seo工具助力集群式网站升级,soho个人可以建网站吗,做外贸家纺资料网站,用wordpress建网站30分钟学会pyecharts数据可视化 小红#xff1a;你先跟我说说什么是pyecharts吧。 小明#xff1a;Echarts 是一个由百度开源的数据可视化javascript库#xff0c;凭借着良好的交互性#xff0c;精巧的图表设计#xff0c;得到了众多开发者的认可。而 Python 是一门富有表…30分钟学会pyecharts数据可视化 小红你先跟我说说什么是pyecharts吧。 小明Echarts 是一个由百度开源的数据可视化javascript库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 是一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。简单地说pyecharts就是百度开源的一个强大的javascript数据可视化库Echarts的python接口。 小红明白那这个pyecharts要怎么安装呢 小明很简单用pip就可以安装了。下面是在jupyter notebook中安装这个库的一个示范。 # 安装pyecharts!pip install pyecharts0.5.11# pyecharts_snapshot 提供图片导出功能!pip install pyecharts_snapshot 一基本图表 小红好了我已经安装成功了。你可不可以给我举一些常用图表的范例。 小明OK在数据分析中最常用的3种图表就是柱形图折线图和散点图了。下面我们就来看一下pyecharts绘制这3种常用图表的范例吧。 1柱形图 柱形图适合表现几组数据之间的对比关系柱形图表现的数据的数量一般不宜太多多了的话会像一堆杂草。 from pyecharts import Barx [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋]y1 [5, 20, 36, 10, 75]y2 [10, 25, 8, 60, 20]bar Bar(title 产品月销量,width 600,height 420)bar.add(name 商家A, x_axis x, y_axis y1)bar.add(name 商家B, x_axis x, y_axis y2,is_xaxis_boundarygap True)# 导出绘图html文件可直接用浏览器打开bar.render(柱形图示范.html)bar 2折线图 折线图适合描述两个变量之间的函数关系例如常用它来描述一个变量随时间的变化趋势。 from pyecharts import Linex [2018-{:02d}.format(s) for s in range(1,13)]y1 [5,10,26,30,35,30,20,26,40,46,40,50]y2 [8,20,24,36,40,36,40,45,50,53,48,58]line Line(title 月销售总额,width 600,height 420)line.add(name 商家A, x_axis x, y_axis y1, line_width 3,line_color red)line.add(name 商家B, x_axis x, y_axis y2, yaxis_min 0,yaxis_max 100,is_xaxis_boundarygap False, is_datazoom_show True,line_width 2,line_color cyan)line.render(折线图示范.html)line 3散点图 散点图适合表现大量样本的多个属性的分布规律。散点图的每个点表示一个样本每个坐标维度表示一个属性。 from pyecharts import Scatterimport pandas as pd dfboy pd.DataFrame()dfboy[weight] [56,67,65,70,57,60,80,85,76,64]dfboy[height] [162,170,168,172,168,172,180,176,178,170]dfgirl pd.DataFrame()dfgirl[weight] [50,62,60,70,57,45,62,65,70,56]dfgirl[height] [155,162,165,170,166,158,160,170,172,165]scatter Scatter(title 体格数据,width 600,height 420)scatter.add(name boy, x_axis dfboy[weight], y_axis dfboy[height])scatter.add(name girl, x_axis dfgirl[weight], y_axis dfgirl[height], yaxis_min 130,yaxis_max 200,xaxis_min 30,xaxis_max 100)scatter.render(散点图示范.html)scatter 当样本属性维度多于2个时散点图可以使用点的颜色或大小等方式来表达更多属性维度。下面示范使用点的大小表示第3个维度。 from pyecharts import Scatterimport pandas as pd def custom_formatter(params): return (params.value[3] : str(params.value[0]) , str(params.value[1]) , str(params.value[2]))df pd.DataFrame()df[country] [中国,美国,德国,法国,英国,日本,俄罗斯,印度,澳大利亚,加拿大]df[life-expectancy] [76.9,79.1,81.1,81.9,81.4,83.5,73.13,66.8,81.8,81.7]df[capita-gdp] [13334,53354,44053,37599,38225,36162,23038,5903,44056,43294]df[population] [1376048943,321773631,80688545,64395345,64715810,126573481,143456918, 1311050527,23968973,35939927]scatter Scatter(title 各国发展水平,width 600,height 420)scatter.add(name , x_axis df[capita-gdp], # params.values[0] y_axis df[life-expectancy], # params.values[1] extra_data df[population].values.tolist(), # params.values[2] extra_name df[country].values.tolist(), # params.values[3] tooltip_formattercustom_formatter, #自定义提示框格式内容 is_visualmapTrue, visual_orienthorizontal, visual_type size, #可以是size或者color visual_dimension2, visual_range[20000000, 1500000000], )scatter 小红你上面说的这些范例大部分还是挺简单的可能这个用散点图来显示各个国家的发展水平的例子相对复杂一些是不是如果有第3维数据就要用extra_data来传入呢然后用visual_dimension来指定用点的颜色或者点的大小表示的是第几维的数据。