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 pyecharts==0.5.11

# 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 Bar

x = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋"]
y1 = [, , , , ]
y2 = [, , , , ]

bar = Bar(title = "产品月销量",width = ,height = )
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 Line

x = ['2018-{:0>2d}'.format(s) for s in range(,)]
y1 = [,,,,,,,,,,,]
y2 = [,,,,,,,,,,,]

line = Line(title = "月销售总额",width = ,height = )

line.add(name = "商家A", x_axis = x, y_axis = y1,
         line_width = ,line_color = 'red')
line.add(name = "商家B", x_axis = x, y_axis = y2,
         yaxis_min = ,yaxis_max = ,is_xaxis_boundarygap = False,
         is_datazoom_show =True,line_width = ,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 Scatter
import pandas as pd 

dfboy = pd.DataFrame()
dfboy['weight'] = [,,,,,,,,,]
dfboy['height'] = [,,,,,,,,,]

dfgirl = pd.DataFrame()
dfgirl['weight'] = [,,,,,,,,,]
dfgirl['height'] = [,,,,,,,,,]

scatter = Scatter(title = "体格数据",width = ,height = )
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 = ,yaxis_max = ,xaxis_min = ,xaxis_max = )

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 Scatter
import pandas as pd 

def custom_formatter(params):
    return (params.value[] + ':' +
             str(params.value[]) +','
             +str(params.value[]) + ','
             +str(params.value[]))

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'] = [,,,,,,,,,]
df['population'] = [,,,,,,,
                    ,,]

scatter = Scatter(title = "各国发展水平",width = ,height = )
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_formatter=custom_formatter,  #自定义提示框格式内容
            is_visualmap=True, 
            visual_orient="horizontal",
            visual_type = 'size',  #可以是size或者color
            visual_dimension=,
            visual_range=[, ],
           )
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 Boxplot

x =['1班','2班','3班','4班']
y1=[, , , , 90.0, , , , , , , , ]
y2=[, , , , , 78.0, , , , , , , ]
y3=[, , , , , 73.0, , , , , , , ]
y4=[, , , , 90.0, , , , , , , , ]

box = Boxplot(title = '考试成绩箱型图',width = ,height = )

# 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(style="white", context="notebook")
#处理中文问题
sns.set_style({'font.sans-serif':['simhei', 'Arial']}) 

dfdata = pd.DataFrame()
dfdata['score'] = y1 + y2 + y3 + y4
dfdata['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 WordCloud

words = ['python','jupyter','numpy','pandas','matplotlib','sklearn',
        'xgboost','lightGBM','simpy','keras','tensorflow',
         'hive','hadoop','spark']
counts = [,,,,,,,,,,,,,]

cloud = WordCloud(title = '数据算法常用工具',width = ,height = )
cloud.add(name = 'utils',attr = words,value = counts,
          shape = "circle",word_size_range = (,))
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 Geo

data = [
    ("海门", ),("鄂尔多斯", ),("招远", ),("舟山", ),("齐齐哈尔", ),("盐城", ),
    ("惠州", ),("江阴", ),("蓬莱", ),("韶关", ),("嘉峪关", ),("广州", ),
    ("张家港", ),("三门峡", ),("锦州", ),("南昌", ),("柳州", ),("三亚", ),
    ("呼和浩特", ),("成都", ),("大同", ),("镇江", ),("桂林", ),("张家界", ),
    ("北京", ),("徐州", ),("衡水", ),("包头", ),("绵阳", ),("乌鲁木齐", ),
    ("菏泽", ),("合肥", ),("武汉", ),("大庆", )]

geo = Geo(
    "全国部分城市空气质量",
    title_color="#fff",
    title_pos="center",
    width=,
    height=,
    background_color="#404a59",
)
attr, value = geo.cast(data)
geo.add(
    "",
    attr,
    value,
    visual_range=[, ],
    visual_text_color="#fff",
    symbol_size=,
    is_visualmap=True,
)
geo

#  全国省份地图
from pyecharts import Map
value = [, , , , , , , , ]
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", width=, height=)
m.add("", attr, value, maptype='china',
        is_visualmap=True, 
        is_piecewise=True,
        visual_text_color="#000",
        visual_range_text=["", ""],
        pieces=[
            {"max": , "min": , "label": "高"},
            {"max": , "min": , "label": "中"},
            {"max": , "min": , "label": "低"},
        ])
m

