pyecharts柱状图与条形图实战：从基础绘制到高级交互可视化

原创于 2026-06-15 15:46:42 发布 · 422 阅读

8 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#pyecharts #柱状图 #条形图

1. 项目概述：为什么柱状图/条形图是数据可视化的基石

如果你刚开始接触数据可视化，或者想用Python快速做出专业又好看的图表，那么 pyecharts 的柱状图和条形图绝对是你绕不开的起点。我做了这么多年数据分析，处理过各种奇奇怪怪的数据，但最终汇报、展示、做内部看板时，用得最多的还是这两种看似简单的图表。为什么？因为它们最直观，最符合人类的阅读习惯。柱状图（Bar Chart）和条形图（Horizontal Bar Chart）本质上是一回事，只是坐标系方向不同，一个垂直一个水平，它们都属于直角坐标系下的核心图表。

pyecharts 这个库，简单说就是Python和百度开源可视化库ECharts之间的桥梁。ECharts本身功能强大、交互炫酷，但直接用JavaScript写对数据分析师来说门槛有点高。 pyecharts 让你能用Python的语法和数据处理能力，轻松生成ECharts级别的交互式图表，并且直接输出为HTML文件，在浏览器里就能看，能缩放、能拖拽、能显示具体数值，体验非常好。

这次我们不搞那些花里胡哨的，就扎扎实实地把 pyecharts 里的柱状图和条形图吃透。从最基础的单一数据系列，到复杂的多系列对比、堆叠显示，再到如何自定义颜色、标签、坐标轴，最后还会分享几个我工作中总结出来的“骚操作”和避坑指南。目标很简单：让你看完就能上手，做出既准确又美观的图表，直接用在你的报告或者项目里。

2. 核心思路与设计哲学：从数据到图形的映射逻辑

在动手写代码之前，我们得先想明白一件事：画图到底是在画什么？在我看来，画图就是一个将抽象数据映射为视觉元素的过程。对于柱状图/条形图，这个映射关系非常清晰。

2.1 直角坐标系下的视觉编码

柱状图的核心视觉编码是“长度”。我们将一个数据值（通常是数值型）编码为一根柱子或一条条带的长度。这个长度是在一个二维的直角坐标系（Cartesian Coordinate System）中呈现的。坐标系有两个轴：

类别轴（X轴对于柱状图，Y轴对于条形图） ：用来放置我们要比较的“项目”或“类别”。比如不同产品的名称、不同月份、不同城市。这些通常是离散的、文本型的标签。
数值轴（Y轴对于柱状图，X轴对于条形图） ：用来表示对应类别的“数值大小”。这是一个连续的数值尺度。

这种设计让比较变得极其容易。人眼对长度的差异非常敏感，一眼就能看出哪个柱子最高（数值最大），哪个柱子最矮（数值最小），以及它们之间大致的比例关系。这就是为什么在需要对比排名、展示构成、观察趋势时，柱状图总是首选。

2.2 pyecharts 的设计哲学：声明式与链式调用

pyecharts 的API设计深受现代前端框架声明式思想的影响，同时结合了Python的链式调用（Fluent Interface），这让代码写起来非常流畅。你不需要一步步地去“命令”图表如何绘制，而是“声明”你想要的图表是什么样子。

举个例子，传统命令式可能是：“创建一个图表对象 -> 设置X轴数据 -> 设置Y轴数据 -> 设置标题 -> 渲染”。而在 pyecharts 里，它更像是：“我要一个柱状图，它的X轴是这些，Y轴是那些，标题是这个，然后请渲染出来”。这种声明式的写法，让代码的意图更清晰，也更接近于我们思考图表构成的方式。链式调用则让这一系列声明可以写在一行连贯的语句里，非常简洁。

2.3 方案选型：为什么是 pyecharts 而不是Matplotlib或Seaborn？

Python里画图的库很多， Matplotlib 是老祖宗，功能强大但默认样式比较“学术”； Seaborn 基于 Matplotlib ，统计图表漂亮，但交互性是短板。 Plotly 交互性很强，但有时配置略复杂。