这里的话用点的大小表示了population也就是各个国家人口的多少。对吗 小明一点也没有错你可以仿照着这个例子试试用点的颜色来表示第3维度的数据应该不难懂的。 小红棒棒的。除了这三种最常用图表外。还有一些别的好用的表现力强的图表可以推荐一些吗? 小明你还真是学而不厌。那我再给你演示一下箱型图词云图以及地理坐标系图吧。 4箱型图 箱型图适合表现一组数据的统计分布规律它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。箱型图的进阶版本是小提琴图可以展示数据的密度估计曲线可以用seaborn画出。 from pyecharts import Boxplotx [1班,2班,3班,4班]y1[78, 98, 56, 78, 90.0, 45, 78, 20, 87, 86, 74, 89, 94]y2[89, 82, 45, 67, 68, 78.0, 79, 98, 71, 56, 78, 81, 80]y3[90, 80, 60, 89, 76, 73.0, 72, 92, 89, 87, 65, 66, 76]y4[82, 72, 55, 100, 90.0, 78, 69, 67, 87, 66, 78, 71, 82]box Boxplot(title 考试成绩箱型图,width 600,height 420)# 预处理数据计算最大值最小值中位数以及上下四分位数y_prepared box.prepare_data([y1,y2,y3,y4]) box.add(name ,x_axis x,y_axis y_prepared) 附用seaborn 进行小提琴图的绘制 import seaborn as sns%matplotlib inline%config InlineBackend.figure_format svg#设置风格sns.set(stylewhite, contextnotebook)#处理中文问题sns.set_style({font.sans-serif:[simhei, Arial]}) dfdata pd.DataFrame()dfdata[score] y1 y2 y3 y4dfdata[class] [1班]*len(y1)[2班]*len(y2)[3班]*len(y3)[4班]*len(y4)ax sns.violinplot(x class, y score,data dfdata, palette hls, # 设置调色板 inner box# 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None ) 5词云图 词云图适合表现不同关键词的出现频率或重要性程度。 from pyecharts import WordCloudwords [python,jupyter,numpy,pandas,matplotlib,sklearn, xgboost,lightGBM,simpy,keras,tensorflow, hive,hadoop,spark]counts [100,90,65,95,50,60,70,70,20,70,80,80,60,60]cloud WordCloud(title 数据算法常用工具,width 600,height 420)cloud.add(name utils,attr words,value counts, shape circle,word_size_range (10,70))cloud 6地理坐标系图 地理坐标系图适合表现和国家省份以及城市经纬度位置相关联的数据分布规律。pyecharts中Geo表达和城市关联的数据,Map表达和国家和省份关联的数据。 # 安装地图附属包!pip install echarts-countries-pypkg!pip install echarts-china-provinces-pypkg!pip install echarts-china-cities-pypkg # 全国城市地图示例from pyecharts import Geodata [ (海门, 9),(鄂尔多斯, 12),(招远, 12),(舟山, 12),(齐齐哈尔, 14),(盐城, 15), (惠州, 37),(江阴, 37),(蓬莱, 37),(韶关, 38),(嘉峪关, 38),(广州, 38), (张家港, 52),(三门峡, 53),(锦州, 54),(南昌, 54),(柳州, 54),(三亚, 54), (呼和浩特, 58),(成都, 58),(大同, 58),(镇江, 59),(桂林, 59),(张家界, 59), (北京, 79),(徐州, 79),(衡水, 80),(包头, 80),(绵阳, 80),(乌鲁木齐, 84), (菏泽, 194),(合肥, 229),(武汉, 273),(大庆, 279)]geo Geo( 全国部分城市空气质量, title_color#fff, title_poscenter, width800, height600, background_color#404a59,)attr, value geo.cast(data)geo.add( , attr, value, visual_range[0, 200], visual_text_color#fff, symbol_size15, is_visualmapTrue,)geo # 全国省份地图from pyecharts import Mapvalue [155, 10, 66, 78, 44, 38, 88, 50, 20]attr [福建,山东,北京,上海,江西,新疆,内蒙古,云南,重庆]m Map(全国省份地图, width600, height400)m.add(, attr, value, maptypechina, is_visualmapTrue, is_piecewiseTrue, visual_text_color#000, visual_range_text[, ], pieces[ {max: 160, min: 81, label: 高}, {max: 80, min: 51, label: 中}, {max: 50, min: 0, label: 低}, ])m # 世界地图示例from pyecharts import Mapcountries [China, Canada, India, Russia, United States,Japan]capita_gdp [13334, 43294, 5903, 23038, 53354,36162]population [1376048943, 35939927, 1311050527, 143456918, 321773631,126573481]life_expectancy [76.9,81.7,66.8,73.13,79.1,73.13]m Map(世界经济发展水平, width800, height500)m.add( 人均GDP, attr countries, value capita_gdp, maptypeworld, is_visualmapTrue, visual_range [5000,60000], visual_text_color#000, is_map_symbol_showFalse, visual_orienthorizontal)m 二图表配置 小红你上面介绍的这些基本图表都蛮实用的做起来好像也不难。