数据可视化 课件 第6-8章 Plotly数据可视化进阶、Pyecharts入门、Pyecharts进阶

1数据可视化第二章plotly基本图形绘制12345线性图条形图饼图甘特图PlotlyExpress2线性图1.31线性图在plotly中对于线性图而言，不是单一的折线图这种，其中包括了散点图，折线图以及两种结合的图形。在plotly中一贯统称为线形图，在plotly中一般用go.scatter来绘制。线性图41线性图散点图散点图，顾名思义就是由一些散乱的点组成的图表，这些点在哪个位置，是由其X值和Y值确定的。所以也叫做XY散点图。而这些散落的点经过散点图描绘之后有的时候可以反映变量之间的相互关系。在plotly中一般用go.scatter命令来绘制，而这个函数对参数的封装往往采用的就是复合字典赋值参数。51线性图散点图中scatter的常用的参数如下：1.mode：图形格式，这个决定包括lines、markers、lines+markers等，但散点图一般指定的是markers.2.x,y:图像上的点的坐标，设置x轴，y轴的坐标数据3.opacity：透明度，取值范围0~14.markes:指定点的颜色，大小以及样式等相关参数,采用复合字典赋值的方法，其中有size，colors,symbol.symbol是设置点的样式。5.name:指定的这条轨迹的名称61线性图准备工作71线性图81线性图散点图91线性图散点图点的基本设置101线性图散点图每个点的基本设置symbol参数赋值为一个数值也可以赋值为一个列表，而用列表的话就是对每个点可以选择不同的样式，但列表元素个数要与点的个数一致。111线性图气泡图气泡图可用于展示三个变量之间的关系。它与散点图类似，绘制时将一个变量放在横轴，另一个变量放在纵轴，而第三个变量则用气泡的大小来表示。排列在工作表的列中的数据（第一列中列出x值，在相邻列中列出相应的y值和气泡大小的值）可以绘制在气泡图中。气泡图与散点图相似，但气泡图一般反映三维的数据，也可以用于思维数据，而散点图一般常用于二维数据。在气泡图中往往用气泡的大小来作为第三个维度，而在四维气泡图中，一般用透明度，颜色等因素来表示第四维度的数据。在plotly中还是用go.scatter()来绘制气泡图，121线性图三维气泡图131线性图四维气泡图表示方法一141线性图四维气泡图表示方法二151线性图在plotly中还提供一个plotly.express，这个是plotly中一个简易操作的高级界面，可对“整洁”数据进行操作并生成易于样式化的图形。以官网的一个示例给大家展示一下它的效果。161线性图折线图折线图也称线图，折线图是用直线段将各数据点连接起来而组成的图形，以折线方式显示数据的变化趋势。折线图可以显示随时间（根据常用比例设置）而变化的连续数据，因此非常适用于显示在相等时间间隔下数据的趋势。在折线图中，类别数据沿水平轴均匀分布，所有值数据沿垂直轴均匀分布。171线性图折线图中scatter的常用的参数如下：1.x,y:设置x,y轴坐标数据2.mode：图形格式，lines,markers,text，也可以用lines+markers3.name：线图名称4.opacity:透明度参数，取值范围为0~15.line:线条的设置，包括宽度，颜色格式6.markers:点的格式，设置颜色，大小，格式等181线性图折线图示例1191线性图线图结合201线性图双折线21条形图2.222条形图柱状图也称条形图，是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析。长条图亦可横向排列，或用多维方式表达。有水平条形图，基本柱状图，多组柱状图，层叠柱状图，瀑布柱状图等，在plotly这个第三方库当中，一般用go.Bar()来绘制条形图232条形图Bar()函数一些常用参数：1.base:柱状图起始的参数2.dx,dy:x,y坐标的步进值，默认为13.Marker:数据节点，包括颜色格式等参数，其中包括外围的边框线设置4.orientation：图形显示参数，包括‘v’(垂直模式）和‘h’（水平模式）5.Name:绘制的轨迹名称参数6.Textfont:文本字体参数，包括字体名称，颜色，大小等7.Text:每个柱状图的文本元素8.Textposition:文本元素的位置参数，包括：

"inside"|"outside"|"auto"|"none"；9.visible：布尔变量，切换图形显示开关；10.Opacity：柱状的透明度11.Textangle：设置文本的倾斜角度242条形图柱状图常用参数：1.barmode:设置相同坐标的条形图位置。包括:stack(叠加)、group(并列)、overlay(覆盖)、relative(相对)；2.bargroupgap:设置相同位置条形图之间的间隙，范围：0-1；3.bargap:设置相邻位置条形图之间的间隙，范围：0-1；4.orientation：图形显示方向参数，包括：v(垂直模式)和h(水平模式)；252条形图准备工作262条形图柱状图272条形图柱状簇柱状簇就是多个基本柱状结合而成的，比如要比较两个公司一周内每天销售额的差异，可以利用柱状簇来进行展示和分析，这种柱状簇也可单一的分析某一个类别不同时间的变化，也可以比较不同类别在同一时间上进行的比较。282条形图柱状簇292条形图层叠柱状图层叠柱状图其实类似柱状簇，只不过相当把多个柱状整合为一个，以累加的方式进行叠加，最后转为基本柱状图的形式。唯一和基本柱状图的不同是，它是多个柱体的累加。常用来反映一些金融股票方面在不同形式的资产和负债的分布。302条形图层叠柱状图312条形图水平条形图水平条形图其实和绘制柱状图类似，只不过就是对Bar()中的orientation进行设置，设置显示为水平就可，其他和绘制上面的柱状图，柱状簇，层叠柱状图类似，下面大家可以通过这几个例子进行学习。322条形图水平条形图332条形图水平条形图342条形图瀑布图瀑布图是一种比较常用的柱状图，显示正值（收入）和负值（支出）对总量的贡献来显示结果累积的过程。从这个案例我们可以看出，瀑布图采用绝对值与相对值结合的方式，表达多个特定数值之间的数量变化关系。这种由麦肯锡顾问公司所独创的图表类型，因为形似瀑布流水而被称之为瀑布图。瀑布图具有自上而下的流畅效果，也可以称为阶梯图或桥图，在企业经营分析、财务分析中使用较多，用以表示企业成本的构成、变化等情况。瀑布图可以很好的反映数据在不同时期或受不同因素影响的程度及结果，还可以直观反映出数据的增减变化，在工作表中非常实用。352条形图瀑布图36饼图3.373饼图饼图，或称饼状图，是一个划分为几个扇形的圆形统计图表，用于描述量、频率或百分比之间的相对关系。在饼图中，每个扇区的弧长（以及圆心角和面积）大小为其所表示的数量的比例。这些扇区合在一起刚好是一个完全的圆形。顾名思义，这些扇区拼成了一个切开的饼形图案。在plotly

