降水量", attr, v2, yaxis_formatter=" ml", yaxis_max=250,
        legend_pos="85%", legend_orient="vertical", legend_top="45%")
line = Line()
line.add("平均温度", attr, v3, yaxis_formatter=" °C")
overlap = Overlap()
overlap.add(bar)
overlap.add(line, is_add_yaxis=True, yaxis_index=1)

grid.add(overlap, grid_right='20%')
grid.render()

Note： Overlap 放入 Grid 可以利用其 grid 网格调整布局，例如上图将图例放在右边，这种情况在图例名字过长时很有用。

Overlap：结合不同类型图表叠加画在同张图上

用户可以自定义结合 Line/Bar/Kline, Scatter/EffectScatter 图表，将不同类型图表画在一张图上。利用第一个图表为基础，往后的数据都将会画在第一个图表上。
Overlap 类的使用：

1. 引入 Overlap 类，from pyecharts import Overlap
2. 实例化 Overlap 类，overlap = Overlap() ，可指定 page_title, width, height, jhost 参数。
3. 使用 add() 向 overlap 中添加图
4. 使用 render() 渲染生成 .html 文件

Overlap.add() 方法签名

add(chart, xaxis_index=0, yaxis_index=0, is_add_xaxis=False, is_add_yaxis=False)

• chart -> chart instance
  图表示例
• xaxis_index -> int
  x 坐标轴索引，默认为 0
• yaxis_index -> int
  y 坐标轴索引，默认为 0
• is_add_xaxis -> bool
  是否新增一个 x 坐标轴，默认为 False
• is_add_yaxis -> bool
  是否新增一个 y 坐标轴，默认为 False

Overlap 类中其他方法：

• render_embed()：在 Flask&Django 中可以使用该方法渲染
• show_config()：打印输出所有配置项
• chart：返回图形实例
• 在 Jupyter-notebook 中直接调用 Overlap 实例即可显示图表

Line + Bar

from pyecharts import Bar, Line, Overlap

attr = ['A', 'B', 'C', 'D', 'E', 'F']
v1 = [10, 20, 30, 40, 50, 60]
v2 = [38, 28, 58, 48, 78, 68]
bar = Bar("Line - Bar 示例")
bar.add("bar", attr, v1)
line = Line()
line.add("line", attr, v2)

overlap = Overlap()
overlap.add(bar)
overlap.add(line)
overlap.render()

Scatter + EffectScatter

from pyecharts import Scatter, EffectScatter, Overlap

v1 = [10, 20, 30, 40, 50, 60]
v2 = [30, 30, 30, 30, 30, 30]
v3 = [50, 50, 50, 50, 50, 50]
v4 = [10, 10, 10, 10, 10, 10]
es = EffectScatter("Scatter - EffectScatter 示例")
es.add("es", v1, v2)
scatter = Scatter()
scatter.add("scatter", v1, v3)
es_1 = EffectScatter()
es_1.add("es_1", v1, v4, symbol='pin', effect_scale=5)

overlap = Overlap()
overlap.add(es)
overlap.add(scatter)
overlap.add(es_1)
overlap.render()

Kline + Line

import random
from pyecharts import Line, Kline, Overlap

v1 = [[2320.26, 2320.26, 2287.3, 2362.94],
      [2300, 2291.3, 2288.26, 2308.38],
      [2295.35, 2346.5, 2295.35, 2345.92],
      [2347.22, 2358.98, 2337.35, 2363.8],
      [2360.75, 2382.48, 2347.89, 2383.76],
      [2383.43, 2385.42, 2371.23, 2391.82],
      [2377.41, 2419.02, 2369.57, 2421.15],
      [2425.92, 2428.15, 2417.58, 2440.38],
      [2411, 2433.13, 2403.3, 2437.42],
      [2432.68, 2334.48, 2427.7, 2441.73],
      [2430.69, 2418.53, 2394.22, 2433.89],
      [2416.62, 2432.4, 2414.4, 2443.03],
      [2441.91, 2421.56, 2418.43, 2444.8],
      [2420.26, 2382.91, 2373.53, 2427.07],
      [2383.49, 2397.18, 2370.61, 2397.94],
      [2378.82, 2325.95, 2309.17, 2378.82],
      [2322.94, 2314.16, 2308.76, 2330.88],
      [2320.62, 2325.82, 2315.01, 2338.78],
      [2313.74, 2293.34, 2289.89, 2340.71],
      [2297.77, 2313.22, 2292.03, 2324.63],
      [2322.32, 2365.59, 2308.92, 2366.16],
      [2364.54, 2359.51, 2330.86, 2369.65],
      [2332.08, 2273.4, 2259.25, 2333.54],
      [2274.81, 2326.31, 2270.1, 2328.14],
      [2333.61, 2347.18, 2321.6, 2351.44],
      [2340.44, 2324.29, 2304.27, 2352.02],
      [2326.42, 2318.61, 2314.59, 2333.67],
      [2314.68, 2310.59, 2296.58, 2320.96],
      [2309.16, 2286.6, 2264.83, 2333.29],
      [2282.17, 2263.97, 2253.25, 2286.33],
      [2255.77, 2270.28, 2253.31, 2276.22]]
attr = ["2017/7/{}".format(i + 1) for i in range(31)]
kline = Kline("Kline - Line 示例")
kline.add("日K", attr, v1)
line_1 = Line()
line_1.add("line-1", attr, [random.randint(2400, 2500) for _ in range(31)])
line_2 = Line()
line_2.add("line-2", attr, [random.randint(2400, 2500) for _ in range(31)])