但是如果我想对图表尺寸线型颜色坐标轴刻度等一些细节进行调整而不是采用默认配置应该怎么做呢 小明你说的这个叫做图表配置。在pyecharts里有3种进行图表配置的方法。 第一个是修改图表主题风格利用configure或use_theme指定图表主题风格对图表整体颜色风格产生影响。 第二个是初始化图表通用属性在创建图表时指定图表height,title等属性对图像尺寸和标题等通用属性产生影响。 第三个是配置特定元素属性可以使用add给图表配置xyAxis,datazoom,lineStyle等特定元素属性。 1修改图表主题风格 可以使用use_theme修改单个图表主题也可以用configure修改全局图表风格。 # 默认主题效果import randomfrom pyecharts import BarX_AXIS [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]bar Bar(默认主题效果, 这里是副标题)bar.add(商家A, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家B, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家C, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家D, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar # 使用dark主题import randomfrom pyecharts import BarX_AXIS [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]bar Bar(dark主题展示, 这里是副标题)bar.use_theme(dark)bar.add(商家A, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家B, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家C, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家D, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar # 安装主题插件获取更多主题!pip install echarts-themes-pypkg 主题插件支持以下主题 vintage macarons 美 shine 美 roma 美 westeros wonderland chalk halloween 美 essos walden purple-passion romantic import randomfrom pyecharts import BarX_AXIS [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]bar Bar(shine主题展示, 这里是副标题)bar.use_theme(shine)bar.add(商家A, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家B, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家C, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar.add(商家D, X_AXIS, [random.randint(10, 100) for _ in range(6)])bar 如果要设置某个主题风格应用到所有图表可以在绘图开始前用configure进行设置。 from pyecharts import configure# 将这行代码置于首部configure(global_themeshine)from pyecharts import Pieattr [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]value [11, 12, 13, 10, 10, 10]pie Pie(销售额占比,width 800,height 520)pie.add(, attr, value, is_label_showTrue) 2修改图表通用属性 图表通用属性指的是图表的title,subtitle,height,width,title_pos,title_color,title_text_size,background_color等属性这些属性对所有类型的图表都适用。所有通用属性设置方式详细参见pyecharts的官方文档https://github.com/lyhue1991/pyecharts/blob/master/docs/zh-cn/charts_configure.md from pyecharts import Pieattr [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]value [11, 12, 13, 10, 10, 10]# 初始化图表通用属性pie Pie(title 销售额占比, title_pos center, # 标题居中 title_top bottom, # 标题在底部 title_color #0000ff, # 标题颜色设置为蓝色256位rgb格式 background_color #aee, # 设置背景颜色16位rgb格式 width 600,height 420)pie.add(, attr, value, is_label_showTrue) 3配置特定元素属性 特定元素属性包括xyAxis,dataZoom,lineStyle,markLine-markPoint,visualMap等元素属性这些元素只在某些种类的图表中适用。例如xyAxis只在Line、Bar、Scatter、EffectScatter、Kline这几类图表中适用。 