中一般用pie()函数来绘制饼图，这里的饼图包括基本饼图和环状饼图。饼图383饼图pie()函数常用参数：1.values：每个扇区的数值大小；2.labels：列表，饼图中每一个扇区的文本标签；3.hole：设置环形饼图空白内径的半径，取值0～1。默认值为0，参数是与外径的比值；4.hoverinfo：当用户与图表交互时，鼠标指针显示的参数，包括如下任何组合："label"、"text"、"value"、"percent"，"name"、"all"、"none"或"skip"，组合时用"+"拼接，默认为"all"。若设置了“none”或“skip”，则鼠标悬停时不会显示任何信息。但是，如果是设置了“none”，则仍会触发单击和悬停事件；5.pull：列表，元素为0～1之间的数值，默认为0，用于设置各个扇区突出显示的本例393饼图pie()函数常用参数：6.sort：布尔变量，是否进行扇区排序7.rotation：扇区旋转角度，范围是0～360，默认值为08.direction：设置饼图方向。clockwise表示：顺时针、counterclockwise(默认)表示：逆时针9.name:名称参数10.opacity:透明度参数，范围是0-111.domain:范围，设置各个扇形的大小12.marker:数据节点参数，包括大小颜色格式等403饼图基本饼图基本饼图是统计分析中的一种常用的图表之一，常用来描绘某一个类别在整体中的占比，比如最常见的性别比例，这个是很典型的示例，通过饼图的面积能够很好的反映占比情况。在plotly中一般用pie()函数。413饼图准备工作423饼图基本饼图1433饼图基本饼图2443饼图基本饼图3453饼图环形饼图环形图与饼图类似，但又有区别。环形图中间有一个“空洞”，每个样本用一个环来表示，样本中的每一部分数据用环中的一段表示。因此环形图可显示多个样本各部分所占的相应比例，从而有利于构成的比较研究。通俗的来讲环形饼图就是图表中的‘甜甜圈’，其实环形饼图和基本饼图在绘制中是类似的，不过环形饼图相对饼图来说就多一个空洞形式。463饼图环形饼图47甘特图4.484甘特图甘特图又称为横道图，通过条形来显示项目的进度、时间的安排等与时间相关的情况。甘特图能够很直观反映项目安排以及项目进展这些内容。在plotly这个第三方库中，用的函数是plotly.figure_factory

中的create_gantt函数，通过参数事件Task，开始Start，结束Finish的时间的数据来绘制甘特图。甘特图494甘特图create_gantt函数常用参数：1.df:任务名称起止时间2.colors:每个任务的颜色3.index_col:索引方式，常用的有数字索引和类别索引、4.show_colorbar:是否显示图例，True和False5.showgrid_x,showgrid_y：设置是否显示横纵坐标轴6.title:甘特图的名称7.bar_width：项目条的宽度504甘特图514甘特图524甘特图数字索引数字索引简单点的来说就是将传入的数据按照数字索引方式对任务进行分类，这个数字是每个项目的进度，具有相同索引值的条形将会呈现相同的颜色，也可以说通过颜色来判断项目完成的进度。534甘特图数字索引544甘特图类别索引除了数字索引这种方式，还有一种比较常用的索引方式是类别索引，就是将所有的项目分为未完成，完成，进行中这三种类别，通过不同颜色对这些类别进行分类，可以直观的分析项目进展，及时的对项目进行重新安排和调整。554甘特图类别索引56PlotlyExpress5.575PlotlyExpressPlotlyExpress是Plotly.py的高级封装，它为复杂的图表提供了一个简单的语法。这个是在plotly基础上对它进行更高级的封装，简化了plotly绘制图表命令，让绘制图表更加的简单。在plotly4.0版本出现后，plotlyexpress属于plotly这个绘图库的一部分，在每个PlotlyExpress函数都会返回一个graph_objects.Figure对象，该对象的data和layout已根据提供的参数进行了预填充。而且它还在内部封装一些默认的数据集，方便初学者学习，是一个很方便的绘图库。PlotlyExpress585PlotlyExpress内置数据集Plotlyexpress中提供了几个常用来做统计分析的数据集：gapminder，wind,iris,tips,election,carshare,tips这几个数据集，类似python的另一个绘图库Seaborn，通过相应的命令导入，然后数据框格式的数据。595PlotlyExpress内置数据集605PlotlyExpress导入数据集615PlotlyExpress主题调色板在plotlyexpress中主题是指控制图形范围的设置，如边距、字体、背景颜色、刻度定位等。可以使用模板参数应用任何命名的主题或主题对象：有三个内置的Plotly主题可以使用，分别是plotly，plotly_white和plotly_dark。是通过template这个参数来改变。PlotlyExpress将使用活动模板的layout.colorway属性中的颜色顺序，默认活动模板是plotly使用plotly颜色顺序的颜色。但是，可以从px.colors.qualitative模块中选择以下任何内置定性颜色序列，或者定义自己的颜色序列。625PlotlyExpress调色板635PlotlyExpress案例示范以plotlyexpress中tips数据集为例。total_bill：总费用tip：小费 Sex:性别Smoker：是否吸烟 Day：就餐星期中哪一天Time：就餐的时间Size：就餐的人数645PlotlyExpress总消费和小费,性别之间的关系655PlotlyExpress总消费和小费,性别之间的关系665PlotlyExpress总消费和小费,性别之间的关系675PlotlyExpress小提琴图提琴图是一种用于显示数据分布及其概率密度。这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状。中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表95%置信区间，而白点则为中位数。在统计分析中，小提琴图是一种很常用的图形，在plotlyexpress中也提供了这种图的绘制，用的是violin()函数。685PlotlyExpressviolin()函数常用参数：1.dataframe:需要分析的数据（数据框形式）2.x:选取某一列，小提琴也沿x轴显示3.y:选取某一列，默认小提琴也沿y轴显示4.color:分配的颜色5.box：布尔值–如果为True，则在小提琴内部绘制框。6.orientation

：–

'h'水平或'v'垂直之一695PlotlyExpressviolin()函数常用参数：7.points