我选择 pyecharts 的核心理由有三个：

交互体验原生优秀 ：生成的HTML图表自带缩放、拖拽、数据点悬停提示（Tooltip）、图例开关等交互功能，这对于数据探索和成果演示是巨大的加分项。
视觉效果精美 ：ECharts的默认配色和动画效果就非常现代、美观，省去了大量调整样式的时间。
与Python生态结合良好 ：可以直接使用 pandas 的 DataFrame 作为数据源，无缝衔接数据分析流程。

当然，它也有局限，比如深度定制某些极其特殊的样式可能不如直接操作 Matplotlib 底层来得灵活，但对于90%以上的日常业务场景， pyecharts 的柱状图/条形图绝对是效率和质量的最优解。

3. 基础构建：从零开始绘制你的第一个柱状图

理论说再多不如动手试一下。我们从一个最简单的例子开始，假设我们要展示某公司上半年各月的销售额。

3.1 环境准备与数据模拟

首先，确保安装了 pyecharts 。如果你用 pip ，通常安装最新版即可。我这里用 pandas 来模拟和准备数据，这是更贴近实际工作的方式。

# 安装命令（如果尚未安装）
# pip install pyecharts

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

# 模拟数据：2024年上半年月度销售额（单位：万元）
data = {
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
    '销售额': [120, 135, 180, 165, 210, 190]
}
df = pd.DataFrame(data)
print(df)

3.2 最简柱状图绘制

现在，我们用 pyecharts 的 Bar 类来创建图表。注意看链式调用的写法。

# 1. 创建Bar实例
bar = Bar()

# 2. 添加X轴数据（类别轴）
bar.add_xaxis(df['月份'].tolist())

# 3. 添加Y轴数据（数值轴），并给这个数据系列起个名字
bar.add_yaxis("销售额（万元）", df['销售额'].tolist())

# 4. 设置全局配置项，这里先简单设置一个标题
bar.set_global_opts(title_opts=opts.TitleOpts(title="2024年上半年月度销售额"))

# 5. 渲染图表到HTML文件，会在当前目录生成一个`render.html`文件
bar.render("basic_bar.html")

运行这段代码，打开生成的 basic_bar.html ，你应该能看到一个带有6根柱子的基础柱状图。鼠标悬停在柱子上，会显示具体的月份和销售额。这就是一个功能完整的交互式图表了。

3.3 关键参数解析与注意事项

add_xaxis() : 传入的是一个列表（list），里面是字符串类型的类别标签。这里我用了 df['月份'].tolist() 把 pandas 的 Series 转成了列表。
add_yaxis() : 第一个参数是 series_name ，即这个数据系列的名字，它会显示在图例（legend）里。第二个参数是数值列表，必须和X轴的类别一一对应。
set_global_opts() : 这是设置图表“全局”属性的地方，比如标题、工具箱（缩放、保存图片等）、图例、坐标轴配置等。 TitleOpts 是标题的配置项。

注意： pyecharts 的配置项非常丰富，都通过像 opts.TitleOpts 、 opts.AxisOpts 这样的类来设置。初学时容易混淆 add_yaxis 里的参数和 set_global_opts 里的配置。简单记：和数据系列本身样式（如颜色、标签）强相关的，在 add_yaxis 里用 itemstyle_opts 、 label_opts 等设置；和图表整体框架（标题、坐标轴、工具箱）相关的，在 set_global_opts 里设置。

4. 深度定制：让图表传达更多信息

基础图表有了，但通常达不到直接使用的标准。我们需要对它进行美化，并增加信息维度。

4.1 多系列对比柱状图

实际业务中，我们经常需要对比两年同期数据，或者对比多个指标。这时就需要多个数据系列。

# 模拟两年数据
data = {
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
    '销售额_2023': [105, 115, 150, 140, 180, 170],
    '销售额_2024': [120, 135, 180, 165, 210, 190]
}
df = pd.DataFrame(data)

bar = Bar()
bar.add_xaxis(df['月份'].tolist())
# 添加两个Y轴系列
bar.add_yaxis("2023年销售额", df['销售额_2023'].tolist())
bar.add_yaxis("2024年销售额", df['销售额_2024'].tolist())