所有特定元素属性设置方式详细参见官方文档https://github.com/lyhue1991/pyecharts/blob/master/docs/zh-cn/charts_configure.md # 设置xyAxis示范from pyecharts import Linex [2018-{:02d}.format(s) for s in range(1,13)]y1 [5,10,26,30,35,30,20,26,40,46,40,50]y2 [8,20,24,36,40,36,40,45,50,53,48,58]line Line(title 月销售总额,width 600,height 420)line.add(name 商家A, x_axis x, y_axis y1)line.add(name 商家B, x_axis x, y_axis y2, # #设置xyAxis yaxis_min 0,yaxis_max 100, # 设置y坐标轴刻度范围 xaxis_name 月份, yaxis_name 销售额, #x轴名称y轴名称 xaxis_name_gap 40, # x轴名称与轴距离 xaxis_rotate 30, # x轴刻度旋转角度 is_splitline_show True, # 显示y轴网格线 is_xaxislabel_align True # x轴刻度和标签是否对齐 )line # 设置dataZoom示范from pyecharts import Linex [2018-{:02d}.format(s) for s in range(1,13)]y1 [5,10,26,30,35,30,20,26,40,46,40,50]y2 [8,20,24,36,40,36,40,45,50,53,48,58]line Line(title 月销售总额,width 600,height 420)line.add(name 商家A, x_axis x, y_axis y1)line.add(name 商家B, x_axis x, y_axis y2, # #设置xyAxis is_xaxis_boundarygap False, # x坐标刻度对准数据而不是作为分类边界 # #设置dataZoom is_datazoom_show True, #显示 dataZoom控制条 datazoom_type both # 可以是slider,inside或both # # )line # 设置lineStyle示范from pyecharts import Linex [2018-{:02d}.format(s) for s in range(1,13)]y1 [5,10,26,30,35,30,20,26,40,46,40,50]y2 [8,20,24,36,40,36,40,45,50,53,48,58]line Line(title 月销售总额,width 600,height 420)line.add(name 商家A, x_axis x, y_axis y1, # #设置lineStyle line_width 2, line_opacity 0.5, # 透明度 line_color red )line.add(name 商家B, x_axis x, y_axis y2, # #设置xyAxis is_xaxis_boundarygap False, # x坐标刻度对准数据而不是作为分类边界 # #设置dataZoom is_datazoom_show True, #显示 dataZoom控制条 # #设置lineStyle line_width 3, line_color #11ffbb, line_type dashed, # 线型可以是solid,dashed,或者dotted )line # 设置markPoint和markLine示范from pyecharts import Linex [2018-{:02d}.format(s) for s in range(1,13)]y1 [5,10,26,30,35,30,20,26,40,46,40,50]y2 [8,20,24,36,40,36,40,45,50,53,48,58]line Line(title 月销售总额,width 600,height 420)line.add(name 商家A, x_axis x, y_axis y1, # #设置lineStyle line_width 2, line_opacity 0.5, # 透明度 line_color red, # #设置markPointmarkLine mark_point [min,max], #标记点 mark_line [average] #标记线 )line.add(name 商家B, x_axis x, y_axis y2, # #设置xyAxis is_xaxis_boundarygap False, # x坐标刻度对准数据而不是作为分类边界 yaxis_min 0,yaxis_max 100, # 设置y坐标轴刻度范围 # #设置dataZoom is_datazoom_show True, #显示 dataZoom控制条 # #设置lineStyle line_width 3, line_type dashed, # 线型可以是solid,dashed,或者dotted #设置markPointmarkLine mark_point [{coord: [2018-09, 60], name: 2018/09销售目标}, {coord: [2018-11, 80], name: 2018/10销售目标}] # 自定义标记点 )line 如果需要反复使用相同的配置可以使用Style类简化这个过程。 from pyecharts import Pie,Stylepie Pie(各类电影中好片所占的比例, 数据来自豆瓣, title_poscenter)style Style()pie_style style.add( label_poscenter, is_label_showTrue, label_text_colorNone)pie.add( , [剧情, ], [25, 75], center[10, 30], radius[18, 24], **pie_style)pie.add( , [奇幻, ], [24, 76], center[30, 30], radius[18, 24], **pie_style)pie.add( , [爱情, ], [14, 86], center[50, 30], radius[18, 24], **pie_style)pie.add( , [惊悚, ], [11, 89], center[70, 30], radius[18, 24], **pie_style)pie.add( , [冒险, ], [27, 73], center[90, 30], radius[18, 24], **pie_style)pie.add( , [动作, ], [15, 85], center[10, 70], radius[18, 24], **pie_style)pie.add( , [喜剧, ], [54, 46], center[30, 70], radius[18, 24], **pie_style)pie.add( , [科幻, ], [26, 74], center[50, 70], radius[18, 24], **pie_style)pie.add( , [悬疑, ], [25, 75], center[70, 70], radius[18, 24], **pie_style)pie.add( , [犯罪, ],[28, 72],center[90, 70], radius[18, 24], legend_topbottom, **pie_style)pie 三图表组合 小红你上面展示的这些图表配置的范例我基本上get到了简单地说就是可以修改图表主题配置图表通用属性以及配置特定元素属性找到相应的范例参照来改就可以了。