：outliers'，'suspectedoutliers'，'all'，或False。如果为

'outliers'，则仅显示外部的采样点。如果显示'suspectedoutliers'，则显示所有离群点，并用标记突出显示小于4*Q1-3*Q3或大于4*Q3-3*Q1的点'outliercolor'。如果为'outliers'，则仅显示外部的采样点。如果为'all'，则显示所有采样点。如果为False，则不会显示任何采样点，并且晶须会延伸到整个采样范围。8.title:图表的标题9.violinmode

：'group'或'overlay'在'overlay'模式下，小提琴彼此位于顶部。在'group'模式下，小提琴彼此并排放置705PlotlyExpress小提琴图715PlotlyExpress三维小提琴图725PlotlyExpress重叠小提琴图735PlotlyExpress三维小提琴图745PlotlyExpress漏斗图漏斗图类似倒立的金字塔结构，常用来分析很多业务以及相关占比的内容，漏斗图适用于业务流程比较规范、周期长、环节多的流程分析，通过漏斗各环节业务数据的比较，能够直观地发现和说明问题所在。在plotlyexpress也提供了这种图像的绘制。绘制漏斗图的函数是funnel()函数。755PlotlyExpressfunnel()函数常用参数：1.data：绘制漏斗图所需的数据2.x:漏斗每层的数值3.y:漏斗每层的名称4.opacity：透明度5.color_discrete_sequence：颜色序列选取6.title：标题765PlotlyExpress双坐标轴示例1775PlotlyExpress双坐标轴示例1785PlotlyExpress双坐标轴示例1795PlotlyExpress双坐标轴示例1805PlotlyExpress双坐标轴示例18182数据可视化第一章Pyecharts的基本使用第二章Pyecharts的进阶使用第三章…第四章目录Contents…第五章绪论83第二章Pyecharts的基本使用12345Pyecharts简介准备工作统计图（直角坐标系）基本图表地理图表6本章小结84Pyecharts简介1.851Pyecharts简介提及可视化立马能够想到MATLAB这款强大的软件，MATLAB是一款用于数据分析、数值计、仿真等的编程商业数学软件，它同时也是可视化领域的佼佼者。Echarts在可视化领域也有着举足轻重的地位，Echarts（EnterpriseCharts）是一个商业级数据图表，由百度开源的纯Javascript图表库，可以流畅的运行在PC和移动设备上，兼容绝大部分的浏览器（IE6/7/8/9/10/11，chrome，firefox，Safari等），底层依赖轻量级的Canvas库ZRender，相较于其他的可视化工具来说，它在交互性上占据了绝对的优势。Echarts有开源、图表类型丰富、高交互性、动态数据、巡礼特效等特性大大提升了用户体验。2018年全球著名开源社区Apache基金会宣布全票通过进入Apache孵化器。861Pyecharts简介Echarts对使用者十分友好，Python语言又风靡一时，Echarts与Python的结合就产生了Pyecharts。Pyecharts分为v0.5.X和v1版本，两者不兼容，需要注意的是，v0.5.X可以在python2.7以及3.4以上版本中使用，而v1及以上版本的pyecharts仅能在python3.6及以上版本中运行。本书基于v1.7.1版本对Pyecharts展开介绍。在开始介绍pyecharts库之前，我们需要准备python环境以及第三方包的安装。87准备工作2.882准备工作pyecharts是一个Python的第三方库，完美结合了Echarts的可视化优势以及Python语言在数据分析上的优势。在使用pyecharts之前，一定要先安装python，由于我们将会使用v1.7.1版本的pyechats，因此我们需要安装python3.6的版本或者更高版本。本章将从安装pyecharts第三方库开始介绍，python的安装过程将略过。892准备工作——安装步骤1.pip安装首先用快捷键Win+R打开运行程序，并在出现的输入框中输入“cmd”，点击确定。图1.1cmd展示图902准备工作——安装步骤在出现的命令行窗口中输入以下代码并回车即可安装：图1.2安装pyecharts示意图如果使用pip安装报错，可以尝试将pip替换为pip3或者conda。912准备工作——安装步骤2.conda工具安装使用这种方法进行扩展库安装的前提下是您的电脑上安装了Anaconda编译器。首先打开anaconda，出现下面的界面：图1.3Anaconda首页示意图922准备工作——安装步骤先点击左边的“Environment”，接着点击右上方的下拉框，选择“uninstall”或者“all”，在输入框中输入包名进行搜索，找到想要的包并点击安装即可。使用anaconda的优势在于可以用图形化界面进行第三方库的安装以及多个python环境的创建与管理，当然anaconda也支持命令行的管理。图1.4Environment界面安装库示意图932准备工作——安装步骤3.whl安装当上述两种方法都报错之后，再选择该种安装方法。首先需要在网址/project/pyecharts/#files中下载whl离线文件，接着打开cmd命令行，输入如下命令即可完成安装：942准备工作——安装步骤4.源码安装首先需要从GitHub社区克隆相应的项目源码：gitclone/pyecharts/pyecharts.git接着，进入pyecharts文件夹，使用pip进行安装：$cdpyecharts$pipinstall-rrequirements.txt$pythonsetup.pyinstall本小节共介绍了4种方式进行安装pyecharts包，一般来说，在cmd中使用pip工具即可完成安装，上述方法不需完全掌握，只需完成安装即可。952准备工作——绘制第一个图表在进行系统学习pyecharts之前，我们先绘制一个最简单的图表来体验一下，这相当于学习编程语言时的HelloWorld。在python中输入以下代码：962准备工作——绘制第一个图表上述代码将返回一个路径，即生成的图表保存的路径。找到生成的html文件并用浏览器打开之后，可以看到如下图：图1.5第一张图的结果972准备工作——绘制第一个图表这就是第一个绘制好的图，可以在该图上尝试移动鼠标或点击等操作，这时我们会发现移动鼠标时将出现一个提示框，上面标注了有关鼠标所在区域的数据信息，并且图的展示会结合一定的动画，一个简单的图表就将pyecharts绘图的优势体现的淋漓尽致。