Pyecharts实战：5分钟搞定动态数据可视化（附完整代码）

最新推荐文章于 2026-05-04 11:01:41 发布

原创最新推荐文章于 2026-05-04 11:01:41 发布 · 188 阅读

本内容遵循CC 4.0 BY-SA版权协议

Pyecharts实战：5分钟搞定动态数据可视化（附完整代码）

如果你是一名Python开发者，曾经为了在报告或应用中嵌入一个美观、交互式的图表而不得不去啃JavaScript和ECharts的文档，那么今天这篇文章就是为你准备的。数据可视化早已不是简单的静态图片展示，动态、交互式的图表能极大地提升数据的表现力和洞察力。但传统的前端可视化方案学习曲线陡峭，将数据分析与图表制作割裂开来，效率低下。

Pyecharts 的出现，完美地解决了这个痛点。它本质上是一个Python版的ECharts，让你能用纯Python的语法，调用ECharts这个强大的JavaScript可视化库的全部能力。这意味着，你无需离开熟悉的Python环境，无需编写一行HTML或JavaScript代码，就能生成可直接嵌入网页、支持缩放、拖拽、数据筛选、动态更新的精美图表。无论是快速生成一份数据分析报告，还是为你的Web应用构建一个实时数据监控面板，Pyecharts都能让你在极短的时间内，用极简的代码实现专业级的效果。

这篇文章将带你从零开始，快速掌握Pyecharts的核心用法。我们会从一个最简单的柱状图入手，逐步深入到地图、动态时间轴等高级图表，并提供可直接运行的完整代码。我们的目标是：在5分钟内，让你能独立用Pyecharts创作出令人眼前一亮的数据可视化作品。

1. 环境搭建与第一个图表

万事开头难，但用Pyecharts开头却异常简单。首先，确保你的Python环境已经就绪（建议使用Python 3.6及以上版本），然后通过pip一键安装：

pip install pyecharts

注意：Pyecharts有两个主要版本，v0.5.x和v1.x，两者语法不兼容。本文基于目前主流的 v1.x 版本进行讲解，其API设计更加现代和优雅，支持链式调用。

安装完成后，让我们用不到10行代码，创建一个展示各大城市平均气温的柱状图。这是最直观的入门方式。

from pyecharts.charts import Bar
from pyecharts import options as opts

# 1. 准备数据
cities = ['北京', '上海', '广州', '深圳', '成都', '杭州']
temperatures = [22, 24, 28, 30, 20, 26]

# 2. 创建图表对象并配置
bar = (
    Bar()
    .add_xaxis(cities)  # 设置X轴数据
    .add_yaxis("平均气温(℃)", temperatures)  # 设置Y轴数据和系列名称
    .set_global_opts(
        title_opts=opts.TitleOpts(title="主要城市平均气温对比"),
        toolbox_opts=opts.ToolboxOpts(),  # 添加工具箱，包含保存图片、数据视图等工具
    )
)

# 3. 生成HTML文件
bar.render("first_bar_chart.html")

运行这段代码，你会在当前目录下得到一个名为 first_bar_chart.html 的文件。用浏览器打开它，一个完整的、可交互的柱状图就呈现在你面前了。你可以尝试以下操作：

将鼠标悬停在柱子上，查看具体数值。
使用右上角的工具箱按钮，将图表保存为图片。
尝试点击图例“平均气温(℃)”来隐藏或显示该数据系列。

核心步骤解析：

导入与数据准备：从pyecharts.charts导入所需的图表类（这里是Bar），并准备好结构化的数据（列表形式）。
链式调用构建图表：这是Pyecharts v1.x的精髓。通过 .add_xaxis() 和 .add_yaxis() 方法添加数据，再通过 .set_global_opts() 方法设置全局选项，如标题、工具箱、坐标轴等。整个过程流畅自然。
渲染输出：调用 .render() 方法，指定一个HTML文件名，图表就生成了。这个HTML文件是独立的，包含了所有必要的JavaScript库，可以单独在浏览器中查看或嵌入到任何网页中。

仅仅三步，一个具备基本交互功能的可视化图表就诞生了。但这只是开始，Pyecharts的真正威力在于其丰富的定制能力。

2. 深度定制：让你的图表会“说话”

默认的图表虽然能用，但往往不符合我们特定的展示需求。Pyecharts提供了极其细致的配置选项，几乎可以调整图表的每一个像素。让我们来美化一下刚才的柱状图，并加入更多信息维度。