# 增强全局配置
bar.set_global_opts(
    title_opts=opts.TitleOpts(title="上半年销售额同比分析", subtitle="单位：万元"),
    # 配置工具箱，提供下载、数据视图、动态类型切换等功能
    toolbox_opts=opts.ToolboxOpts(),
    # 配置Y轴，设置坐标轴名称
    yaxis_opts=opts.AxisOpts(name="销售额（万元）"),
    # 配置X轴
    xaxis_opts=opts.AxisOpts(name="月份"),
)

bar.render("multi_series_bar.html")

现在图表里有两组不同颜色的柱子，可以直观对比每个月2023年和2024年的数据。图例（legend）可以点击来显示或隐藏某个系列，工具箱提供了保存为图片、数据视图等实用功能。

4.2 堆叠柱状图

有时候我们不仅想知道总量，还想知道总量的构成。比如，每个月的销售额由不同产品线贡献，这时可以用堆叠柱状图。

# 模拟数据：每月销售额由产品A、B、C构成
data = {
    '月份': ['1月', '2月', '3月', '4月', '5月', '6月'],
    '产品A': [40, 45, 60, 50, 70, 65],
    '产品B': [50, 55, 70, 65, 80, 70],
    '产品C': [30, 35, 50, 50, 60, 55]
}
df = pd.DataFrame(data)

bar = Bar()
bar.add_xaxis(df['月份'].tolist())
# 关键：在 add_yaxis 中设置 stack='总量'，相同stack值的系列会堆叠在一起
bar.add_yaxis("产品A", df['产品A'].tolist(), stack='总量')
bar.add_yaxis("产品B", df['产品B'].tolist(), stack='总量')
bar.add_yaxis("产品C", df['产品C'].tolist(), stack='总量')

bar.set_global_opts(
    title_opts=opts.TitleOpts(title="各产品线月度销售额构成（堆叠）"),
    yaxis_opts=opts.AxisOpts(name="销售额（万元）"),
)
bar.render("stacked_bar.html")

堆叠图能清晰展示各部分占比以及总量的变化趋势。 stack 参数是核心，赋予相同字符串值的系列会被堆叠在同一根柱子上。

4.3 条形图（横向柱状图）

当类别名称较长，或者类别数量较多时，使用条形图（横向）可以避免X轴标签重叠，阅读体验更好。在 pyecharts 中，将柱状图反转即可得到条形图。

# 使用之前的多系列数据
bar = Bar()
# 注意：这里我们把“月份”放在Y轴，数值放在X轴
bar.add_yaxis(df['月份'].tolist()) # Y轴现在是类别轴
bar.add_xaxis("2023年销售额", df['销售额_2023'].tolist()) # X轴现在是数值轴
bar.add_xaxis("2024年销售额", df['销售额_2024'].tolist())

# 关键：调用reversal_axis()方法反转坐标轴
bar.reversal_axis()

bar.set_global_opts(
    title_opts=opts.TitleOpts(title="上半年销售额同比分析（条形图）"),
    xaxis_opts=opts.AxisOpts(name="销售额（万元）"), # X轴是数值轴
    # 可以添加数据缩放，方便查看长列表
    datazoom_opts=[opts.DataZoomOpts(type_="slider", orient="vertical")] # 垂直方向的滑块
)
bar.render("horizontal_bar.html")

reversal_axis() 这个方法非常巧妙，它直接互换了图表中X轴和Y轴的角色，从而将垂直柱子变为水平条带。对于排名展示（如销售排名TOP10），条形图是更优的选择。

5. 高级美化与交互增强

图表不仅要准确，还要好看、好用。 pyecharts 提供了极其丰富的配置项。

5.1 自定义颜色与渐变

默认的颜色主题可能不符合你的品牌色。我们可以为每个系列甚至每个柱子指定颜色。

bar = Bar()
bar.add_xaxis(df['月份'].tolist())