现在我们来仔细分析一下代码，第一行导入的Bar是用于绘制柱状图专用的类；第二行导入的是pyecharts库中内置的随机数据集，后续很多示例中所使用的数据都会直接使用Faker模块来快速生成；完成模块的导入之后，首先实例化Bar这个类，使用Bar()就可以完成实例化操作；第四行传入x轴的数据；第五行传入y轴的数据；第六行则是将柱状图完成绘制并存储在文件中，这样可以永久保存刚刚绘制好的图。982准备工作——绘制第一个图表注意：您绘制的图在数据上可能会与上图不完全一致，因为代码中使用了Faker模块生成数据，这具有一定的随机性。总结一下我们实现的第一个代码，该代码可以抽象为下述流程：图1.6代码流程图后续绘制图表的流程都是参照上述流程，有些图可能会根据复杂程度在某些环节稍微繁琐一些，但是万变不离其宗，记住上述的流程，大部分的图都能快速绘制出来。992准备工作——链式调用上一小节中我们简单的绘画了一个柱状图，现在我们将上面的代码在不改变实现效果的前提下对代码进行改造：1002准备工作——链式调用仔细对比本节代码和上节代码，可以发现这次代码中构造了一个func_temp函数，该函数的作用就是在构造一个具体的柱状图，在这里构造函数是为了在视觉上增加可读性以及代码的复用和移植。更为重要的是，在实例化Bar类之后并没有立即将其赋值到一个变量中，而是直接用”.”继续往其中传入数据或更改组件样式等等操作，虽然代码中的”c=(…)”共占5行，其实完全可以看作一行，这样的写法与上小节中的代码实现的效果完全一样，但是在外观上链式调用更为简洁，增加了代码的可读性。在平时使用pyecharts时并不强求使用链式调用，但是我们需要知道的是应该如何阅读这种写法的代码，本书后面都会采用链式调用的写法来进行举例。1012准备工作——使用主题pyecharts中预先搭配了10余种主题供我们使用。对于主题的概念，我们可以理解为手机主题，作用就是让我们绘制出的图有更为美观或与众不同的配色，在视觉上给人以美感。示范代码：1022准备工作——使用主题图1.7PURPLE_PASSION主题样式结果如下：1032准备工作——使用主题代码解释：主题风格的设置是在实例化中的初始化参数中进行设置的，本例中使用的是PURPLE_PASSION的主题。主题类型有：WHITE、LIGHT、DARK、CHALK、ESSOS、INFOGRAPHIC、MACARONS、PURPLE_PASSION、ROMA、ROMANTIC、SHINE、VINTAGE、WALDEN、WESTEROS、WONDERLAND等15种，其中WHITE主题是默认主题。由于篇幅原因，这里不一一进行展示，读者可以自行更改主题样式来查看效果。1042准备工作——展示图表根据我们现在所接触过的代码，可以知道有关保存的函数有render()，但除此之外还有很多其他的函数可供使用，这里将分为3个小块来进行介绍。1.render()该函数的使用方式不再赘述，它所包含的参数解释如下：path：生成文件的存储路径，默认值为“render.html”。template_name：使用的模板路径，默认值为“simple_chart.html”。env：配置各类环境参数。1052准备工作——展示图表2.render_notebook()该函数与render()的使用方式相同，但该函数中没有参数，需要注意的是，render_notebook()函数只能在jupyternotebook中使用，作用是将构造的图渲染到jupyternotebook中，同时可以支持实时交互操作，更方便的查看与调试代码。在本书中后续的代码都在jupyternotebook环境中进行操作。若在您的实验机上没有jupyternotebook，可以将实例中的render_notebook()函数全部换为render()函数，生成html文件并使用浏览器查看，最终实现的效果是一样的。1062准备工作——展示图表3.make_snapshot该函数用于生成图片，需要注意的是，这种保存方式将图表渲染成图片，因此无法进行实时交互操作，但是报告或者论文中的图都是以图片形式进行展示的，学习如何将图表静态渲染到图片是有必要的。首先需要额外安装第三方库：第三方包前提条件说明snapshot-selenium先配置browserdriver，浏览器推荐使用chromepyecharts+selenium渲染图片snapshot-phantomjs先安装phantomjspyecharts+phantomjs渲染图片snapshot-pyppeteer先安装pyppeteer和chromiumpyecharts+pyppeteer渲染图片，安装完成后建议执行chromium安装命令：pyppeteer-install表格

1.1make_snapshot相关的第三方库上述三个包只需安装一个即可，笔者使用的电脑中预先有selenium环境，因此直接安装的snapshot-selenium包（使用pip插件进行安装）。1072准备工作——展示图表下面对make_snapshot()函数的参数进行介绍：defmake_snapshot()engine：渲染引擎，可选selenium或者phantomjs。file_name：传入HTML文件路径。output_name：输出图片路径。delay：设置延迟时间，避免出现未渲染完就生成图片从而造成图片的不完整。pixel_ratio：像素比例，用于调节图片质量。is_remove_html：渲染完图片是否删除原HTML文件，值类型为bool类型，默认值为False。browser：浏览器类型。1082准备工作——展示图表渲染为图片的代码如下：注意：上述代码是从snapshot-selenium、snapshot-phantomjs、snapshot-pypeteer中任意选一个安装成功的包中导入snapshot，再使用make_snapshot()函数进行渲染图片操作。109统计图（直角坐标系）3.1103统计图（直角坐标系）——共有函数介绍经过上一节的介绍，我们知道pyecharts在绘制图形时使用不同功能的函数一层一层往上添加数据或者组件。在有直角坐标系的图表中有一部分的函数是通用的，这里一起进行介绍，后面在讲具体的图时不再进行介绍。1.extend_axis()该函数用于扩展x轴或者y轴，函数以及参数说明如下：defextend_axis()xaxis_data：扩展X轴的数据项。xaxis：扩展x轴配置，使用global_options.AxisOpts()函数进行设置。yaxis：扩展y轴配置，使用global_options.AxisOpts()函数进行配置。1113统计图（直角坐标系）——共有函数介绍2.add_xaxis()该函数用于增加x轴数据，函数以及参数说明如下：defadd_xaxis()xaxis_data：x轴数据序列，一般使用列表结构。3.reversal_axis()该函数用于交换x轴与y轴的数据，该函数没有参数：defreversal_axis()1123统计图（直角坐标系）——共有函数介绍4.

