当前位置：首页 > news >正文

每日五个pyecharts可视化图表-line：从入门到精通（5）

news 2025/8/14 12:54:30

🎉 欢迎来到pyecharts折线图系列的终章！在前面的四篇文章中，我们已掌握了从基础到进阶的多种折线图技巧。今天，我们将解锁五种高级折线图类型，带您的数据分析与可视化能力更上一层楼，为这个系列画上完美句号。pyecahts源码

- 图表1：AQI空气质量指数折线图 | 数据缩放与视觉映射的完美结合
- - 代码亮点解析：
  - 应用场景：
  - 实用技巧：
- 图表2：自定义样式折线图 | 打造你的专属数据美学
- - 代码美学解析：
  - 应用场景：
  - 设计小贴士：
- 图表3：标记点折线图 | 让关键数据一目了然
- - 代码亮点解析：
  - 应用场景：
  - 实用技巧：
- 图表4：标记线折线图 | 数据趋势与基准的直观对比
- - 代码亮点解析：
  - 应用场景：
  - 实用技巧：
- 图表5：面积图折线图 | 数据趋势与分布的双重表达
- - 代码亮点解析：
  - 应用场景：
  - 实用技巧：
- 系列总结：折线图大师成长之路
- - 实践致胜法则
  - 未来展望

图表1：AQI空气质量指数折线图 | 数据缩放与视觉映射的完美结合

AQI（空气质量指数）折线图是环境数据可视化的"利器"，能够直观展示空气质量的变化趋势。下面的代码创建了一个功能丰富的北京AQI折线图，融合了数据缩放、颜色映射和阈值标记等高级功能，让空气质量数据一目了然。

import pyecharts.options as opts
from pyecharts.charts import Line# 假设all_data是一个包含日期和对应AQI值的列表，格式为[(date1, aqi1), (date2, aqi2), ...]
# 这里省略了数据字典的定义(Line().add_xaxis(xaxis_data=[item[0] for item in all_data]).add_yaxis(series_name="",y_axis=[item[1] for item in all_data],yaxis_index=0,is_smooth=True,  # 平滑折线is_symbol_show=False,  # 不显示标记点).set_global_opts(title_opts=opts.TitleOpts(title="Beijing AQI"),tooltip_opts=opts.TooltipOpts(trigger="axis"),  # 坐标轴触发提示框datazoom_opts=[opts.DataZoomOpts(yaxis_index=0),  # 滑动条数据缩放opts.DataZoomOpts(type_="inside", yaxis_index=0),  # 内置数据缩放],visualmap_opts=opts.VisualMapOpts(pos_top="10",pos_right="10",is_piecewise=True,  # 分段显示pieces=[{"gt": 0, "lte": 50, "color": "#096"},      # 优{"gt": 50, "lte": 100, "color": "#ffde33"},  # 良{"gt": 100, "lte": 150, "color": "#ff9933"},  # 轻度污染{"gt": 150, "lte": 200, "color": "#cc0033"},  # 中度污染{"gt": 200, "lte": 300, "color": "#660099"},  # 重度污染{"gt": 300, "color": "#7e0023"},  # 严重污染],out_of_range={"color": "#999"},  # 超出范围的颜色),xaxis_opts=opts.AxisOpts(type_="category"),  # 分类轴yaxis_opts=opts.AxisOpts(type_="value",name_location="start",min_=0,max_=500,is_scale=True,  # 启用缩放axistick_opts=opts.AxisTickOpts(is_inside=False),  # 刻度线在外侧),).set_series_opts(markline_opts=opts.MarkLineOpts(data=[{"yAxis": 50},   # 优阈值{"yAxis": 100},  # 良阈值{"yAxis": 150},  # 轻度污染阈值{"yAxis": 200},  # 中度污染阈值{"yAxis": 300},  # 重度污染阈值],label_opts=opts.LabelOpts(position="end"),  # 标签在末端))#.render("beijing_aqi.html").render_notebook()
)

代码亮点解析：

is_smooth=True：折线平滑处理，视觉效果更流畅
is_symbol_show=False：关闭标记点，避免图表拥挤
datazoom_opts：支持两种缩放方式（滑动条+鼠标滚轮），轻松查看细节
visualmap_opts：分段颜色映射，直观区分空气质量等级
✓ 0-50：优（绿色） ✓ 51-100：良（黄色）
✓ 101-150：轻度污染（橙色） ✓ 151-200：中度污染（红色）
✓ 201-300：重度污染（紫色） ✓ >300：严重污染（深褐色）
markline_opts：添加AQI阈值标记线，清晰展示污染级别分界
is_scale=True：启用y轴缩放，数据展示更灵活

应用场景：

AQI折线图在以下场景中尤为适用：

环境监测部门：实时展示城市空气质量变化趋势
新闻媒体：制作直观易懂的空气质量报告
环保机构：评估污染治理措施的实际效果
卫生部门：发布健康风险预警，提醒敏感人群防护
政策制定者：为环保政策制定提供数据支撑