overlap = Overlap()
overlap.add(kline)
overlap.add(line_1)
overlap.add(line_2)
overlap.render()

Line + EffectScatter

from pyecharts import Line, EffectScatter, Overlap

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 10, 100]
line = Line("line - es 示例")
line.add("", attr, v1, is_random=True)
es = EffectScatter()
es.add("", attr, v1, effect_scale=8)

overlap = Overlap()
overlap.add(line)
overlap.add(es)
overlap.render()

如果想改变轴索引，使其有多 X 轴或者多 Y 轴的话。请看下面

from pyecharts import Line, Bar, Overlap

attr = ["{}月".format(i) for i in range(1, 13)]
v1 = [2.0, 4.9, 7.0, 23.2, 25.6, 76.7, 135.6, 162.2, 32.6, 20.0, 6.4, 3.3]
v2 = [2.6, 5.9, 9.0, 26.4, 28.7, 70.7, 175.6, 182.2, 48.7, 18.8, 6.0, 2.3]
v3 = [2.0, 2.2, 3.3, 4.5, 6.3, 10.2, 20.3, 23.4, 23.0, 16.5, 12.0, 6.2]

bar = Bar(width=1200, height=600)
bar.add("蒸发量", attr, v1)
bar.add("降水量", attr, v2, yaxis_formatter=" ml", yaxis_interval=50, yaxis_max=250)

line = Line()
line.add("平均温度", attr, v3, yaxis_formatter=" °C", yaxis_interval=5)

overlap = Overlap()
# 默认不新增 x y 轴，并且 x y 轴的索引都为 0
overlap.add(bar)
# 新增一个 y 轴，此时 y 轴的数量为 2，第二个 y 轴的索引为 1（索引从 0 开始），所以设置 yaxis_index = 1
# 由于使用的是同一个 x 轴，所以 x 轴部分不用做出改变
overlap.add(line, yaxis_index=1, is_add_yaxis=True)
overlap.render()

Note： 关于双 Y 轴对齐，可以使用 yaxis_force_interval 参数，强制分割成相同份数的刻度。这里有个小技巧，可以先设置 y 轴最大值。举个例子，如果双 y 轴一个最大值为 700，一个最大值为 400。那你可以把两个的 yaxis_force_interval 参数分别设置为 140 和 80，那就会都分成均等的 5 份了。

如果只是想在单个 .html 按顺序展示图表，推荐使用 Page() 类

Page：同一网页按顺序展示多图

Grid/Timeline/Overlap 都可在 Page 中正常展示，把其当做一个图加入到 Page 中即可

Page 类的使用：

1. 引入 Page 类，from pyecharts import Page
2. 实例化 Page 类，page = Page() ，可指定 page_title, jhost 参数。
3. 使用 add() 向 page 中添加图，可以是单个图实例，也可以是一个图实例列表。
4. 使用 render() 渲染生成 .html 文件

Page 类中其他方法：

• render_embed()：在 Flask&Django 中可以使用该方法渲染
• show_config()：打印输出所有配置项
• chart：chart 属性返回图形实例
• 在 Jupyter-notebook 中直接调用 Page 实例即可显示图表

#coding=utf-8
from __future__ import unicode_literals

from pyecharts import Bar, Scatter3D
from pyecharts import Page


page = Page()         # step 1

# bar
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [5, 20, 36, 10, 75, 90]
v2 = [10, 25, 8, 60, 20, 80]
bar = Bar("柱状图数据堆叠示例")
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True)
page.add(bar)         # step 2