假设我们不仅想展示平均气温，还想同时展示最高温和最低温，并进行样式上的深度定制。

from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode

# 数据
cities = ['北京', '上海', '广州', '深圳', '成都', '杭州']
avg_temp = [22, 24, 28, 30, 20, 26]
max_temp = [28, 30, 35, 36, 25, 32]
min_temp = [10, 12, 22, 24, 8, 18]

# 创建图表
bar = (
    Bar(init_opts=opts.InitOpts(width="1000px", height="600px", theme="dark"))  # 初始化画布大小和主题
    .add_xaxis(cities)
    .add_yaxis(
        "平均气温",
        avg_temp,
        stack="stack1",  # 设置堆叠，这里用于分组显示
        category_gap="50%",  # 柱条间间隔
        itemstyle_opts=opts.ItemStyleOpts(color="#5793f3"),  # 自定义柱条颜色
    )
    .add_yaxis(
        "最高气温",
        max_temp,
        stack="stack1",
        itemstyle_opts=opts.ItemStyleOpts(color="#d14a61"),
    )
    .add_yaxis(
        "最低气温",
        min_temp,
        stack="stack1",
        itemstyle_opts=opts.ItemStyleOpts(color="#675bba"),
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="主要城市气温统计",
            subtitle="数据来源：模拟数据",
            title_textstyle_opts=opts.TextStyleOpts(font_size=24, color="#fff"),
            pos_left="center"
        ),
        tooltip_opts=opts.TooltipOpts(
            trigger="axis",  # 触发类型为坐标轴触发
            axis_pointer_type="shadow",  # 指示器类型为阴影
            formatter=JsCode(  # 使用JavaScript代码自定义提示框内容
                """
                function (params) {
                    let result = params[0].name + '<br/>';
                    for (let i = 0; i < params.length; i++) {
                        result += params[i].marker + params[i].seriesName + ': ' + params[i].value + '℃<br/>';
                    }
                    return result;
                }
                """
            )
        ),
        legend_opts=opts.LegendOpts(pos_top="10%"),  # 图例位置
        xaxis_opts=opts.AxisOpts(
            name="城市",
            axislabel_opts=opts.LabelOpts(rotate=45)  # X轴标签旋转45度，防止重叠
        ),
        yaxis_opts=opts.AxisOpts(
            name="温度 (℃)",
            splitline_opts=opts.SplitLineOpts(is_show=True),  # 显示网格线
        ),
        datazoom_opts=[opts.DataZoomOpts()],  # 添加数据区域缩放组件
    )
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=True, position="top"),  # 在柱条顶部显示数值标签
        markpoint_opts=opts.MarkPointOpts(  # 标记点，用于标注最大值和最小值
            data=[
                opts.MarkPointItem(type_="max", name="最大值"),
                opts.MarkPointItem(type_="min", name="最小值"),
            ]
        ),
    )
)

bar.render("customized_bar_chart.html")

这次我们实现了：

多系列数据：在一个图表中同时展示平均、最高、最低三组数据。
主题与样式：使用了dark主题，自定义了画布大小和每个系列的颜色。
高级提示框：通过JsCode自定义了提示框的显示格式，使其更清晰。
坐标轴优化：旋转了X轴标签，添加了Y轴网格线。
交互组件：添加了数据区域缩放滑块，可以自由查看图表局部。
数据标记：自动标记出每个系列的最大值和最小值点。

通过这个例子，你可以感受到Pyecharts配置的灵活性。opts模块下包含了海量的配置项，从颜色、字体到动画、交互，应有尽有。掌握这些配置的关键在于查阅官方文档，并根据你的需求进行组合。

3. 超越静态：构建动态时间轴图表

静态图表能展示一个时间切片的数据，而动态图表则能讲述数据随时间变化的故事。Pyecharts的Timeline组件让创建时间轴动画变得异常简单。下面我们模拟一个公司产品在2020年至2023年于不同区域销售额的变化。

from pyecharts.charts import Bar, Timeline
from pyecharts import options as opts
import random

# 生成模拟数据
years = ["2020年", "2021年", "2022年", "2023年"]
regions = ["华东", "华南", "华北", "华中", "西部"]
# 为每一年、每一区域生成一个随机销售额数据
data = {year: [random.randint(200, 800) for _ in regions] for year in years}