add_dataset()该函数用于添加dataset组件，函数与参数说明如下：defadd_dataset()source：原始数据，一般是二维表。dimensions：定义series.data或dataset.source每个维度的信息。source_header：说明第一行/列是否是列/行名，值类型为bool类型。值为true时，即第一行/列是列/行名；值为false，即第一行为数据。1133统计图（直角坐标系）——柱状图柱状图（BarChart）是一种以长方形的长度具象表现变量的大小的图。柱状图常常用于较小的数据集分析，分析某一个变量在不同条件或时间下的值的变化。下面先介绍与柱状图Bar类相关的函数：1.

add_yaxis()该函数的作用是增加柱状图的系列数据，函数与参数说明如下：defadd_yaxis()series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。1143统计图（直角坐标系）——柱状图xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。color：设置系列label的颜色。stack：数据堆叠，可以将相同类目轴的不同系列数据进行堆叠显示。category_gap：设置同一系列的柱间距离，默认值为”20%”。gap：设置不同系列的柱间距离，值为字符串类型，值的大小为柱间空隙占比。label_opts：设置标签样式，使用series_options.LabelOpts()进行设置。markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。1153统计图（直角坐标系）——柱状图markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。encode：定义data的哪个维度被编码成什么。注意：gap和category_gap两个参数一般都写在最后一个增加数据的add_yaxis()中，若是在不同的add_yaxis()中都设置了这两个参数，默认为最后一次的设置起作用。1163统计图（直角坐标系）——柱状图2.BarItem柱状图数据项该类用于设置柱状图的数据，但一般在绘制柱状图时会使用列表或数组等序列数据结构，该类中的参数解释如下：classBarItem()name：设置数据项的名称。value：设置单个数据项的数值。label_opts：设置单个柱条文本的样式，使用series_options.LabelOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts进行设置。tooltip_opts：设置提示框组件样式，使用series_options.TooltipOpts进行设置。1173统计图（直角坐标系）——柱状图例1-11183统计图（直角坐标系）——柱状图结果展示：图1.8简单柱状图效果展示1193统计图（直角坐标系）——柱状图代码解释：首先用函数Bar()进行实例化；接着对该实例化之后的对象用函数add_xaxis()添加x轴数据；再利用函数add_yaxis()在该对象上添加y轴，从上述代码中可以看见连续用了两次add_yaxis()函数，则表示增加了两个系列的数据，整个数据如表1.2所示；接着又用set_global_opts()函数对图表的细节进行设置，这里在参数title_opts处对图表的标题以及副标题进行了设置；最后返回整个链式代码，一个画柱形图的函数就完成了。最后调用刚刚写好的bar1()函数，并使用render_notebook()函数将画好的图表嵌入jupyternotebook中进行实时显示，到此大功告成。1203统计图（直角坐标系）——柱状图表格1.2数据展示表格x河马蟒蛇老虎大象兔子熊猫狮子系列11211101351069455129系列2431021392252311181213统计图（直角坐标系）——柱状图例1-21223统计图（直角坐标系）——柱状图结果展示：图1.9多系列柱状图的结果展示本例中插入了两组数据，但一开始呈现的数据却只有一个系列，这是因为在第二个add_yaxis()函数中将is_selected参数的值设置为了False。若想要查看系列2所对应的柱状图，可以直接点击图上方的图例，灰色的即为不显示。1233统计图（直角坐标系）——柱状图例1-31243统计图（直角坐标系）——柱状图结果展示：图1.10调整柱状图间隙结果展示1253统计图（直角坐标系）——柱状图例1-4轴标签的设置在set_global_opts()中，示例如下所示：1263统计图（直角坐标系）——柱状图结果展示：图1.11设置轴标签的结果展示1273统计图（直角坐标系）——柱状图例1-5与柱状图十分相似的一个图表类型则是条形图，完全可以将其看成x轴与y轴翻转的柱状图，因此，我们同样可以利用Bar类来绘制条形图，代码如下：1283统计图（直角坐标系）——柱状图结果如下：图1.12条形图的结果展示注意：此处除了需要用reversal_axis()函数将XY轴翻转之外，还需要将数字标签的位置改在右边，否则标签仍旧会显示在上侧，标签与图重合将会导致视图不清。1293统计图（直角坐标系）——柱状图例1-6堆叠柱状图是使用函数add_yaxis()中的stack参数，每添加一个y轴的数据都可以设置一个stack参数，该参数的值相当于是该系列数据的名称，最终形成的数据会将相同名称的柱子堆叠在一起，示例如下所示：1303统计图（直角坐标系）——柱状图图1.13堆叠柱状图的结果展示结果展示：1313统计图（直角坐标系）——箱线图箱线图（BoxPlot）又可称为盒须图，适用于显示一组数据分布情况的统计图。常用于品质管理领域，能够有效的反应原始数据分布特征，还能对多组数据分布特征进行比较。下面先介绍与箱线图Boxplot类相关的函数：1.add_yaxis()该函数的作用是传入数据，函数以及参数说明如下：defadd_yaxis()series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。1323统计图（直角坐标系）——箱线图xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。label_opts：设置标签样式，使用series_options.LabelOpts()进行设置。markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。1333统计图（直角坐标系）——箱线图接下来对车祸数据集（car_crashes.csv）进行绘制箱线图，车祸数据集中共有八个特征，首先读取数据并查看数据集：图1.14车祸数据展示结果如下：1343统计图（直角坐标系）——箱线图例1-7接着对整个数据框的前5列数据绘制箱线图，实例代码如下：1353统计图（直角坐标系）——箱线图图1.15基本箱线图的结果展示1363统计图（直角坐标系）——箱线图代码讲解：在构造绘制箱线图函数时，首先利用Boxplot()进行实例化；再添加x轴的值，即为数据框的列名，取列名的前5列；增加y轴数据时同样利用的是add_yaxis()函数，第一个参数、是系列名称，即图例处显示的文字，需要注意的是第二个参数传递的并非是原始数据，而是需要用prepare_data()函数对原始数据进行一次处理，箱线图中一个箱体所展示的数据特征包括上边界、25%分位数、中位数、75%分位数、下边界等5个特征值，可以将一组数据的整体分布情况较好的用一个箱体展示，因此绘制箱线图所需要的不是一整组数据，而是一组数据的上边界、25%分位数、中位数、75%分位数、下边界，而prepare_data()函数的作用就是将传入的数据列表排序并计算出这5个数据统计量。1373统计图（直角坐标系）——箱线图例1-8多系列箱线图是将几个数据集在相同的特征中对比数据的各种数字特征，这里为了方便，用的同一个数据的前半部分与后半部分进行对比。在真实的项目环境中，会将数据集按某个分类特征为标准，对比分析该分类特征的不同水平的数据分布。代码如下：1383统计图（直角坐标系）——箱线图图1.16多系列箱线图的结果展示1393统计图（直角坐标系）——箱线图这里增加一个系列的方式同之前的方式一样，都是使用add_yaxis()函数，需要增加几个系列，则使用几次add_axis()函数。需要注意的是，箱线图并不是将所有样本都画在图上，而是画出数据集的各个数字特征，因此需要将原有数据集进行处理一次，处理原数据集的函数用的是prepare_data这个函数。1403统计图（直角坐标系）——散点图散点图（ScatterPlot）在统计中常用于回归分析中，在直角坐标系中描下数据点，可以根据散点图观察数据集的数据分布以及因变量与自变量之间的关系，从而能够选择更为恰当的方式进一步分析。下面介绍有关散点图Scatter类相关的函数：1.add_yaxis()该函数的作用是传入系列数据，函数以及参数说明如下：series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。defadd_yaxis()1413统计图（直角坐标系）——散点图xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。color：设置系列label的颜色。symbol：设置标记的形状，可选值有”circle”、“rect”、”roundrect”、“triangle”、”diamond”、“pin”、“arrow”、“none”等。symbol_size：设置标记的尺寸大小，值类型支持数字和列表，当值为数字时，则是直接设置标记的大小；若值为列表时，列表中的两个元素分别设置标记的宽和高。symbol_rotate：设置标记的旋转角度。label_opts：设置标签样式，使用series_options.LabelOpts()进行设置。1423统计图（直角坐标系）——散点图markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。encode：定义data的哪个维度被编码成什么。1433统计图（直角坐标系）——散点图例1-9本例利用车祸数据集的“ins_losses”、”ins_prenium”两列数据分别作为散点图的x轴和y轴，这样每个样本都可以在一个确定的坐标系中找到确定的位置。描点之后就可以宏观的观察样本数据之间潜在的关系，也就是观察数据集特征之间的关系。代码如下：1443统计图（直角坐标系）——散点图图1.17基本散点图的结果展示1453统计图（直角坐标系）——散点图代码解释：这里的散点图展示了一个二维数据，x轴为一维，y轴为另一维，相当于是在一个坐标系中描绘了一组(x,y)数据点，依据上述分析，我们很容易想到利用add_xaixs()添加x轴的一组数据，用函数add_yaxis()添加y轴的一组数据。需要注意的是，pyecharts中y轴的值默认显为数据标签，想要画出上面简洁的图则需要利用set_series_opts()函数将数据标签手动设置为不显示，才能够得到上述图表。1463统计图（直角坐标系）——散点图例1-10在看到刚刚画好的图，大致能够了解到数据集两个特征的走势以及之间的关系，但是若是想要了解某个点的值，这样除了点和坐标轴就空空如也的图未免有些不便观察，因此可以在其上添加一些网格来辅助观察数据水平。代码如下：1473统计图（直角坐标系）——散点图图1.18散点图增加分割线的结果展示1483统计图（直角坐标系）——散点图代码解释：相比于上一个图来说，这个图多了一些网格，这些网格主要的作用就是辅助观察数据的值。实现这个效果需要用到set_global_opts函数中的xaxis_opts和yaxis_opts参数，我们将这两个参数的值重新设置，将splitline_opts的is_show参数设置为了True。这样就可以看到网格线了。相应的还可以实现设置网格线的间距、角度、位置、最大值、最小值等等属性。1493统计图（直角坐标系）——散点图例1-11上面的图中虽然增加了网格线辅助观察，但是如何才能让人对图中的数据点对应值的大小有更深的视觉感受？这里我们可以改变点的颜色，颜色能够比数字给人更大更明显的视觉冲击。实现代码如下：1503统计图（直角坐标系）——散点图图1.19散点图增加颜色的结果展示1513统计图（直角坐标系）——散点图代码解释：这段代码中在set_global_opts函数中增加了visualmap_opts的参数，该参数中能够设置最大、最小值；相应的，数据越小，点的颜色越偏向蓝色，数据越大，点的颜色越偏向红色，左侧也会显示一个颜色调来展示数据与颜色之间的关系。该参数除了能够设置最大最小值之外，还能够设置显示的位置、方向、是否分段、背景颜色、长宽等等属性。