实用技巧：

数据准备：实际应用中需将all_data替换为真实的日期和AQI数据，可以从环境监测API获取
颜色定制：可根据国家或地区标准调整颜色映射方案，确保合规性和可读性
交互优化：对于长时间序列数据，建议保留数据缩放功能，帮助用户聚焦关键时间段
信息增强：添加tooltip_formatter自定义提示框，可显示详细污染成分和健康建议
响应式设计：嵌入网页时，设置init_opts的width为'100%'，确保在不同设备上都有良好显示

图表2：自定义样式折线图 | 打造你的专属数据美学

自定义样式折线图是数据可视化的"时尚设计师"，让你自由掌控线条样式、标记点形状和颜色，打造极具个性化的数据展示效果。下面的代码将教你创建一个颜值与实力兼备的自定义折线图。

import pyecharts.options as opts
from pyecharts.charts import Line"""
Gallery 使用 pyecharts 1.1.0
参考地址: `https://echarts.apache.org/examples/editor.html?c=line-style` 目前无法实现的功能:暂无
"""(Line(init_opts=opts.InitOpts(width="1200px", height="720px")).add_xaxis(xaxis_data=["Mon", "Tue", "Wed", "Thu", "Fri", "Sat", "Sun"]).add_yaxis(series_name="",y_axis=[120, 200, 150, 80, 70, 110, 130],symbol="triangle",  # 标记点形状为三角形symbol_size=20,  # 标记点大小linestyle_opts=opts.LineStyleOpts(color="green", width=4, type_="dashed"),  # 线条样式label_opts=opts.LabelOpts(is_show=False),  # 不显示标签itemstyle_opts=opts.ItemStyleOpts(border_width=3, border_color="yellow", color="blue"  # 标记点样式),).set_global_opts(xaxis_opts=opts.AxisOpts(type_="category"),yaxis_opts=opts.AxisOpts(type_="value",axistick_opts=opts.AxisTickOpts(is_show=True),splitline_opts=opts.SplitLineOpts(is_show=True),),tooltip_opts=opts.TooltipOpts(is_show=False),)#.render("line_style_and_item_style.html").render_notebook()
)

代码美学解析：

init_opts=opts.InitOpts(width="1200px", height="720px")：设置图表尺寸，为数据展示提供充足空间
symbol="triangle"：标记点采用三角形设计，几何美感十足
symbol_size=20：加大标记点尺寸，提升视觉焦点
linestyle_opts=opts.LineStyleOpts(color="green", width=4, type_="dashed")：绿色虚线（宽度4），轻盈通透
itemstyle_opts=opts.ItemStyleOpts(border_width=3, border_color="yellow", color="blue")：蓝色标记点搭配黄色边框（宽度3），对比强烈
label_opts=opts.LabelOpts(is_show=False)：隐藏标签，避免视觉干扰
splitline_opts=opts.SplitLineOpts(is_show=True)：显示y轴分割线，提升数据可读性

应用场景：

自定义样式折线图在以下场景中能发挥独特魅力：

重要报告：通过独特样式突出关键数据趋势，提升报告专业度
产品演示：打造与品牌调性一致的数据可视化，增强品牌识别度
数据仪表盘：为网站和应用添加个性化图表，提升用户体验
营销材料：用颜值爆表的图表吸引受众，强化数据说服力
个人项目：发挥创意，打造独一无二的数据艺术作品

设计小贴士：

平衡原则：样式设置需兼顾美观与可读性，避免过度装饰影响数据传达
比例适配：标记点大小和线条宽度应与图表尺寸成比例，小图表建议使用较细线条
色彩友好：选择颜色时考虑色盲用户，可使用ColorBrewer等工具确保足够对比度
细节优化：虚线样式在高分辨率屏幕上更清晰，必要时可调整线条宽度或改用实线
信息完整：实际应用中建议添加标题和图例，提升图表信息传达效率

图表3：标记点折线图 | 让关键数据一目了然

标记点折线图是数据的"高光时刻"展示器，能够在折线图上精准突出特定数据点（如最大值、最小值）。下面的代码将教你创建一个带有最小值和最大值标记的折线图，让重要数据不再被埋没。

import pyecharts.options as opts
from pyecharts.charts import Line
from pyecharts.faker import Fakerc = (Line().add_xaxis(Faker.choose()).add_yaxis("商家A",Faker.values(),markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="min")]),  # 标记最小值).add_yaxis("商家B",Faker.values(),markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")]),  # 标记最大值).set_global_opts(title_opts=opts.TitleOpts(title="Line-MarkPoint"))#.render("line_markpoint.html"))
c.render_notebook()

