一、案例介绍
效果一：2020年印美日新冠累计确诊人数
效果二：全国疫情地图可视化
效果三：动态GDP增长图
数据来源：
本案例数据全部来自《百度疫情实时大数据报告》，及公开的全球各国GDP数据
使用的技术：
Echarts 是个百度开源的数据可视化，凭借着良好的交互性，精巧的图标设计，得到了众多开发者的认可，而Python 是门富有表达力的语言，很适合用于数据处理，当数据分析遇上数据可视化时pyecharts 诞生了。
二、json数据格式的转化
1、什么是json
json是一种轻量级的数据交互格式。可以按照json指定的格式去组织和封装数据
json本质上是一个带有特定格式的字符串
主要功能：json就是一种在各个编程语言中流通的数据格式，负责不同编程语言中的数据传递和交互，类似于：
国际通用语言——英语
中国56个民族不同地区的通用语言——普通话
2、json有什么用
各种编程语言存储数据的容器不尽相同，在Python中有字典dict这样的数据类型，而其它语言可能没有对应的字典。
为了让不同的语言都能够相互传递数据，json就是一种非常良好的中转数据格式。如图，以Python和C语言互传数据为例：
3、json格式数据转化
json格式的数据要求很严格，下面我们看一下它的要求
4、Python数据和json数据的相互转化
Python数据和json数据的相互转化
# 导入json模块
import json
# 准备列表，列表内每一个元素都是字典，将其转换为json
data = [{"name": "老王", "age": 16}, {"name": "张三", "age": 20}]
json_str = json.dumps(data, ensure_ascii=False) # 内容带中文的话，就使用ensure_ascii=False不让它使用ASCII去转化它
print(type(json_str))
print(json_str)
# 准备字典，将字典转化为json
data = {"name": "周杰伦", "addr": "台北"}
json_str = json.dumps(data, ensure_ascii=False)
print(type(json_str))
print(json_str)
# 通过json.loads(data)方法把json数据转化为了python列表数据
s = '[{"name": "老王", "age": 16}, {"name": "张三", "age": 20}]'
list = json.loads(s)
print(type(list))
print(list)
# 通过json.loads(data)方法把json数据转化为了python字典数据
s = '{"name": "周杰伦", "addr": "台北"}'
dict = json.loads(s)
print(type(dict))
print(dict)
三、pyecharts模块简介
1、pyecharts模块
如果想要做出数据可视化效果图，可以借助pyecharts模块来完成
概况：
Echarts 是个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可，而Python 是门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时pyecharts诞生了。
2、开发可视化图表使用的技术是：
Echarts框架的Python版本：PyEcharts包
3、pyecharts模块安装
pip install pyecharts
4、如何查看官方示例
打开官方画廊：https://gallery.pyecharts.org/#/README
四、pyecharts的入门使用
1、pyecharts入门
基础折线图
2、pyecharts有哪些配置选项
pyecharts模块中有很多的配置选项，常用到2个类别的选项：
全局配置选项
系列配置选项
3、set_global_opts方法
这里全局配置选项可以通过set_global_opts方法来进行配置，相应的选项和选项的功能如下：
# 导包，导入Line功能构建折线图对象
from pyecharts.charts import Line
from pyecharts.options import TitleOpts, LegendOpts, ToolboxOpts, VisualMapOpts
# 得到折线图对象
line = Line()
# 添加x轴数据
line.add_xaxis(["中国", "美国", "英国"])
# 添加y轴数据
line.add_yaxis("GDP", [30, 20, 10])
# 设置全局配置项，通过set_global_opts来设置
line.set_global_opts(
title_opts=TitleOpts(title="GDP展示", pos_left="center", pos_bottom="1%"),
legend_opts=LegendOpts(is_show=True),
toolbox_opts=ToolboxOpts(is_show=True),
visualmap_opts=VisualMapOpts(is_show=True)
)
# 通过render生成图表
line.render()
五服务器托管网、数据准备
import json
# 处理数据
f_us = open("D:美国.txt", "r", encoding="utf-8")
us_data = f_us.read() # 美国的全部数据
f_jp = open("D:日本.txt", "r", encoding="utf-8")
jp_data = f_jp.read() # 日本的全部数据
f_in = open("D:印度.txt", "r", encoding="utf-8")
in_data = f_in.read() # 印度的全部数据
# 去掉不合json规范的开头
us_data = us_data.replace("jsonp_1629344292311_69436(", "")
jp_data = jp_data.replace("jsonp_1629350871167_29498(", "")
in_data = in_data.replace("jsonp_1629350745930_63180(", "")