# 方法1：为整个系列设置单一颜色
bar.add_yaxis("销售额", df['销售额_2024'].tolist(), color="#5470c6") # 指定一个蓝色

# 方法2：为每个柱子设置不同的颜色（传入颜色列表）
custom_colors = ["#c23531", "#2f4554", "#61a0a8", "#d48265", "#91c7ae", "#749f83"]
bar.add_yaxis("销售额（自定义颜色）", df['销售额_2024'].tolist(), itemstyle_opts=opts.ItemStyleOpts(color=custom_colors))

# 方法3：使用渐变色（线性渐变）
bar.add_yaxis("销售额（渐变）", df['销售额_2024'].tolist(),
             itemstyle_opts=opts.ItemStyleOpts(
                 color=opts.LinearGradient(
                     x=0, y=0, x2=0, y2=1, # 渐变方向，这里是从上到下
                     color_stops=[
                         (0, "#83bff6"), # 0%处的颜色
                         (0.5, "#188df0"), # 50%处的颜色
                         (1, "#188df0") # 100%处的颜色
                     ]
                 )
             ))

bar.set_global_opts(title_opts=opts.TitleOpts(title="颜色自定义示例"))
bar.render("custom_color_bar.html")

5.2 数据标签与提示框优化

默认的悬停提示框（Tooltip）和柱子上的数值标签（Label）也可以深度定制。

bar = Bar()
bar.add_xaxis(df['月份'].tolist())
bar.add_yaxis("销售额", df['销售额_2024'].tolist(),
             # 设置数据标签：显示在柱子内部顶端，格式化为带千位分隔符和单位
             label_opts=opts.LabelOpts(
                 position="insideTop", # 位置：内部顶端
                 formatter="{c:,} 万元", # 格式化，{c}代表数据值
                 color="#fff" # 白色字体
             ))

bar.set_global_opts(
    title_opts=opts.TitleOpts(title="数据标签与提示框优化"),
    tooltip_opts=opts.TooltipOpts(
        trigger="axis", # 触发方式：坐标轴触发，同个类目下所有系列的值都会显示
        axis_pointer_type="shadow", # 坐标轴指示器类型：阴影
        formatter="{b}<br/>{a}: {c}万元" # 自定义提示框格式 {b}类目名，{a}系列名，{c}值
    ),
    # 可以添加一个视觉映射组件，用颜色深浅映射数值大小
    visualmap_opts=opts.VisualMapOpts(
        type_="color", # 颜色映射
        min_=df['销售额_2024'].min(),
        max_=df['销售额_2024'].max(),
        orient="horizontal",
        pos_left="center",
        is_calculable=True, # 显示拖拽用的手柄
        range_color=["#D7DA8B", "#E15457"] # 颜色范围，从浅黄到深红
    )
)
bar.render("label_tooltip_bar.html")

5.3 动态排序与动画效果

pyecharts 的动画效果是默认开启的，但我们可以控制其细节。一个常见的需求是让柱子按数值从大到小动态排序。

# 先对数据排序
df_sorted = df.sort_values(by='销售额_2024', ascending=False)

bar = Bar(init_opts=opts.InitOpts(animation_opts=opts.AnimationOpts(animation_delay=1000, animation_easing="elasticOut")))
bar.add_xaxis(df_sorted['月份'].tolist())
bar.add_yaxis("销售额", df_sorted['销售额_2024'].tolist(),
             label_opts=opts.LabelOpts(is_show=False)) # 先不显示标签，避免动画时重叠

bar.set_global_opts(
    title_opts=opts.TitleOpts(title="动态排序柱状图"),
    xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-45)), # X轴标签旋转-45度，防止拥挤
    # 添加一个动态排序的按钮到工具箱
    toolbox_opts=opts.ToolboxOpts(
        feature={
            "saveAsImage": {},
            "dataView": {},
            "magicType": {"type": ["line", "bar"]}, # 动态类型切换，可在柱状图和折线图间切换
            "restore": {},
        }
    )
)
# 在系列配置中开启动画和设置动画效果
bar.set_series_opts(
    label_opts=opts.LabelOpts(is_show=True, position="top"), # 动画结束后再显示标签在顶部
)
bar.render("animated_sorted_bar.html")