# 创建时间轴对象
tl = Timeline(init_opts=opts.InitOpts(width="1200px", height="600px"))
tl.add_schema(
    play_interval=1000,  # 自动播放时，每帧间隔1000毫秒
    is_timeline_show=True,
    is_auto_play=True,
    is_loop_play=True,
    pos_bottom="0%",
)

# 为每一年创建一个柱状图，并添加到时间轴
for year in years:
    bar = (
        Bar()
        .add_xaxis(regions)
        .add_yaxis("销售额 (万元)", data[year], color="#c23531")
        .set_global_opts(
            title_opts=opts.TitleOpts(title=f"公司各区域销售额趋势 - {year}", pos_left="center"),
            yaxis_opts=opts.AxisOpts(name="销售额", max_=1000),
            graphic_opts=[
                opts.GraphicText(
                    graphic_item=opts.GraphicItem(
                        left="center", top="10%"
                    ),
                    graphic_textstyle_opts=opts.GraphicTextStyleOpts(
                        text=f"年度总额: {sum(data[year])} 万元",
                        font="bold 20px Microsoft YaHei",
                        fill=opts.GraphicBasicStyleOpts(color="#333"),
                    ),
                )
            ],
        )
        .set_series_opts(
            label_opts=opts.LabelOpts(is_show=True, position="top"),
            itemstyle_opts=opts.ItemStyleOpts(
                opacity=0.8,
                border_color="#fff",
                border_width=1,
            ),
        )
    )
    tl.add(bar, year)  # 将这一年的图表添加到时间轴，并指定时间点标签

tl.render("sales_timeline.html")

运行后打开HTML文件，你会看到一个带有播放控制条的时间轴图表。点击播放按钮，图表会自动逐年切换，动态展示销售额的变化。你可以暂停在任何一年查看详情。

Timeline的核心价值：

叙事性：将多个相关联的图表按时间顺序组织，非常适合展示趋势、演变过程。
空间节省：将多张图的信息浓缩在一个可交互的组件中，避免报告页面冗长。
增强体验：自动播放和流畅的过渡动画，让数据演示更具吸引力和说服力。

除了Timeline，Pyecharts还支持通过Overlap组合多种图表类型（如折线图叠加在柱状图上），以及使用Grid布局并排展示多个图表，这些都是构建复杂仪表盘的基础。

4. 地理空间数据可视化

对于带有地理位置信息的数据，地图是最佳的可视化载体。Pyecharts内置了丰富的全球、国家、省市级别的地图组件。需要注意的是，从v1.x版本开始，地图文件需要单独安装。例如，要使用中国地图，需要：

pip install echarts-countries-pypkg  # 全球国家地图
pip install echarts-china-provinces-pypkg  # 中国省级地图
pip install echarts-china-cities-pypkg  # 中国市级地图

安装后，我们来创建一个展示中国部分城市PM2.5数值的涟漪散点图，这种图表能直观反映数据的分布和密集程度。

from pyecharts.charts import Geo
from pyecharts import options as opts
from pyecharts.globals import ChartType, SymbolType

# 模拟数据：城市名和对应的数值
city_data = [
    ("北京", 145),
    ("上海", 98),
    ("广州", 75),
    ("深圳", 68),
    ("成都", 102),
    ("杭州", 88),
    ("西安", 156),
    ("武汉", 112),
    ("沈阳", 178),
    ("乌鲁木齐", 95),
]

# 创建地理坐标系图表
geo = (
    Geo(init_opts=opts.InitOpts(bg_color="#404a59"))  # 设置深色背景
    .add_schema(
        maptype="china",
        itemstyle_opts=opts.ItemStyleOpts(
            color="#323c48", border_color="#111"
        ),  # 地图区域样式
        emphasis_itemstyle_opts=opts.ItemStyleOpts(color="rgba(0, 0, 0, 0)"),  # 高亮状态
    )
    .add(
        series_name="PM2.5指数",
        data_pair=city_data,
        type_=ChartType.EFFECT_SCATTER,  # 图表类型为特效散点图（涟漪效果）
        symbol_size=12,
        label_opts=opts.LabelOpts(
            is_show=True,
            formatter="{b}: {c}",
            color="#fff",
            font_size=10
        ),
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(
            title="中国主要城市PM2.5指数分布（模拟数据）",
            pos_left="center",
            title_textstyle_opts=opts.TextStyleOpts(color="#fff"),
        ),
        visualmap_opts=opts.VisualMapOpts(
            is_piecewise=True,  # 分段型视觉映射组件
            pieces=[
                {"min": 0, "max": 50, "label": "优", "color": "#93CE07"},
                {"min": 51, "max": 100, "label": "良", "color": "#FBDB0F"},
                {"min": 101, "max": 150, "label": "轻度污染", "color": "#FC7D02"},
                {"min": 151, "max": 200, "label": "中度污染", "color": "#FD0100"},
                {"min": 201, "max": 300, "label": "重度污染", "color": "#AA069F"},
                {"min": 301, "label": "严重污染", "color": "#AC3B2A"},
            ],
            pos_left="left",
            pos_top="center",
            orient="vertical",
            textstyle_opts=opts.TextStyleOpts(color="#fff"),
        ),
        tooltip_opts=opts.TooltipOpts(
            trigger="item", formatter="{b}<br/>{c} (AQI)"
        ),
    )
)