但有时候我想把多个不同类型的图表画在一张图上比如在一张图上同时画柱状图和折线图绘制包含多个子图的图表pyecharts可以做到吗 小明当然可以喽。pyecharts可以利用图表组合将多个基本图表加工成内容更加丰富表现力更强的组合图表。在pyecharts中对图表进行组合的方式主要有Grid, Overlap, Page, Timeline这四种方式。 1Grid图表组合 Grid图表组合可以并行显示多张图类似子图的作用。Grid中的子图可以是Overlap。 from pyecharts import Bar, Line, Gridx [衬衫, 羊毛衫, 雪纺衫, 裤子, 高跟鞋, 袜子]y1 [5, 20, 36, 10, 75, 90]y2 [10, 25, 8, 60, 20, 80]bar Bar(柱状图示例, height720)bar.add(商家A, x, y1, is_stackTrue)bar.add(商家B, x, y2, is_stackTrue)line Line(折线图示例, title_top50%)x [周一, 周二, 周三, 周四, 周五, 周六, 周日]line.add( 最高气温, x, [11, 11, 15, 13, 12, 13, 10], mark_point[max, min], mark_line[average],)line.add( 最低气温, x, [1, -2, 2, 5, 3, 2, 0], mark_point[max, min], mark_line[average], legend_top50%,)grid Grid()#利用grid_bottom,grid_top,grid_left,grid_right四个参数控制子图的相对位置grid.add(bar, grid_bottom60%) grid.add(line, grid_top60%)grid 利用Grid解决dataZoom与X轴标签重叠的问题 from pyecharts import Bar, Gridx [ 2019-01-01, 2019-01-02, 2019-01-03, 2019-01-04, 2019-01-05, 2019-01-06, 2019-01-07, 2019-01-08, 2019-01-09,]y [10, 20, 30, 40, 50, 60, 70, 80, 90]grid Grid()bar Bar(利用 Grid 解决 dataZoom 与 X 轴标签重叠问题)bar.add(, x, y, is_datazoom_showTrue, xaxis_interval0, xaxis_rotate30)# 把 bar 加入到 grid 中并适当调整 grid_bottom 参数使 bar 图整体上移grid.add(bar, grid_bottom25%) 2Overlap图表组合 Overlap图表组合可以将不同类型的图表画在同一张图上。 from pyecharts import Bar, Line, Overlapattr [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 Overlap显示双坐标轴 from pyecharts import Line, Bar, Overlapattr [{}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()bar.add(蒸发量, attr, v1)bar.add(降水量, attr, v2, yaxis_formatter ml, yaxis_interval50, yaxis_max250)line Line()line.add(平均温度, attr, v3, yaxis_formatter °C, yaxis_interval5)overlap Overlap(width800, height500)# 默认不新增 x y 轴并且 x y 轴的索引都为 0overlap.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_index1, is_add_yaxisTrue)overlap 3Pages图表组合 Pages可以将多张图表按顺序展示在一张网页中适合制作图形化报表。Pages中的图表可以是Grid,Overlap或Timeline. from pyecharts import Bar, Scatter3Dfrom pyecharts import Pagepage Page() # barattr [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,width 500,height 300)bar.add(商家A, attr, v1, is_stackTrue)bar.add(商家B, attr, v2, is_stackTrue)page.add(bar) # scatter3Dimport randomdata [ [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 500, height300)scatter3D.add(, data, is_visualmapTrue, visual_range_colorrange_color)page.add(scatter3D) page 4Timeline图表组合 Timeline可以将多个图表制作成动画。 from pyecharts import Bar, Timelinefrom random import randintattr [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_showTrue)timeline Timeline(is_auto_playTrue, timeline_bottom0, timeline_play_interval800 # 每800ms播放一张 )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 转载于:https://www.cnblogs.com/yinguo/p/11223265.html
