摘要本文介绍了如何利用Python中的可视化神器pyecharts实现数据的地理空间与热力分布可视化。文章将带你从零开始详细讲解如何准备数据并绘制中国省级地图Map与用户活跃度热力图HeatMap。通过对VisualMapOpts等配置项的深度解析帮助数据分析人员和开发者快速掌握高级图表的绘制技巧轻松实现从枯燥数据到炫酷可视化网页的华丽转身。本节的学习目的掌握pyecharts库的基础使用方法。学会处理和格式化地理空间数据并绘制高颜值的地图Map。掌握二维矩阵数据的映射方式绘制直观生动的热力图HeatMap。熟悉全局配置项如视觉映射配置项、标题配置项的灵活运用。️ 1. 环境准备在开始编写代码之前我们需要确保安装了必要的绘图模块。打开你的终端输入以下指令利用 pip 安装pyechartspipinstallpyechartsTips如果你在安装时觉得速度较慢可以加上国内镜像源进行加速例如pip install pyecharts -i https://pypi.tuna.tsinghua.edu.cn/simple️ 2. 地图 (Map) 绘制指南全国各省销售额分布图地图是展示地理空间数据最直观的工具之一。例如我们要展示一家企业在全国各省份的销售额情况使用Map组件再合适不过了。2.1 准备数据与核心代码对于地图来说pyecharts需要的数据格式通常是一个包含(地区名称, 数值)的列表。frompyechartsimportoptionsasoptsfrompyecharts.chartsimportMapdefdraw_map():# 1. 准备格式化数据# 格式要求[(省份1, 数值1), (省份2, 数值2), ...]data[(广东省,1200),(北京市,980),(上海市,1100),(四川省,600),(湖南省,550),(浙江省,900),(江苏省,850),(湖北省,400),(山东省,700)]# 2. 初始化地图对象并链式调用map_chart(Map(init_optsopts.InitOpts(width1000px,height600px)).add(series_name年度销售额 (万元),# 系列名称data_pairdata,# 传入数据maptypechina,# 地图类型这里选择中国地图is_roamTrue,# 开启鼠标缩放和平移漫游).set_global_opts(title_optsopts.TitleOpts(title全国各省年度销售额分布图,pos_leftcenter# 标题居中),# 视觉映射配置项用于将数值映射为颜色visualmap_optsopts.VisualMapOpts(max_1500,# 最大值is_piecewiseTrue,# 是否分段显示非常重要分段比连续渐变更好看pieces[{min:1000,label: 1000万元,color:#8B0000},{min:800,max:999,label:800-999万元,color:#FF4500},{min:500,max:799,label:500-799万元,color:#FFA500},{min:0,max:499,label: 500万元,color:#FFDAB9}])))# 3. 渲染生成 HTML 文件map_chart.render(china_sales_map.html)if__name____main__:draw_map()2.2 核心知识点解析maptypechina指定绘制中国省级地图。如果你想绘制某个具体的省份如广东省只需将其改为广东即可。is_piecewiseTrue开启分段视觉映射。在实际业务中分段展示能够让观察者快速归类例如高优、中优、低优。执行代码后会在当前目录下生成china_sales_map.html文件用浏览器打开即可看到极具互动性的图表️ 3. 热力图 (HeatMap) 绘制指南一周用户活跃度热力图常用于展示交叉维度的数据密集度或权重分布情况。例如我们要分析一周内周一至周日、每天的24个小时中用户在哪个时间段最为活跃。3.1 准备数据与核心代码热力图需要三个维度的信息X轴标签、Y轴标签以及对应的数值矩阵格式为[x_index, y_index, value]。importrandomfrompyechartsimportoptionsasoptsfrompyecharts.chartsimportHeatMapdefdraw_heatmap():# 1. 准备 X 轴和 Y 轴标签hours[f{i}时foriinrange(24)]days[周一,周二,周三,周四,周五,周六,周日]# 2. 模拟生成活跃度数据矩阵# 数据格式[[x索引, y索引, 数值], [x索引, y索引, 数值], ...]data[]foriinrange(24):# X轴24小时forjinrange(7):# Y轴7天# 模拟晚上 20点-23点 活跃度较高周末下午活跃度较高if20i23or(j5and14i17):valrandom.randint(50,100)else:valrandom.randint(0,40)data.append([i,j,val])# 3. 初始化热力图对象并链式调用heatmap_chart(HeatMap(init_optsopts.InitOpts(width1000px,height500px)).add_xaxis(hours).add_yaxis(series_name用户活跃度,yaxis_datadays,valuedata,label_optsopts.LabelOpts(is_showTrue,positioninside)# 在色块中显示数值).set_global_opts(title_optsopts.TitleOpts(title一周用户活跃度热力图,pos_leftcenter),# 视觉映射配置此处使用连续渐变映射visualmap_optsopts.VisualMapOpts(max_100,min_0,is_piecewiseFalse,# 连续型不分段pos_leftright,pos_topcenter,# 设置热力图专属的渐变色系从浅蓝到深红range_color[#E0FFFF,#87CEFA,#FF7F50,#DC143C]),# 调整图表边距防止标签被遮挡# grid_opts 已经在 pyecharts 的某些新版本调整如需要微调可配合 Grid 模块))# 4. 渲染生成 HTML 文件heatmap_chart.render(user_activity_heatmap.html)print(热力图已成功生成user_activity_heatmap.html)if__name____main__:draw_heatmap()3.2 核心知识点解析数据矩阵[i, j, val]i是 X 轴hours的索引j是 Y 轴days的索引val则是对应方格渲染的颜色深浅依据即活跃度数值。连续渐变色 (range_color)通过给visualmap_opts传递一个由浅入深的色值列表图表将自动插值使热力分布看起来平滑且极具高级感。内置标签 (label_opts)设置is_showTrue, positioninside可以将具体的活跃数值直接显示在色块中央方便数据复核。 4. 总结在这篇保姆级教程中我们一起学习了如何利用pyecharts.charts.Map呈现地理空间信息各省销售数据并借助分段视觉映射实现数据的直观分级。如何利用pyecharts.charts.HeatMap呈现交叉维度数据一周24小时用户活跃度并搭配渐变色系绘制出高大上的热力分布图。pyecharts的魅力不仅在于其能够生成高度可交互的网页可视化图表更在于它完美契合了 Python 的数据分析生态环境如与pandas,openpyxl的无缝衔接。掌握了这些无论是撰写数据分析报告还是开发数据大屏你都能得心应手小贴士如果想要将本文的内容与真实的业务结合不妨尝试使用之前讲过的openpyxl批量读取 Excel 里的地市/时间数据再动态灌入这些图表中实现彻头彻尾的自动化分析与出图。觉得有帮助的话别忘了点赞、收藏、关注哦你的支持是我持续更新干货的最大动力