代码亮点解析：

Faker.choose()：快速生成随机类别数据作为x轴（实际应用中替换为真实数据）
Faker.values()：生成随机数值数据作为y轴（演示用，实际需替换为真实数据）
markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="min")])：为商家A添加最小值标记，自动定位并高亮最低值
markpoint_opts=opts.MarkPointOpts(data=[opts.MarkPointItem(type_="max")])：为商家B添加最大值标记，突出显示最高业绩
set_global_opts(title_opts=opts.TitleOpts(title="Line-MarkPoint"))：设置图表标题，明确图表主题

应用场景：

标记点折线图在以下场景中能发挥独特价值：

销售分析报告：快速定位最高/最低销售额，分析业绩波动原因
金融市场分析：标记股票/期货的最高价和最低价，辅助决策时机
环境监测：突出显示极端气温/降雨量，助力灾害预警
体育赛事分析：标记队伍/运动员的最高分和最低分，评估表现稳定性
产品质量控制：标识生产指标的极值，及时发现异常情况

实用技巧：

多类型标记：除了type_="min"和type_="max"，还可以使用type_="average"标记平均值，type_="median"标记中位数
自定义标记样式：通过symbol参数可设置标记点形状（如"circle"、“square”、“diamond”），symbol_size调整大小，打造独特视觉效果
样式定制：使用itemstyle_opts参数可以设置标记点的颜色、边框、阴影等，增强视觉层次
数据替换：实际应用中，务必将Faker.choose()和Faker.values()替换为真实业务数据，确保图表的实用性
多组数据策略：对于多组数据，建议为每组数据设置不同的标记点类型和颜色，提升区分度

图表4：标记线折线图 | 数据趋势与基准的直观对比

标记线折线图是数据的"参考坐标"，它不仅清晰展示数据变化趋势，还能通过标记线精准标注重要统计指标（如平均值、中位数），让数据与基准的对比一目了然。下面的代码将教你创建一个带有平均线标记的折线图。

import pyecharts.options as opts 
from pyecharts.charts import Line 
from pyecharts.faker import Faker c = (Line() .add_xaxis(Faker.choose()) .add_yaxis("商家A", Faker.values(), markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]), ) .add_yaxis("商家B", Faker.values(), markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")]), ) .set_global_opts(title_opts=opts.TitleOpts(title="Line-MarkLine")) #.render("line_markline.html") 
) 
c.render_notebook()

代码亮点解析：

Faker.choose()：快速生成随机类别数据作为x轴（演示用，实际需替换为业务数据）
Faker.values()：生成随机数值数据作为y轴（演示用，实际应使用真实数据）
markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="average")])：为每个数据系列自动计算并添加平均线标记，直观展示数据与均值的偏离
set_global_opts(title_opts=opts.TitleOpts(title="Line-MarkLine"))：设置图表标题，点明图表核心功能
render_notebook()：在Jupyter Notebook中直接显示图表，方便数据分析与展示

应用场景：

标记线折线图在以下场景中能发挥显著价值：

销售业绩分析：清晰展示各周期销售额与平均值的对比，快速识别优秀或落后表现
金融投资决策：展示股票/基金价格与移动平均线的关系，辅助判断趋势转折点
数字营销分析：对比网站/APP访问量与平均水平，精准定位流量波动原因
工业生产管理：监控生产指标与标准值的偏差，及时发现质量问题
教育数据分析：展示学生成绩与班级平均分的对比，帮助教师针对性辅导

实用技巧：

多类型标记线：除了type_="average"，还可以使用type_="max"、type_="min"标记极值，或type_="median"标记中位数
自定义线样式：通过line_style_opts参数可设置标记线的颜色、宽度、类型（实线/虚线），增强视觉效果
标签优化：使用label_opts参数可以自定义标记线标签的位置、颜色、字体等，提升可读性
数据真实性：实际应用中，务必将Faker.choose()和Faker.values()替换为真实业务数据，确保分析的准确性
多组数据差异化：对于多组数据，建议为每组数据设置不同样式的标记线，提升数据区分度

图表5：面积图折线图 | 数据趋势与分布的双重表达

面积图折线图是数据可视化的"光影艺术家"，它通过在折线下方填充颜色，不仅展示数据变化趋势，更直观呈现数据分布特征。下面的代码将教你创建一个层次分明、视觉惊艳的面积图折线图。

import pyecharts.options as opts 
from pyecharts.charts import Line 
from pyecharts.faker import Faker c = (Line() .add_xaxis(Faker.choose()) .add_yaxis("商家A", Faker.values(), areastyle_opts=opts.AreaStyleOpts(opacity=0.5)) .add_yaxis("商家B", Faker.values(), areastyle_opts=opts.AreaStyleOpts(opacity=0.5)) .set_global_opts(title_opts=opts.TitleOpts(title="Line-面积图")) #.render("line_area_style.html") 
) 
c.render_notebook()