1523统计图（直角坐标系）——散点图例1-12除了不同的颜色可以快速的让人感受到数据的大小之外，点的尺寸也同样可以给人强烈的视觉冲击，下面是通过点的大小来表现数据的大小：1533统计图（直角坐标系）——散点图图1.20散点图设置不同点尺寸的结果展示代码详解：改变点的尺寸大小需要用的参数是visualmap_opts，将type_参数的值改成”size”即可实现，其他与之前的代码并无区别。1543统计图（直角坐标系）——散点图例1-13从上面的例子中我们知道散点图除了一般平面图中有的x轴与y轴这两个维度之外，点的尺寸与颜色也可以改变，那么点的颜色或者尺寸是否可以展示第三维的数据呢？答案是肯定的，因此散点图就可以在一个平面图中传递更多信息。代码如下：1553统计图（直角坐标系）——散点图图1.21显示三维数据散点图的结果展示代码详解：从代码中我们可以看到，在add_yaxis()函数中传递参数时，传入的数据有两个维度，而visualmap_opts参数中在配置组件时设置了另一个参数dimension，这样就能使颜色展示第三个维度，画出来的图也有三个维度。1563统计图（直角坐标系）——散点图例1-14除了上述的配置之外，我们还可以为我们的图增加一些炫酷的特效，例如每个点都增加涟漪动图效果，这样是不是能够使我们的图更加吸引人？涟漪特效散点图中的add_yaxis()函数相较于散点图中的add_yaxis()函数多了一个effect_opts参数，该参数使用series_options.EffectOpts()进行设置涟漪特效样式。1573统计图（直角坐标系）——散点图实现代码如下：1583统计图（直角坐标系）——散点图图1.22涟漪特效散点图的结果展示代码详解：涟漪散点图所用到的类不再是Scatter，而是EffectScatter，同样是先实例化，然后传入数据。1593统计图（直角坐标系）——散点图例1-15涟漪特效图的点可以改变形状，这不仅仅可以使我们的图更加吸引人眼球，更重要的是，不同的点的形状同样可以表示一个维度，例如数据集中的一个分类特征，或者表示不同的数据集。代码如下：1603统计图（直角坐标系）——散点图图1.23涟漪特效散点图不同点类型的结果展示代码详解：改变点的形状的参数是在add_yaxis函数中的symbol参数，除了本例中的DIAMOND之外还有RECT、ROUND_RECT、TRIANGLE、ARROW等值可以实现。1613统计图（直角坐标系）——热力图热力图（HeatMap）在可视化项目比较常见，主要是利用不同的颜色来体现热点分布。常见于统计中展示数据集中不同特征之间的相关程度；除此之外也常常用于表示地图上不同区域的某个指标的高低或者聚集程度。这里先介绍与热力图HeatMap相关的函数：1.add_yaxis()该函数的作用是传入数据，函数以及参数说明如下：defadd_yaxis()series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。value：设置系列数据项。is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。1623统计图（直角坐标系）——热力图xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。label_opts：设置标签样式，使用series_options.LabelOpts()进行设置。markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。1633统计图（直角坐标系）——热力图例1-16本例中对车祸数据集中的各个特征进行相关性分析，并将结果以热力图的形式进行展示，实现热力图的代码如下所示：1643统计图（直角坐标系）——热力图1653统计图（直角坐标系）——热力图图1.24热力图的结果展示1663统计图（直角坐标系）——热力图代码详解：首先对数据集data计算相关系数，corr()函数返回的数据类型为DataFrame，这里将其转化为列表；接着实例化HeatMap()之后，用add_yaxis函数传入己经计算好的相关系数，注意这里需要手动传入x轴与y轴的标签。除此之外，还需要将visualmap_opts中的最大值与最小值分别设置为1、-1，这是因为max_默认的值为100，min_默认的值为0，这个取值范围并不符合相关系数的取值范围，因此绘制的图不会出现我们想要的结果。这里为了标签能够完全显示，对其设置了标签的旋转角度。如果想要显示各个方格中的值，在add_yaxis()函数中设置label_opts参数的值，写为label_opts=opts.LabelOpts(is_show=True)即可，同时还可以利用position设置标签所在的位置，这里不一一展示，读者可以自行实验。1673统计图（直角坐标系）——K线图K线图（KLine）又称为蜡烛线、阴阳线等等，最先是日本商人用于记录米市行情，后在股市中被广泛应用。由此可见，K线图适用于描绘某个商品每天的价格波动。K线图的优点是能够全面透彻的观察市场行情的波动变化。缺点便是绘制繁复，是许多走势图中较为难画的一种，并且对于不懂K线图的人来说，理解起来也会有一定的难度，没有其他图那么直观简洁易懂。1683统计图（直角坐标系）——K线图图1.25K线图柱体标注在最常用的股票场景中，K线图每条线中都包含开盘价、收盘价、最高价和最低价组成；图中的线分为阴线与阳线，当收盘价高于开盘价时，实体部分会绘制为红线或者白线，也成为“阳线“；反之，当收盘价低于开盘价，则成为”阴线“，实体部分则是绿色或者黑色。如下图所示：1693统计图（直角坐标系）——K线图下面是对K线图Kline类相关的函数介绍：1.add_yaxis()该函数的作用是传入数据，函数以及参数说明如下：defadd_yaxis()series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。1703统计图（直角坐标系）——K线图yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。1713统计图（直角坐标系）——K线图在本例中所用的数据集是随机生成的，其中包括日期、开盘价、收盘价、最低价、最高价、成交量等特征，只用于示范K线图的画法。