# 世界地图示例
from pyecharts import Map
countries= ["China", "Canada", "India", "Russia", "United States","Japan"]
capita_gdp = [, , , , ,]
population = [, , , , ,]
life_expectancy = [76.9,81.7,66.8,73.13,79.1,73.13]

m = Map("世界经济发展水平", width=, height=)
m.add(
    "人均GDP",
    attr = countries,
    value = capita_gdp,
    maptype="world",
    is_visualmap=True,
    visual_range = [,],
    visual_text_color="#000",
    is_map_symbol_show=False,
    visual_orient="horizontal"
)
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 random
from pyecharts import Bar

X_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(, ) for _ in range()])
bar.add("商家B", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家C", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家D", X_AXIS, [random.randint(, ) for _ in range()])
bar

# 使用dark主题
import random
from pyecharts import Bar


X_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(, ) for _ in range()])
bar.add("商家B", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家C", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家D", X_AXIS, [random.randint(, ) for _ in range()])
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 random
from pyecharts import Bar

X_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(, ) for _ in range()])
bar.add("商家B", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家C", X_AXIS, [random.randint(, ) for _ in range()])
bar.add("商家D", X_AXIS, [random.randint(, ) for _ in range()])
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_theme='shine')


from pyecharts import Pie
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
value = [, , , , , ]
pie = Pie("销售额占比",width = ,height = )
pie.add("", attr, value, is_label_show=True)

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 Pie
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
value = [, , , , , ]

# 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 = ,height = )

pie.add("", attr, value, is_label_show=True)

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 Line

x = ['2018-{:0>2d}'.format(s) for s in range(,)]
y1 = [,,,,,,,,,,,]
y2 = [,,,,,,,,,,,]

line = Line(title = "月销售总额",width = ,height = )

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 = ,yaxis_max = ,  # 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 =  , # x轴名称与轴距离
         xaxis_rotate = ,  # 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 Line

x = ['2018-{:0>2d}'.format(s) for s in range(,)]
y1 = [,,,,,,,,,,,]
y2 = [,,,,,,,,,,,]

line = Line(title = "月销售总额",width = ,height = )

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 Line

x = ['2018-{:0>2d}'.format(s) for s in range(,)]
y1 = [,,,,,,,,,,,]
y2 = [,,,,,,,,,,,]

line = Line(title = "月销售总额",width = ,height = )

line.add(name = "商家A", x_axis = x, y_axis = y1,
         #
         #=====设置lineStyle=====
         line_width = ,
         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 = ,
         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 Line

x = ['2018-{:0>2d}'.format(s) for s in range(,)]
y1 = [,,,,,,,,,,,]
y2 = [,,,,,,,,,,,]

line = Line(title = "月销售总额",width = ,height = )

line.add(name = "商家A", x_axis = x, y_axis = y1,
         #
         #=====设置lineStyle=====
         line_width = ,
         line_opacity = 0.5, # 透明度
         line_color = 'red',
         #
         #=====设置markPoint&markLine=====
         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 = ,yaxis_max = ,  # 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 = ,
         line_type = 'dashed', # 线型，可以是solid,dashed,或者dotted

         #=====设置markPoint&markLine=====
         mark_point = [{"coord": ['2018-09', ], "name": "2018/09销售目标"}, 
          {"coord": ['2018-11', ], "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,Style

pie = Pie('各类电影中"好片"所占的比例', "数据来自豆瓣", title_pos='center')
style = Style()
pie_style = style.add(
    label_pos="center",
    is_label_show=True,
    label_text_color=None
)

pie.add(
    "", ["剧情", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["奇幻", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["爱情", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["惊悚", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["冒险", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["动作", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["喜剧", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["科幻", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["悬疑", ""], [, ], center=[, ], radius=[, ], **pie_style
)
pie.add(
    "", ["犯罪", ""],[, ],center=[, ], radius=[, ], legend_top="bottom", 
    **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。