# scatter3D
import random
data = [
    [random.randint(0, 100),
    random.randint(0, 100),
    random.randint(0, 100)] for _ in range(80)
]
range_color = ['#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
               '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
scatter3D = Scatter3D("3D 散点图示例", width=1200, height=600)
scatter3D.add("", data, is_visualmap=True, visual_range_color=range_color)
page.add(scatter3D)  # step 2

page.render()        # step 3

运行之后，你会发现 render.html 已经按顺序显示了两个图:

当然，更多图也是可以的

#coding=utf-8
from __future__ import unicode_literals

from pyecharts import Line, Pie, Kline, Radar
from pyecharts import Page


page = Page()

# line
attr = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
line = Line("折线图示例")
line.add("最高气温", attr, [11, 11, 15, 13, 12, 13, 10],
         mark_point=["max", "min"], mark_line=["average"])
line.add("最低气温", attr, [1, -2, 2, 5, 3, 2, 0],
         mark_point=["max", "min"], mark_line=["average"])
page.add(line)

# pie
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [11, 12, 13, 10, 10, 10]
pie = Pie("饼图-圆环图示例", title_pos='center')
pie.add("", attr, v1, radius=[40, 75], label_text_color=None, is_label_show=True,
        legend_orient='vertical', legend_pos='left')
page.add(pie)

# kline
v1 = [[2320.26, 2320.26, 2287.3, 2362.94],
      [2300, 2291.3, 2288.26, 2308.38],
      [2295.35, 2346.5, 2295.35, 2345.92],
      [2347.22, 2358.98, 2337.35, 2363.8],
      [2360.75, 2382.48, 2347.89, 2383.76],
      [2383.43, 2385.42, 2371.23, 2391.82],
      [2377.41, 2419.02, 2369.57, 2421.15],
      [2425.92, 2428.15, 2417.58, 2440.38],
      [2411, 2433.13, 2403.3, 2437.42],
      [2432.68, 2334.48, 2427.7, 2441.73],
      [2430.69, 2418.53, 2394.22, 2433.89],
      [2416.62, 2432.4, 2414.4, 2443.03],
      [2441.91, 2421.56, 2418.43, 2444.8],
      [2420.26, 2382.91, 2373.53, 2427.07],
      [2383.49, 2397.18, 2370.61, 2397.94],
      [2378.82, 2325.95, 2309.17, 2378.82],
      [2322.94, 2314.16, 2308.76, 2330.88],
      [2320.62, 2325.82, 2315.01, 2338.78],
      [2313.74, 2293.34, 2289.89, 2340.71],
      [2297.77, 2313.22, 2292.03, 2324.63],
      [2322.32, 2365.59, 2308.92, 2366.16],
      [2364.54, 2359.51, 2330.86, 2369.65],
      [2332.08, 2273.4, 2259.25, 2333.54],
      [2274.81, 2326.31, 2270.1, 2328.14],
      [2333.61, 2347.18, 2321.6, 2351.44],
      [2340.44, 2324.29, 2304.27, 2352.02],
      [2326.42, 2318.61, 2314.59, 2333.67],
      [2314.68, 2310.59, 2296.58, 2320.96],
      [2309.16, 2286.6, 2264.83, 2333.29],
      [2282.17, 2263.97, 2253.25, 2286.33],
      [2255.77, 2270.28, 2253.31, 2276.22]]
kline = Kline("K 线图示例")
kline.add("日K", ["2017/7/{}".format(i + 1) for i in range(31)], v1)
page.add(kline)

# radar
schema = [
    ("销售", 6500), ("管理", 16000), ("信息技术", 30000),
    ("客服", 38000), ("研发", 52000), ("市场", 25000)
]
v1 = [[4300, 10000, 28000, 35000, 50000, 19000]]
v2 = [[5000, 14000, 28000, 31000, 42000, 21000]]
radar = Radar("雷达图示例")
radar.config(schema)
radar.add("预算分配", v1, is_splitline=True, is_axisline_show=True)
radar.add("实际开销", v2, label_color=["#4e79a7"], is_area_show=False,
          legend_selectedmode='single')
page.add(radar)

page.render()

Timeline：提供时间线轮播多张图

Timeline 类的使用：

1. 引入 Timeline 类，from pyecharts import Timeline
2. 实例化 Timeline 类，可指定 page_title, width, height, jhost 参数
3. 使用 add() 向 timeline 中添加图。如 add(bar, '2013') 接受两个参数，第一个为图实例，第二个为时间线的 ”时间点“。
4. 使用 render() 渲染生成 .html 文件