数据集如下：图1.26股票数据展示1723统计图（直角坐标系）——K线图例1-171733统计图（直角坐标系）——K线图图1.27K线图的结果展示1743统计图（直角坐标系）——K线图代码详解：这里的横轴传入的数据是日期，由于数据集中的日期除了年月日之外还有时分秒，因此我们构造了一个临时函数，用于获取日期中的年月日；add_yaxis中传入的数据则是开盘价、收盘价、最低价、最高价等，这里传入时需注意要将数据转化为列表。1753统计图（直角坐标系）——折线图折线图（Line）也称为趋势图。常常用于显示某个指标在不同时间点的数值，简而言之，折线图是用于描述某一指标随时间的变化，反映事物的动态变化过程。折线图不仅可以体现数据的增减关系，图形的斜率也能在一定程度上体现增长率。下面先介绍与折线图Line类相关的函数：1.add_yaxis()该函数的作用是传入数据，函数以及参数说明如下：defadd_yaxis()series_name：设置系列名称，系列名称会在提示框以及图例中显示。y_axis：传入系列数据。1763统计图（直角坐标系）——折线图is_selected：是否选中图例，值类型为bool类型，默认是True，在图刚完成时不会显示设置为False的系列数据，可以手动点击图例来调整数据的显示。is_connect_nones：是否连接空数据，值类型为bool类型，默认值为False，空数据使用”None”表示。xaxis_index：指定x轴的index，在单个图表实例中存在多个x轴的时候有用。yaxis_index：指定y轴的index，在单个图表实例中存在多个y轴的时候有用。color：设置系列label的颜色。is_symbol_show：是否显示symbol。symbol：设置标记的形状，可选值有”circle”、“rect”、”roundRect”、“triangle”、”diamond”、“pin”、“arrow”、“none”等。1773统计图（直角坐标系）——折线图symbol_size：设置标记的尺寸大小，值类型支持数字和列表，当值为数字时，则是直接设置标记的大小；若值为列表时，列表中的两个元素分别设置标记的宽和高。stack：数据堆叠，可以将相同类目轴的不同系列数据进行堆叠显示。is_smooth：设置是否平滑曲线，值类型为bool类型，默认值为False。is_step：设置是否显示成阶梯图，值类型为bool类型，默认值为False。is_hover_animation：设置是否开启hover在拐点标志上的提示动画效果，值类型为bool类型，默认值为False。z_level：设置折线图中所有图形的zlevel值。zlevel值用于Canvas分层，不同zlevel值的图形会放置在不同的Canvas中，Canvas分层是一种常见的优化手段。注意zlevel大的Canvas会放在zlevel小的Canvas的上面。1783统计图（直角坐标系）——折线图z：设置折线图组件的所有图形的z值。z值用于控制图形的前后顺序，注意z值大的图形会覆盖z值小的图形。注意z相比zlevel优先级更低，而且不会创建新的Canvas。label_opts：设置标签样式，使用series_options.LabelOpts()进行设置。markpoint_opts：设置标记点，使用series_options.MarkPointOpts()进行设置。markline_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。markarea_opts：设置标记线，使用series_options.MarkLineOpts()进行设置。tooltip_opts：设置提示框样式，使用series_options.TooltipOpts()进行设置。1793统计图（直角坐标系）——折线图linestyle_opts：设置线样式，使用series_options.LineStyleOpts()进行设置areastyle_opts：设置填充区域样式，使用series_options.AreaStyleOpts()进行设置itemstyle_opts：设置图元样式，使用series_options.ItemStyleOpts()进行设置。1803统计图（直角坐标系）——折线图例1-18这里我们仍旧使用刚刚的股票数据，实现代码如下：1813统计图（直角坐标系）——折线图图1.28折线图的结果展示1823统计图（直角坐标系）——折线图代码详解：在实例化Line类之后，通过add_yaxis函数传入数据。在绘画折线图时，经常会出现因为数值过大，而导致数据之间的差异不明显，对于这种情况，我们在set_global_opts函数中设置yaxis_opts参数，将y轴的最小值0改成数据集中的最小值，这样y轴的起始点就会改变，增大数据之间的差异性。1833统计图（直角坐标系）——折线图例1-19根据我们的经验，数据的变化一般都是平滑的，而非直接的转折，为了更好的演示数据的变化，pyecharts中提供了平滑的折线图，代码如下：1843统计图（直角坐标系）——折线图图1.29平滑折线图的结果展示代码详解：相较于普通的折线图，平滑折线图只需更改add_yaxis函数中的is_smooth参数，该参数的值为布尔值，默认为False，当设置为True时，就是平滑折线图。1853统计图（直角坐标系）——叠加多图我们知道，不同类型的图的优势不同，有时需要结合多种类型的图表来展示一个数据集，在pyecharts中用overlap()函数对多个图表进行叠加，代码如下所示：1863统计图（直角坐标系）——叠加多图图1.30叠加多图的结果展示代码详解：在结合多个不同类型的图表时需要用到overlap函数，首先我们定义了一个柱形图，接着定义了一个折线图，最后利用overlap将其结合在一起即可。187基本图表4.1884基本图表上一小节中，介绍了如何绘制多种统计图，但是在做分析写报告时，我们需要更多具有特色的图，才能最大化展示数据的特点。本小节将会为大家讲解更多的图表类型。1894基本图表——日历热力图日历热力图（CalendarHeatmap）是热力图与日历图结合的产物。日历热力图一般用于展示两个变量：时间变量与另一种变量；具体的形式是由7×n个小方框组成的类似于表格的图，每个小方格代表一天，而方块中的颜色则是表示另一变量值的大小。GitHub官网中有一个日历热力图来显示账户的使用程度，其中绿色越深使用次