1，Grid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, Grid

x = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
y1 = [, , , , , ]
y2 = [, , , , , ]
bar = Bar("柱状图示例", height=)
bar.add("商家A", x, y1, is_stack=True)
bar.add("商家B", x, y2, is_stack=True)


line = Line("折线图示例", title_top="50%")
x = ["周一", "周二", "周三", "周四", "周五", "周六", "周日"]
line.add(
    "最高气温",
    x,
    [, , , , , , ],
    mark_point=["max", "min"],
    mark_line=["average"],
)
line.add(
    "最低气温",
    x,
    [, -2, , , , , ],
    mark_point=["max", "min"],
    mark_line=["average"],
    legend_top="50%",
)

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_bottom="60%")  
grid.add(line, grid_top="60%")
grid

利用Grid解决dataZoom与X轴标签重叠的问题

from pyecharts import Bar, Grid

x = [
    "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 = [, , , , , , , , ]

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_show=True, xaxis_interval=, xaxis_rotate=)

# 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_bottom="25%")

2，Overlap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, Overlap

attr = ['A', 'B', 'C', 'D', 'E', 'F']
v1 = [, , , , , ]
v2 = [, , , , , ]
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, Overlap

attr = ["{}月".format(i) for i in range(, )]
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_interval=, yaxis_max=)

line = Line()
line.add("平均温度", attr, v3, yaxis_formatter=" °C", yaxis_interval=)

overlap = Overlap(width=, height=)
# 默认不新增 x y 轴，并且 x y 轴的索引都为 0
overlap.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_index=, is_add_yaxis=True)
overlap

3，Pages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, Scatter3D
from pyecharts import Page

page = Page()         

# bar
attr = ["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]
v1 = [, , , , , ]
v2 = [, , , , , ]
bar = Bar("柱状图数据堆叠示例",width = ,height = )
bar.add("商家A", attr, v1, is_stack=True)
bar.add("商家B", attr, v2, is_stack=True)
page.add(bar)         

# scatter3D
import random
data = [
    [random.randint(, ),
    random.randint(, ),
    random.randint(, )] for _ in range()
]
range_color = [
    '#313695', '#4575b4', '#74add1', '#abd9e9', '#e0f3f8', '#ffffbf',
    '#fee090', '#fdae61', '#f46d43', '#d73027', '#a50026']
scatter3D = Scatter3D("3D 散点图示例", width= , height=)
scatter3D.add("", data, is_visualmap=True, visual_range_color=range_color)

page.add(scatter3D)  

page

4，Timeline图表组合

Timeline可以将多个图表制作成动画。

from pyecharts import Bar, Timeline
from random import randint

attr = ["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(, ) for _ in range()])
bar_1.add("夏季", attr, [randint(, ) for _ in range()])
bar_1.add("秋季", attr, [randint(, ) for _ in range()])
bar_1.add("冬季", attr, [randint(, ) for _ in range()])

bar_2 = Bar("2013 年销量", "数据纯属虚构")
bar_2.add("春季", attr, [randint(, ) for _ in range()])
bar_2.add("夏季", attr, [randint(, ) for _ in range()])
bar_2.add("秋季", attr, [randint(, ) for _ in range()])
bar_2.add("冬季", attr, [randint(, ) for _ in range()])

bar_3 = Bar("2014 年销量", "数据纯属虚构")
bar_3.add("春季", attr, [randint(, ) for _ in range()])
bar_3.add("夏季", attr, [randint(, ) for _ in range()])
bar_3.add("秋季", attr, [randint(, ) for _ in range()])
bar_3.add("冬季", attr, [randint(, ) for _ in range()])

bar_4 = Bar("2015 年销量", "数据纯属虚构")
bar_4.add("春季", attr, [randint(, ) for _ in range()])
bar_4.add("夏季", attr, [randint(, ) for _ in range()])
bar_4.add("秋季", attr, [randint(, ) for _ in range()])
bar_4.add("冬季", attr, [randint(, ) for _ in range()])

bar_5 = Bar("2016 年销量", "数据纯属虚构")
bar_5.add("春季", attr, [randint(, ) for _ in range()])
bar_5.add("夏季", attr, [randint(, ) for _ in range()])
bar_5.add("秋季", attr, [randint(, ) for _ in range()])
bar_5.add("冬季", attr, [randint(, ) for _ in range()], is_legend_show=True)

timeline = Timeline(is_auto_play=True,
                    timeline_bottom=,
                    timeline_play_interval=  # 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