实例化 Timeline 类时接受设置参数：

• page_title -> str
  生成 html 文件的 <title> 标签的值，默认为'Echarts'
• is_auto_play -> bool
  是否自动播放，默认为 Flase
• is_loop_play -> bool
  是否循环播放，默认为 True
• is_rewind_play -> bool
  是否方向播放，默认为 Flase
• is_timeline_show -> bool
  是否显示 timeline 组件。默认为 True，如果设置为false，不会显示，但是功能还存在。
• timeline_play_interval -> int
  播放的速度（跳动的间隔），单位毫秒（ms）。
• timeline_symbol -> str
  标记的图形。ECharts 提供的标记类型包括 'circle', 'rect', 'roundRect', 'triangle', 'diamond', 'pin', 'arrow'
• timeline_symbol_size -> int/list
  标记的图形大小，可以设置成诸如 10 这样单一的数字，也可以用数组分开表示宽和高，例如 [20, 10] 表示标记宽为 20，高为 10。
• timeline_left -> int/str
  timeline 组件离容器左侧的距离。
  left 的值可以是像 20 这样的具体像素值，可以是像 '20%' 这样相对于容器高宽的百分比，也可以是 'left', 'center', 'right'。如果 left 的值为'left', 'center', 'right'，组件会根据相应的位置自动对齐。
• timeline_right -> int/str
  timeline 组件离容器右侧的距离。同 left
• timeline_top -> int/str
  timeline 组件离容器顶侧的距离。同 left
• timeline_bottom -> int/str
  timeline 组件离容器底侧的距离。同 left

Timeline 类中其他方法：

• render_embed()：在 Flask&Django 中可以使用该方法渲染
• show_config()：打印输出所有配置项
• chart：chart 属性返回图形实例
• Timeline 在 Jupyter-notebook 中显示有问题（无法正常显示动画）

from pyecharts import Bar, Timeline

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
bar_1 = Bar("2012 年销量", "数据纯属虚构")
bar_1.add("春季", attr, [randint(10, 100) for _ in range(6)])
bar_1.add("夏季", attr, [randint(10, 100) for _ in range(6)])
bar_1.add("秋季", attr, [randint(10, 100) for _ in range(6)])
bar_1.add("冬季", attr, [randint(10, 100) for _ in range(6)])

bar_2 = Bar("2013 年销量", "数据纯属虚构")
bar_2.add("春季", attr, [randint(10, 100) for _ in range(6)])
bar_2.add("夏季", attr, [randint(10, 100) for _ in range(6)])
bar_2.add("秋季", attr, [randint(10, 100) for _ in range(6)])
bar_2.add("冬季", attr, [randint(10, 100) for _ in range(6)])

bar_3 = Bar("2014 年销量", "数据纯属虚构")
bar_3.add("春季", attr, [randint(10, 100) for _ in range(6)])
bar_3.add("夏季", attr, [randint(10, 100) for _ in range(6)])
bar_3.add("秋季", attr, [randint(10, 100) for _ in range(6)])
bar_3.add("冬季", attr, [randint(10, 100) for _ in range(6)])

bar_4 = Bar("2015 年销量", "数据纯属虚构")
bar_4.add("春季", attr, [randint(10, 100) for _ in range(6)])
bar_4.add("夏季", attr, [randint(10, 100) for _ in range(6)])
bar_4.add("秋季", attr, [randint(10, 100) for _ in range(6)])
bar_4.add("冬季", attr, [randint(10, 100) for _ in range(6)])

bar_5 = Bar("2016 年销量", "数据纯属虚构")
bar_5.add("春季", attr, [randint(10, 100) for _ in range(6)])
bar_5.add("夏季", attr, [randint(10, 100) for _ in range(6)])
bar_5.add("秋季", attr, [randint(10, 100) for _ in range(6)])
bar_5.add("冬季", attr, [randint(10, 100) for _ in range(6)], is_legend_show=True)

timeline = Timeline(is_auto_play=True, timeline_bottom=0)
timeline.add(bar_1, '2012 年')
timeline.add(bar_2, '2013 年')
timeline.add(bar_3, '2014 年')
timeline.add(bar_4, '2015 年')
timeline.add(bar_5, '2016 年')
timeline.render()

from pyecharts import Pie, Timeline

attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
pie_1 = Pie("2012 年销量比例", "数据纯属虚构")
pie_1.add("秋季", attr, [randint(10, 100) for _ in range(6)],
          is_label_show=True, radius=[30, 55], rosetype='radius')

pie_2 = Pie("2013 年销量比例", "数据纯属虚构")
pie_2.add("秋季", attr, [randint(10, 100) for _ in range(6)],
          is_label_show=True, radius=[30, 55], rosetype='radius')