# 去掉不合json规范的结尾
us_data = us_data[:-2]
jp_data = jp_data[:-2]
in_data = in_data[:-2]
# json转python字典
us_dict = json.loads(us_data)
jp_dict = json.loads(jp_data)
in_dict = json.loads(in_data)
# 获取trend key
us_trend_data = us_dict["data"][0]["trend"]
jp_trend_data = jp_dict["data"][0]["trend"]
in_trend_data = in_dict["data"][0]["trend"]
# 获取日期数据，用于x轴，取2020年（到314下标结束）
us_x_data = us_trend_data["updateDate"][:314]
jp_x_data = jp_trend_data["updateDate"][:314]
in_x_data = in_trend_data["updateDate"][:314]
# 获取确诊数据，用于y轴，取2020年（到314下标结束）
us_y_data = us_trend_data["list"][0]["data"][:314]
jp_y_data = jp_trend_data服务器托管网["list"][0]["data"][:314]
in_y_data = in_trend_data["list"][0]["data"][:314]六、生成折线图
import json
from pyecharts.charts import Line
from pyecharts.options import TitleOpts, LabelOpts, LegendOpts, ToolboxOpts
# 处理数据
f_us = open("D:美国.txt", "r", encoding="utf-8")
us_data = f_us.read() # 美国的全部数据
f_jp = open("D:日本.txt", "r", encoding="utf-8")
jp_data = f_jp.read() # 日本的全部数据
f_in = open("D:印度.txt", "r", encoding="utf-8")
in_data = f_in.read() # 印度的全部数据
# 去掉不合json规范的开头
us_data = us_data.replace("jsonp_1629344292311_69436(", "")
jp_data = jp_data.replace("jsonp_1629350871167_29498(", "")
in_data = in_data.replace("jsonp_1629350745930_63180(", "")
# 去掉不合json规范的结尾
us_data = us_data[:-2]
jp_data = jp_data[:-2]
in_data = in_data[:-2]
# json转python字典
us_dict = json.loads(us_data)
jp_dict = json.loads(jp_data)
in_dict = json.loads(in_data)
# 获取trend key
us_trend_data = us_dict["data"][0]["trend"]
jp_trend_data = jp_dict["data"][0]["trend"]
in_trend_data = in_dict["data"][0]["trend"]
# 获取日期数据，用于x轴，取2020年（到314下标结束）
us_x_data = us_trend_data["updateDate"][:314]
jp_x_data = jp_trend_data["updateDate"][:314]
in_x_data = in_trend_data["updateDate"][:314]
# 获取确诊数据，用于y轴，取2020年（到314下标结束）
us_y_data = us_trend_data["list"][0]["data"][:314]
jp_y_data = jp_trend_data["list"][0]["data"][:314]
in_y_data = in_trend_data["list"][0]["data"][:314]
# 生成图表
# 构建折线图对象
line = Line()
# 添加x轴数据
line.add_xaxis(us_x_data) # x轴是共用的，所以使用一个国家的数据即可
# 添加y轴数据
line.add_yaxis("美国确诊人数", us_y_data, label_opts=LabelOpts(is_show=False))
line.add_yaxis("日本确诊人数", jp_y_data, label_opts=LabelOpts(is_show=False))
line.add_yaxis("印度确诊人数", in_y_data, label_opts=LabelOpts(is_show=False))
# 设置全局变量
line.set_global_opts(
# 标题设置
title_opts=TitleOpts(title="2020年美日印三国确诊人数对比图", pos_left="center", pos_bottom="1%"),
legend_opts=LegendOpts(is_show=True), # 添加图例
toolbox_opts=ToolboxOpts(is_show=True) # 添加工具箱
)
# 调用render方法，生成图表
line.render()
# 关闭文件对象
f_us.close()
f_jp.close()
f_in.close()
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
相关推荐: 秒开率破90%！交易后台渲染性能优化 ｜ 得物技术
武汉源创会回归，4月20聊聊大模型” 一、前言 一直以来，体验都是得物技术部的关键词之一，对于前端开发而言，提高用户体验更是一项至关重要的工作。 本文从本次交易后台性能优化实践出发，同时介绍应用整体架构和设计，希望可以给参与网站性能建设的同学提供一定的学习和参…