这里的 animation_delay 和 animation_easing 控制了动画的延迟和缓动函数， elasticOut 会让柱子有弹性地弹出，效果很生动。通过工具箱的 magicType ，读者还可以在柱状图和折线图之间自由切换，从不同角度观察数据。

6. 实战案例：销售仪表板中的多图联动

单独一个图表往往不够，我们需要将多个相关的图表组合在一起，形成一个仪表板（Dashboard）。 pyecharts 提供了 Page 和 Tab 组件来布局多个图表。

假设我们要为一个销售报告制作一个仪表板，包含：1) 月度趋势柱状图，2) 产品构成堆叠图，3) 区域销售对比条形图。

6.1 准备多组数据

# 数据1：月度趋势
monthly_data = {'月份': ['1月','2月','3月','4月','5月','6月'], '销售额': [120,135,180,165,210,190]}
df_monthly = pd.DataFrame(monthly_data)

# 数据2：产品构成（假设4-6月）
product_data = {
    '月份': ['4月', '5月', '6月'],
    '产品A': [50, 70, 65],
    '产品B': [65, 80, 70],
    '产品C': [50, 60, 55]
}
df_product = pd.DataFrame(product_data)

# 数据3：区域销售对比（条形图用）
region_data = {'区域': ['华东','华北','华南','华中','西部'], '销售额': [320, 280, 310, 190, 150]}
df_region = pd.DataFrame(region_data)

6.2 创建三个独立的图表对象

from pyecharts.charts import Bar, Page
from pyecharts.components import Table
from pyecharts.globals import ThemeType

# 图表1：月度趋势柱状图
bar_trend = Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, width="1000px", height="400px"))
bar_trend.add_xaxis(df_monthly['月份'].tolist())
bar_trend.add_yaxis("销售额（万元）", df_monthly['销售额'].tolist(), color="#5793f3",
                   markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max", name="最大值"),
                                                          opts.MarkPointItem(type_="min", name="最小值")]))
bar_trend.set_global_opts(title_opts=opts.TitleOpts(title="2024年上半年月度销售趋势"),
                         yaxis_opts=opts.AxisOpts(name="销售额"),
                         datazoom_opts=[opts.DataZoomOpts()])

# 图表2：产品构成堆叠柱状图
bar_stack = Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, width="1000px", height="400px"))
bar_stack.add_xaxis(df_product['月份'].tolist())
bar_stack.add_yaxis("产品A", df_product['产品A'].tolist(), stack="product_stack", color="#d14a61")
bar_stack.add_yaxis("产品B", df_product['产品B'].tolist(), stack="product_stack", color="#5793f3")
bar_stack.add_yaxis("产品C", df_product['产品C'].tolist(), stack="product_stack", color="#fd9c35")
bar_stack.set_global_opts(title_opts=opts.TitleOpts(title="Q2各产品线销售额构成（堆叠）"),
                         yaxis_opts=opts.AxisOpts(name="销售额（万元）"))

# 图表3：区域销售对比条形图
bar_region = Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT, width="1000px", height="400px"))
bar_region.add_yaxis(df_region['区域'].tolist())
bar_region.add_xaxis("销售额（万元）", df_region['销售额'].tolist())
bar_region.reversal_axis()
bar_region.set_global_opts(title_opts=opts.TitleOpts(title="各区域销售额对比"),
                          xaxis_opts=opts.AxisOpts(name="销售额（万元）"))

6.3 使用Page进行组合布局

# 创建一个Page对象，可以顺序排列多个图表
page = Page(layout=Page.SimplePageLayout) # 简单垂直布局
page.add(bar_trend, bar_stack, bar_region)
page.render("sales_dashboard.html")

打开 sales_dashboard.html ，你会看到一个包含三个图表的单页报告，可以分别与每个图表交互。 Page 组件让创建复杂的多图表报告变得非常简单。你还可以使用 Tab 组件将图表放在不同的标签页里，适合内容更多的仪表板。