pie_3 = Pie("2014 年销量比例", "数据纯属虚构")
pie_3.add("秋季", attr, [randint(10, 100) for _ in range(6)],
          is_label_show=True, radius=[30, 55], rosetype='radius')

pie_4 = Pie("2015 年销量比例", "数据纯属虚构")
pie_4.add("秋季", attr, [randint(10, 100) for _ in range(6)],
          is_label_show=True, radius=[30, 55], rosetype='radius')

pie_5 = Pie("2016 年销量比例", "数据纯属虚构")
pie_5.add("秋季", attr, [randint(10, 100) for _ in range(6)],
          is_label_show=True, radius=[30, 55], rosetype='radius')

timeline = Timeline(is_auto_play=True, timeline_bottom=0)
timeline.add(pie_1, '2012 年')
timeline.add(pie_2, '2013 年')
timeline.add(pie_3, '2014 年')
timeline.add(pie_4, '2015 年')
timeline.add(pie_5, '2016 年')
timeline.render()

from pyecharts import Bar, Line, Timeline, Overlap

attr = ["{}月".format(i) for i in range(1, 7)]
bar = Bar("1 月份数据", "数据纯属虚构")
bar.add("bar", attr, [randint(10, 50) for _ in range(6)])
line = Line()
line.add("line", attr, [randint(50, 80) for _ in range(6)])
overlap = Overlap()
overlap.add(bar)
overlap.add(line)

bar_1 = Bar("2 月份数据", "数据纯属虚构")
bar_1.add("bar", attr, [randint(10, 50) for _ in range(6)])
line_1 = Line()
line_1.add("line", attr, [randint(50, 80) for _ in range(6)])
overlap_1 = Overlap()
overlap_1.add(bar_1)
overlap_1.add(line_1)

bar_2 = Bar("3 月份数据", "数据纯属虚构")
bar_2.add("bar", attr, [randint(10, 50) for _ in range(6)])
line_2 = Line()
line_2.add("line", attr, [randint(50, 80) for _ in range(6)])
overlap_2 = Overlap()
overlap_2.add(bar_2)
overlap_2.add(line_2)

bar_3 = Bar("4 月份数据", "数据纯属虚构")
bar_3.add("bar", attr, [randint(10, 50) for _ in range(6)])
line_3 = Line()
line_3.add("line", attr, [randint(50, 80) for _ in range(6)])
overlap_3 = Overlap()
overlap_3.add(bar_3)
overlap_3.add(line_3)

bar_4 = Bar("5 月份数据", "数据纯属虚构")
bar_4.add("bar", attr, [randint(10, 50) for _ in range(6)])
line_4 = Line()
line_4.add("line", attr, [randint(50, 80) for _ in range(6)])
overlap_4 = Overlap()
overlap_4.add(bar_4)
overlap_4.add(line_4)

timeline = Timeline(timeline_bottom=0)
timeline.add(overlap.chart, '1 月')
timeline.add(overlap_1.chart, '2 月')
timeline.add(overlap_2.chart, '3 月')
timeline.add(overlap_3.chart, '4 月')
timeline.add(overlap_4.chart, '5 月')
timeline.render()

使用技巧

统一风格

如果想在同一个图或者多个图内保持统一的风格，可以使用以下方式传参

初始化图时

chart_init = {
    "title_color": "#fff",
    "title_pos": "center",
    "width": 1100,
    "height": 600,
    "background_color": '#404a59'
}
geo = Geo("全国主要城市空气质量", "data from pm2.5", **chart_init)

增加图例时

pie = Pie('各类电影中"好片"所占的比例', "数据来着豆瓣", title_pos='center')
pie_style = {
    "radius": [18, 24],
    "label_pos": "center",
    "is_label_show": True,
    "label_text_color": None
}
pie.add("", ["剧情", ""], [25, 75], center=[10, 30], **pie_style)
pie.add("", ["奇幻", ""], [24, 76], center=[30, 30], **pie_style)
pie.add("", ["爱情", ""], [14, 86], center=[50, 30], **pie_style)
pie.add("", ["惊悚", ""], [11, 89], center=[70, 30], **pie_style)

这样会使得每个图例都会按照设定的风格

集成Flask&Django

• pyecharts + Flask
• pyecharts + Django

更多示例

• 更多示例请参考 example.md
• 欢迎大家补充示例

关于项目

• 欢迎大家使用 pyecharts
• 有什么建议或者想法可以开个 issue 讨论，有什么小错误的也可以直接提交 PR。
• 如有想单独讨论的话可以使用邮箱 -> chenjiandongx@qq.com
• 关注 changelog.md