geo.render("china_pm25_geo.html")

这段代码生成的地图，每个城市点上都会有一个扩散的涟漪动画效果，并且根据数值大小，点的颜色会通过视觉映射组件（VisualMap）进行分段着色。这使得数据的空间分布和等级一目了然。

地理图表的进阶应用：

迁徙图：使用type_=ChartType.LINES可以绘制两点之间的连线，常用于展示人口流动、货物运输轨迹。
热力图：将区域数据（如各省GDP）映射到颜色深浅，展示数据的区域密度差异。
自定义地图：Pyecharts支持导入GeoJSON格式的自定义地图，可以用于绘制小区平面图、工厂布局图等特定场景。

5. 集成与部署：从脚本到应用

生成独立的HTML文件很方便，但更多时候，我们需要将图表集成到现有的Web框架中，或者实现数据的实时更新。Pyecharts对此提供了完美的支持。

在Flask/Django等Web框架中集成： Pyecharts图表对象有一个.render_embed()方法，可以生成包含所有HTML和JavaScript代码的字符串，你可以直接将其传递给模板。

# 一个简单的Flask示例
from flask import Flask, render_template_string
from pyecharts.charts import Line
from pyecharts import options as opts

app = Flask(__name__)

@app.route("/")
def index():
    line = (
        Line()
        .add_xaxis(["周一", "周二", "周三", "周四", "周五", "周六", "周日"])
        .add_yaxis("网站访问量", [120, 200, 150, 80, 70, 110, 130])
        .set_global_opts(title_opts=opts.TitleOpts(title="一周访问趋势"))
    )
    chart_html = line.render_embed() # 获取图表HTML字符串
    return render_template_string('''
        <!DOCTYPE html>
        <html>
            <head><meta charset="utf-8"></head>
            <body>
                <h1>我的数据仪表盘</h1>
                {{ chart|safe }}
            </body>
        </html>
    ''', chart=chart_html)

if __name__ == "__main__":
    app.run(debug=True)

在Jupyter Notebook中直接渲染：对于数据分析师来说，在Notebook中即时查看图表结果至关重要。Pyecharts提供了.render_notebook()方法。

from pyecharts.charts import Pie
from pyecharts import options as opts
from pyecharts.globals import CurrentConfig, NotebookType

# 配置Notebook环境（通常会自动检测，无需手动配置）
# CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_NOTEBOOK

pie = (
    Pie()
    .add("", [("Python", 35), ("Java", 25), ("JavaScript", 20), ("Go", 15), ("其他", 5)])
    .set_global_opts(title_opts=opts.TitleOpts(title="编程语言使用占比"))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {d}%"))
)
pie.render_notebook()  # 直接在单元格输出图表

实现动态数据更新： Pyecharts生成的图表本质上是基于ECharts的，而ECharts支持通过setOption接口动态更新数据。这意味着，你可以通过前端JavaScript（例如使用WebSocket接收后端推送的新数据）或者定期刷新页面来更新图表，从而实现实时监控大屏的效果。虽然Pyecharts本身是Python库，不直接处理前端实时通信，但它生成的图表完全具备这种能力。

掌握这些集成方法后，Pyecharts就不再是一个孤立的图表生成工具，而成为了你数据产品中一个强大的可视化组件。无论是快速生成分析报告，还是构建复杂的商业智能系统，它都能游刃有余。从安装到第一个图表，再到深度定制和集成，整个过程的核心就是理解其“数据驱动配置”的哲学：用Python数据结构描述你的数据，用配置对象（opts）定义图表的每一个细节，剩下的就交给Pyecharts去生成那个既美观又专业的交互式可视化作品吧。

标签