7. 避坑指南与性能优化

在实际项目中用 pyecharts 画柱状图，我踩过不少坑，这里总结几个最常见的。

7.1 数据量过大导致渲染缓慢或卡死

ECharts （以及 pyecharts ）虽然强大，但浏览器渲染能力有限。当你的类别（X轴项目）超过几百个，或者系列非常多时，图表可能会变得非常卡顿。

解决方案1：数据聚合 。这是根本方法。在绘图前，思考你是否真的需要展示每一个细节。比如，有365天的日数据，可以聚合成按周或按月的统计数据再绘图。
解决方案2：使用数据区域缩放组件 。 datazoom_opts 可以添加一个滑动条，让用户自由选择查看数据的区间，而不是一次性渲染全部。
```
bar.set_global_opts(datazoom_opts=[opts.DataZoomOpts(type_="inside"), opts.DataZoomOpts(type_="slider")])
```
解决方案3：采样或分页 。对于超大数据集，可以考虑在后端进行采样，或者实现分页加载图表数据。

7.2 中文显示乱码或缺失

这是一个经典问题。 pyecharts 默认的字体可能不包含完整的中文字符集。

解决方案 ：在


   InitOpts

中指定一个本地中文字体。

from pyecharts.globals import CurrentConfig
CurrentConfig.ONLINE_HOST = "https://cdn.jsdelivr.net/npm/echarts@5.4.3/dist/" # 使用在线资源，确保版本兼容
# 或者在渲染时指定本地字体（更可靠）
bar = Bar(init_opts=opts.InitOpts(
    width="1000px",
    height="600px",
    theme=ThemeType.LIGHT,
    bg_color="white",
    # 关键：指定字体
    js_host="https://cdn.jsdelivr.net/npm/echarts@5.4.3/dist/",
    # 如果图表中有大量中文，且离线环境，需引入本地字体文件并配置
))
# 更常见的做法是，在生成的HTML模板层面解决，或者确保运行环境的浏览器有中文字体。

更稳妥的做法是，将图表保存为图片（


   make_snapshot

功能需要安装


   snapshot-selenium

或


   snapshot-phantomjs

），或者在部署的服务器/环境中确保有中文字体。

7.3 自定义配置太多，代码冗长

当你需要精细调整每一个样式时， options 里的配置类会很长，代码可读性下降。

解决方案 ：使用“配置分离”的思想。将图表的全局配置和系列配置定义为独立的字典或函数，让主逻辑更清晰。

def create_bar_chart(x_data, y_data, title):
    bar = Bar()
    bar.add_xaxis(x_data)
    bar.add_yaxis("数据", y_data)
    # 调用一个返回全局配置字典的函数
    bar.set_global_opts(**get_global_options(title))
    return bar

def get_global_options(chart_title):
    return {
        "title_opts": opts.TitleOpts(title=chart_title),
        "toolbox_opts": opts.ToolboxOpts(),
        "xaxis_opts": opts.AxisOpts(name="类别"),
        "yaxis_opts": opts.AxisOpts(name="数值"),
    }

7.4 与Jupyter Notebook集成时的注意事项

在Jupyter中，可以使用 bar.render_notebook() 直接在单元格输出图表，非常方便。但需要注意：

如果图表不显示，可能是 pyecharts 版本与Jupyter渲染器不兼容。尝试升级 pyecharts 到最新版，并确保安装了 jupyter-echarts （如果使用旧版）或依赖正确的环境。
在Jupyter中渲染大量或复杂的图表也可能导致内核卡顿，建议先在小数据集上调试样式，再用完整数据生成HTML文件。

7.5 版本兼容性问题

pyecharts 在1.x和2.x版本之间有较大改动。如果你在网上看到的示例代码运行报错，首先检查你的 pyecharts 版本（ pip show pyecharts ）。很多旧的教程（2019-2020年）使用的是1.x的API，与现在主流的2.x版本不兼容。官方文档是学习的最佳资源。

最后一个小技巧：当你对某个配置项的效果不确定时，不要怕，去翻 pyecharts 的官方文档（Apache ECharts的文档也极具参考价值），或者直接在你简单的测试代码里修改参数，看渲染出来的效果。可视化本身就是一个不断调整和试错的过程，直到找到最能清晰、准确传达你数据故事的那一种表现形式。